Ⅰ 為什麼vs的python用不了

不知道為什麼，關於python IDE好多人都推薦用pycharm,但是無奈沒人教，作為一隻小白，真心不會用。於是就用了VS2015.
(1).打開 文件->新建項目 在模板裡面找到python
(2).沒安裝模板的就可以安裝了
(3).安裝完成之後就可以選擇新建 Python Application(當然還有其他Python)
(4)改個項目名字，選好項目存儲位置就可以開始編寫我們的Python程序咯。
弄完IDE，就正式開始學習Python了。

Ⅱ vs 和 python 分析數據 哪個好

總的概括：R主要在學術界流行，python(numpy scipy)在工程方便比較實用。

R是S（Splus）的開源版本，或者下一代。發源地在紐西蘭奧克蘭。這個軟體的統計背景很濃烈。我這里濃烈的意思是，如果你不熟習統計知識（歷史）的話，R的幫助文檔看起來是很累的。由統計背景的人開發。R的維護組叫CRAN-R。在生物信息方便，有個叫bioconctor的組織，裡面有很多生物信息方面可以用的軟體包，他們有一套自己維護package系統。

Python是個綜合語言（這里特指指CPython解釋器），numpy scipy是數值計算的擴展包，pandas是主要用來做數據處理（numpy依賴），sympy做符號計算（類似mathematica？）此外還有一些不太成熟的包如sciki learn，statistical models。成熟度不如R。但是已經到了可用的水平了。是讀計算機的人寫的統計包。ipython 更新到1.0以後，功能基本完善，其notebook非常強大（感覺就像mathematica)而且還是基於web，在合作分享方面非常好用。

性能：
大家都說R慢，特別是CS的人。其實這里主要是兩點：一個R裡面數組的調用都是用復制的，二是Rscript慢。三是處理大數據慢。如果R用的好的話，R是不太慢的。具體來說就是Rscript用的少，多用命令，跑點小數據。這樣的話，實際在跑的都是背後的fortran和C庫。他們都有快二三十年歷史了。可謂異常可靠，優化得不能再優化了（指單線程，如果去看源代碼揮發先許多莫名的常數，永用了以後精度高速度快！）。比如一個自己編寫一個R腳本，loop套loop的那種，那真是想死的心都會有。外加一點，R處理文本文件很慢！

Python歸根揭底還是個有解釋器的腳本語言，而且有致命傷——GIL，但python最難能可貴的就是它很容易變得更快。比如pypy，cython，或者直接ctypes掛C庫。純python寫個原型，然後就開是不斷的profiling和加速吧。很輕易可以達到和C一個數量級的速度，但是寫程序、調試的時間少了很多。

並行計算：
R v15 之後有了自帶的parallel包，用挺輕松的。不過其實就是不停的fork，或者mpi，內存消耗挺厲害的。parSapply，parApply什麼的，真是很好用。

Python雖然有GIL——並行計算的死敵，但是有multiprocessing(fork依賴) ，是可以共享數據的什麼的，估計內存消耗方面比R好點，數據零散的話overhead很多。到了MPI的話，mpi4py還是挺好用的。用cython的話結合openmp可以打破GIL，但是過程中不能調用python的對象。

學習曲線：假設什麼編程都不會的同學。
R一開始還是很容易上手的，查到基本的命令，包，直接print一下就有結果了。但是如果要自己寫演算法、優化性能的時候，學習難度陡增。

Python么，挺好學的，絕大多數的幫助文檔都比R好了許多。有些包用起來沒R方便。總的來說深入吼R陡。

擴展資源：
基本上新的統計方法都會有R的package，安裝實用都不麻煩。但是基本上都是搞統計的人寫的計算機包。所以效能上可能有問好。比較出名的有兩個包的管理網站，cran-r 和bioconctor。 所以搞生化的估計R用起來很方便。

python的統計計算包們比R少，多很年輕，還在不斷的開發中。優於是計算機人寫的統計包，用起來的時候要多漲個心眼。

畫圖：
R自帶的那些工具就挺好用了，然後還有ggplot這種非常優美的得力工具。

python 有matplotlib，畫出來效果感覺比R自帶的好一些些，而且界面基於QT，跨平台支持。可能是R用得多了，pyplot用起來還是不太順手，覺得其各個組建的統一性不高。

IDE：
Rstudio非常不錯，提供類matlab環境。（用過vim-r-plugin，用過emacs + ess現在用vim。）

windows 下有python(x,y) 還有許多商業的工具。（本人現在的emacs環境還不是很順手~）

建議：
如果只是處理（小）數據的，用R。結果更可靠，速度可以接受，上手方便，多有現成的命令、程序可以用。

要自己搞個演算法、處理大數據、計算量大的，用python。開發效率高，一切盡在掌握。

ps：盲目地用R的包比盲目的地用python的包要更安全。起碼R會把你指向一篇論文，而python只是指向一堆代碼。R出問題了還有論文作者、審稿人陪葬。

Ⅲ python 可以用vs開發嗎

可以，但是為了不讓vs社區版 拖累硬碟，下vs code就行。

Ⅳ visual studio core支持python么

其實vs算是一個通用的ide，支持python是通過插件來實現的，如果你能製作合適的插件，讓vs支持你創造的語言也可以的

Ⅳ vs支持python嗎

支持，而且非常的好用，如果有一個好的效果可以試試看。

Ⅵ VS2019可以寫python嗎

VS的Python支持不如PyCharm，建議用PyCharm，這是目前最好也是最主流的Python IDE。

Ⅶ vs2015針對visual studio 的python 工具需要嗎

你安裝Visual Studio了嗎，這樣python的編譯環境就全了.bat，最好是從Visual Studio內啟動命令行：Unable to find vcvarsall？ 如果已經安裝，所以出錯版是因為沒權找到VC編譯環境看最後一句話，安裝的時候缺少一些庫所以會有警告。

Ⅷ vs能運行python嗎

1.Python環境的搭建：

這里我選擇的是Anaconda可以傻瓜式的幫我們將python環境搭建完畢，貼上Anaconda的下載地址：https://www.anaconda.com/download/#download

選擇適合的版本下載即可，我這選擇的Python3.6 version 64位的，下載完畢之後就是安裝了，Anaconda會幫我們將Python環境搭載完畢的。

相關推薦：《Python教程》

2.VS2017中Python開發的選擇：

如果已經安裝過VS2017，直接在找到Visual Studio Installer。

點擊運行，然後選擇修改，將Python開發和數據科學和分析應用程序勾選即可。

如果是沒有安裝過VS2017，需要先在VS官網下載最新的VS2017即可，附上微軟官方的VS下載鏈接：

https://visualstudio.microsoft.com/zh-hans/thank-you-downloading-visual-studio/?sku=Professional&rel=15，後面的步驟與上一步相同。

安裝完畢後，VS2017會自動引入我們前面安裝的python環境。

3.測試環境：

環境搭建完畢之後就需要測試一下是否搭建成功了，打開VS選擇python應用程序；

可以看到我們安裝的Python3.6已經引入了。

接下來點擊附加按鈕即可：出現了下面的界面那麼就表示我們的VS2017已經能成功作為Python的IDE了。

Ⅸ vs編寫python怎麼樣

有幾個numpy 的加速包，比如numexpr.
安裝Intel MKL.
最後，可以講關鍵部分用c/c++實現。
如果無法避開python的for，建議使用Numba來提速，理想情況下可以達到和numpy向量化差不多的速度。

Ⅹ visual studio 2013 支持python嗎

vs算是一個通用的ide,支持python是通過插件來實現的,如果你能製作合適的插件,讓vs支持你創造的語言也可以的