Python是在1991年被创造出来的，但真正开始被广泛使用是Python 2.6以后的事情了。从2012年开始到现在，Python的热度持续累积，成为关注度增长最快的语言。
有图有真相：Python如此快的增长，说明了它确实十分神奇
所以说，Python并没有像Golang等语言那么幸运，生来就备受关注；而是因为语言本身的设计特点对生态环境有着极强的适应能力，同时适时抓住了成长机遇，从而厚积薄发。
精妙的设计哲学早期的Python，在Java、PHP、JS、C++等重重包围下，尽管受众不广，但仍旧得以生存，主要因为Python的设计哲学使其具备了十足的生命力。
忍不住要分享一下精妙的Python之禅（摘自Python官网），它并非出自Python创始人之手，但已被官方认可为编程原则。而精妙之处在于它不仅适用于编程，更适用于人生。原来每一个热爱代码的优秀编程者都是哲学家。
The Zen of Python, by Tim PetersBeautiful is better than ugly.Explicit is better than implicit. Simple is better than complex. Complex is better than complicated. Flat is better than nested. Sparse is better than dense. Readability counts. Special cases aren’t special enough to break the rules. Although practicality beats purity.Errors should never pass silently. Unless explicitly silenced. In the face of ambiguity, refuse the temptation to guess. There should be one– and preferably only one –obvious way to do it. Although that way may not be obvious at first unless you’re Dutch. Now is better than never. Although never is often better than right now. If the implementation is hard to explain, it’s a bad idea. If the implementation is easy to explain, it may be a good idea. Namespaces are one honking great idea — let’s do more of those!带着这种哲学，Python逐渐发展成了一个特别简明友好、容易上手、功能强大的语言，发展过程中，Python抓住了三次飞速发展的机会。
适时抓住成长机遇第一个机会，Web与敏捷开发
在受到广泛关注之前，Python更多地是作为简单脚本语言，配合一些系统相关工作而被运用（主要是跟Perl抢地盘）。Python开始受到广泛关注，得益于Google的推动。Google或许不是第一家使用Python的公司，但它是第一家大规模使用Python进行Web相关开发的全球著名公司，从而有力地证明了Python能够很好地完成Web开发相关的许多工作。
而此时互联网正开始向快速开发转型，开发速度对于企业，尤其是初创企业而言至关重要，因此Python简洁便利与高效开发的特点吸引了众多企业和组织，同期衍生出来的社区环境又为Python提供了无数优质到可以进行生产级使用的模块和包；对比彼时PHP的模板式开发，Java的庞大繁杂，Ruby的语法新奇多变，Python为中小型企业的快速开发提供了尤为可能的解决方案，从而使得Python开始小有名气。
第二个机会，科学计算
相较于商业开发，科学计算面向更多的是非专业的编程人员，从这个方向上来说，抛开商业化软件不谈，Python的竞争对手也是前有Fortran，后有R、Julia语言的存在，虽然历史积累不如Fortran，抽象形式不及R，现代化和综合性能不如Julia，但是这些却仍然没有妨碍Python在这个领域里大显身手。
历史积累不如Fortran？没关系！借助C接口把Fortran包包裹起来让Python用就好；
抽象形式不及R？没关系！Python语法简单库还多，学习起来也不难，效率还高一丢丢，更重要的是借助这些特点能直接做产品，比R更具市场亲和力；
现代化不如Julia？没关系！Python社区大，要啥包有啥包。
更让人们惊喜的是，借助Python的各种模块和包，能够十分简单地实现之前需要折腾很久的繁杂工作，诸如访问数据库和表格文件，哪怕是在R语言中，仍旧需要从ODBC里一点点拿出数据；而用Python，以Pandas，一句话就能解决数据的读甚至写。
并且，随着计算金融和大数据的兴起，大量程序员开始投入科学计算，相较于Fortran的陈腐、R的浓厚统计数学意味以及Julia的不发达社区，Python自然而然的成了很多人的首选；而经验丰富的程序员又更进一步推动了Python社区的发展，更多优秀的包和模块得到了迅速推广：
矩阵、符号、科学计算？有NumPy、SymPy和SciPy；
统计分析？有Pandas；
可视化？有matplotlib、seaborn；
……
于是，Python很快便在该领域占据了半壁江山。
第三个机会，深度学习
在较早的很长一段时间里，提到机器学习，人们往往会使用C++、Java等作为主要工具。GPGPU的出现使得计算庞杂的机器学习任务开始由CPU向GPU转变，但研究者直接进行GPU编程，在计算复杂的模型时，不仅需要大量心智来分析算法的设计，还不得不投入大量精力解决显卡计算开发中的工程问题，为研究增添了非常大的难度。
随着时间的积累，更多的开源库出现，使得机器学习中主要算法实现抽象成了一个个模块，研究者才得以从繁杂的工程开发中解放出来。此时，代码成了模块的调用和描述，使用诸如C++或Java这样繁杂的工程化语言不再是必要选择，特别是更通用化的深度学习出现，促使研究者需要一种更加易读、易分析的描述性语言（DSL）来解决问题。
而Python因此前在科学计算领域已有广泛应用，加之它能很容易接入现有的C/C++库，以及良好的可读性，成为不少框架的必然选择，如Theano和Caffe。同时，由于AlphaGo亮眼的表现聚焦了众人的注意力，并随后开源了以Python为接口Tensorflow，使得由AI热潮带来的学习者纷纷奔向了Python和Tensorflow。
之后，越来越多的框架都开始提供Python接口——Python能够容易而清晰地描述模型结构，轻松解决计算中的数据输入（无论从硬盘、数据库、网络中的任何一种）问题，简单地实现可视化，并能轻易地设计为Web服务。甚至连使用Lua的Torch都实现了以Python为接口的演进版本PyTorch。至此，Python几乎已经统治了深度学习的模型设计、训练领域。
Python在深度学习上有多神？
正如前文所述，Python极大地减轻了深度学习研究者的心智负担，使之得以将更多的精力集中在模型的设计、改进上。而当深度学习的研究可以集中在对模型结构、对优化算法等方面的研究上，这个领域的进展迅速也就可以被理
不妨看一个简单的例子，此处使用Keras框架中对MNIST（手写数字识别）数据集的深度卷积网络的实现代码：
让大家详细看看这段不到70行的代码：加载标准数据集不过仅仅5 行，训练部分也就寥寥数行，而其中的模型，更是简单直白：数据顺序地经过若干卷积层（Conv2D）、池化层（MaxPooling2D）、展平（Flatten）和全连接层（Dense）。
加载标准数据集仅仅5 行
训练部分寥寥数行
这样的一段程序，经过训练，对于手写数字的识别率可以达到99.25%，如果你愿意，也可以为此程序接入微信、网站，或包装成应用程序，一切都只需要简单的几行代码即可完成。
更多Python可以做到的事情请参看你都用 Python 来做什么？
所以你看，Python其实是属于厚积薄发型选手，与其说它神，倒不如说它早就做好了准备，一直在寻找爆发的机会，Python的语言哲学值得认真品读一番。
感谢头条问答受邀！偶来分享一下偶的经验吧！
Python是近年来发展的非常快的语言，或许你现在还不知道它可以做什么，那偶来告诉你吧。
第一web应用开发
许多大型网站就是基于Python开发的。
可以做后台，比如python Django，flask等等，后台网络框架后台应用开发。
偶以前自学使用过python +Django +mysql框架做后台开发。
第二网络爬虫
网络爬虫是属于应用的非常多的一个场景，Google浏览器的爬虫早期就是用跑Python来写的。
大家可以写脚本爬虫网络数据，比如体育数据，比赛数据，音乐数据等等。但是要合法，不能爬相关规定禁止的数据。
第三人工智能
在AI人工智能与数据科学领域，python已经攀爬到了编程语言生态链的顶级位置，可以说Python基本上与AI已经紧密捆绑在了一起了。
除了简洁高效、可移植性强等优势，Python在科学计算领域一直有着较好的声誉，深受开发者喜爱。
人工智能比如识别物体识别图像等等。
第四数据分析
Python关于数据分析的库是非常丰富的，各种图形分析图都可以做出来。
Python程序写起来简单易懂，入门容易，相对其他语言更简单明了，代码优雅，程序员可以尽情自由发挥哈。
总之Python可以做很多事情。python可以干什么，这下你明白了吗。
谢谢邀请！
首先答案是肯定的，市场营销人员掌握Python语言是有一定必要的。
对于市场人员来说，数据分析是非常重要的，在大数据时代背景下，通过Python做数据分析是一个比较流行的做法。
通过Python做数据分析至少能为市场营销人员带来以下几点好处：
第一：数据分析是制定营销策略的依据。市场营销人员制定策略的一个重要依据就是数据分析的结果，数据分析可以从客观的角度来呈现出基本的市场规律，所以数据分析对于市场营销来说是非常关键的。
第二：Python数据分析符合大数据时代要求。在大数据时代对数据分析提出了更高的要求，早期的Excel等数据分析方式很明显已经不能满足大数据时代的要求了，无论从数据分析的量上还是维度上，Python都能给出一个比较好的解决方案。
第三：Python语言易于市场营销人员掌握。Python语言自身比较简单易学，对于非计算机专业的人来说也能够比较轻松的掌握，所以从这个角度来说，Python语言是比较适合市场营销人员学习的。Python语言在数据分析领域有丰富的库可以使用，比如Numpy、Scipy、Matplotlib、pandas等库在数据分析领域有广泛的使用。
Hadoop和Spark平台都支持Python的应用开发和数据分析任务，由于Python语言既具备脚本式语言的简单性又具备面向对象语言的灵活性，所以Python深受开发人员欢迎。
目前采用机器学习的方式完成数据分析是一个比较常见的做法，而Python在机器学习领域也有广泛的应用。偶在早期做算法实现的时候采用的是Java语言，后来改用Python语言之后在代码量上有了明显的下降，而且在功能调整方面也方便了许多。
总之，无论是对于市场营销人员来说，还是对于大数据从业者来说，掌握Python语言都是有必要的。
作者简介：中国科学院大学计算机专业研究生导师，从事IT行业多年，研究方向包括动态软件体系结构、大数据、人工智能相关领域，有多年的一线研发经验。
欢迎关注作者，欢迎咨询计算机相关问题。
下载视频呗，Python第三方模块中提供了2个专门用于下载视频的工具—you-get和youtube-dl，可以直接下载B站、优酷等主流视频网站的视频，使用起来非常容易，下面偶简单介绍一下这2个工具的安装和使用，以Python3.6为例（其他版本也可以）：
you-get1.首先，安装you-get，这个直接在cmd窗口输入命令“pip install you-get”就行，如下，大概也就几百K，很快就能安装成功：
2.安装完成后，大家就可以直接使用you-get工具下载视频了，基本使用方式“you-get 视频网址”就会自动开始下载过程，速度非常快，如下，这里以B站为例：
3.这里你也可以查看网站提供的视频格式，高清、超清等，选择适合质量好的视频下载，只需要用参数i，就会打印出所有视频格式，如下，这里以优酷为例：
4.要批量下载视频的话，首先需要将视频的网址复制到一个txt文件中，如下，一行一个网址：
接着就可以直接使用you-get命令读取这个文件，实现批量下载的功能，命令非常简单，只需要用参数I指定文件地址就行：
5.当然，还有许多其他高级的功能，如本地在线播放等，这里直接使用命令“you-get -h”就可以查看，参数及功能解释的非常详细，可以本地一试：
youtube-dl1.首先，安装youtube-dl，这个和you-get类似，也直接在cmd窗口输入命令“pip install youtube-dl”就行，如下，安装可能会比较慢：
2.下载完成后，就可以直接开始下载视频了，基本使用方式也是“youtube-dl 视频网址”就会开始下载，如下，下载速度也非常不错：
3.这里也可以查看网站提供的视频格式，使用参数F或者list-format就行，就会打印出所有的视频格式，下载对应格式视频的话，使用参数format指定就行，如下，需要下载超清的，命令则是“youtube-dl –format=3 视频网址”:
4.批量下载的话，也需要先创建一个txt文件存储视频网址，然后使用参数a指定这个文件，youtube-dl会自动读取文件内容，并开始下载过程，如下：
5.更多高级的功能的话，也是使用命令“youtube-dl -h”就可以进行查看，官方对于每个参数的功能都解释的非常详细，可以直接试用，非常多：
至此，这里就介绍完了Python是如何下载视频的，也算是一个不错的应用吧。当然，作为一门胶水语言，Python能做的事情还是非常多的，像Web开发、桌面开发、测试运维、数据处理、机器学习、网络爬虫、科学计算等，网上也有相关教程和资料，介绍的非常详细，感兴趣的话，可以搜一下，希望以上分享的内容能对你有所帮助吧，也欢迎大家评论、留言进行补充。