基於以下三個原因，我們選擇Python作為實現機器學習算法的編程語言:(1) Python語法清晰；(2)易於操作的純文本文件；(3)應用廣泛，有大量開發文檔。
可執行偽代碼
Python有清晰的語法結構，也叫可執行偽代碼。默認安裝的Python開發環境附加了很多高級數據類型，比如列表、元組、字典、集合、隊列等。，這些數據類型的操作無需進壹步編程即可使用。使用這些數據類型使得實現抽象的數學概念變得非常簡單。此外，讀者還可以使用他們熟悉的編程風格，如面向對象編程、面向過程編程或函數式編程。不熟悉Python的讀者可以參考附錄A，其中詳細介紹了Python語言、Python使用的數據類型以及安裝指南。
Python語言處理和操作文本文件非常簡單，處理非數值型數據也非常容易。Python語言提供了豐富的正則表達式函數和許多訪問網頁的庫，使得從HTML中提取數據變得非常簡單和直觀。
Python更受歡迎。
Python語言應用廣泛，代碼示例多，方便讀者快速學習和掌握。此外，在開發實際應用時，還可以利用豐富的模塊庫來縮短開發周期。
Python語言已經廣泛應用於科學和金融領域。SciPy、NumPy等很多科學函數庫都實現了向量和矩陣運算。這些函數庫增加了代碼的可讀性，任何學過線性代數的人都能理解代碼的實際功能。另外，SciPy和NumPy是用底層語言(C和Fortran)編寫的，提高了相關應用的計算性能。這本書會大量使用Python的NumPy。
Python的科學工具可以和繪圖工具Matplotlib協同工作。Matplotlib可以繪制2D和3D圖形，還可以處理科研中經常用到的圖形，所以本書也會大量使用Matplotlib。
Python開發環境還提供了交互式shell環境，允許用戶在開發程序時查看和檢測程序內容。
Python開發環境未來會集成Pylab模塊，將NumPy、SciPy、Matplotlib合二為壹的開發環境。在寫這本書的時候，Pylab還沒有被納入Python環境，但是在不久的將來我們肯定可以在Python開發環境中找到它。