就自己了解的几种语言的特性加以分析：
基础数据模板，
C++,Java都没有原生的N维矩阵数据模板类，因此对应这类数据的所有处理都要构建，而目前大多数的机器学习，深度学习算法都是在N维矩阵的各类操作，代码量就会大幅增加
sas与matlab几乎所有的数据集都以N维数据模板为基础，大多数的function，计算用的packge是也是针对这个数据模板操作，因而整合性优异很多，稳定性随之提高
R与python正好介于之间，R的基础数据模板类便于统计类function，因此写统计类的包都相对容易，但超出这个范围，就没有那么灵活。Python起初也不是为数据计算设计的，但它的更底层能很好“粘合”各类基于C的库，上层又表现为lisp等函数化的便携操作，因此numpy，scipy等一系列科学计算包(大量的C与Fortran)完善了python在这个领域的优势
基础类特性，
C++,Java基于OO而生，因此这方面的优化，类的各种特性、变化自由度都很大，GUI，web以及工业级应用各类场景很成熟，也有全面的安全与版权保护机制。困难之处就是从头造所需的团队组织规模要求高，在过去开源社区还不壮大时，只有大型企业可以负担
sas与matlab可称为封闭商业软件，用户只能使用固有的类属性与操作，因此自由度受到了最大的限制，新功能只能等待版本升级，但稳定性与可靠性得到最大保障
R与python好像也是介于之间，R的基础数据模板有限，对类的属性支持也不是特别重示，因此还只能局限在统计方面的应用。Python的底层经过多次的优化，包括大版本2.0与3.0的分割，都是为了能更好的包容各个基类的新特性，而这些特性也促使了包括科学计算社区在内的所有python社区在各个领域都有飞速的扩展，比如web领域的各类框架，服务器领域的用于分布式的队列及管理等。而深度学习也是需要软硬件的大范围的整合，算法的灵活变化，分布式数据IO控制，网络传输与GUI动态展示，类的多样性以及扩展性才能更好的支持，也是python能立于深度学习领先阵营的核心原因
