可汗学院最近进行了大规模重写，他们用 Go 编写的面向服务的后端替换了旧的 Python 2 单体。
Kevin Dangoor 和 Marta Kosarchyn 是可汗学院的高级工程师，他们写了一系列关于重写的技术选择、执行和结果的博客文章。我们将在下面总结这个系列。
2019 年底，可汗学院正在寻求升级他们的后端。该站点建立在 Python 2 单体 架构 上，并且运行良好 10 多年。
然而，Python 2 即将在2020 年 1 月 1 日正式结束生命周期，因此可汗学院的工程师决定他们必须进行更新。
可汗学院有几种选择：
在这些选项中，可汗学院决定采用第三种选择，并使用 Go 重写他们的 Python 2 单体。
他们进行了性能测试，发现 Go 和 Kotlin（在 JVM 上）的性能相似，Kotlin 领先几个百分点。但是，Go 使用的内存要少得多。
Go 和 Python 之间的巨大性能差异使得转换所涉及的努力是值得的。
文中链接在：可汗学院如何用Golang重写他们的Python后端？
R编程语言已经成为统计分析中的事实标准。但在这篇文章中，我将告诉你在Python中实现统计学概念会是如此容易。我要使用Python实现一些离散和连续的概率分布。虽然我不会讨论这些分布的数学细节，但我会以链接的方式给你一些学习这些统计学概念的好资料。在讨论这些概率分布之前，我想简单说说什么是随机变量（random variable）。随机变量是对一次试验结果的量化。举个例子，一个表示抛硬币结果的随机变量可以表示成
Python
1
2
X = {1 如果正面朝上,
2 如果反面朝上}
随机变量是一个变量，它取值于一组可能的值（离散或连续的），并服从某种随机性。随机变量的每个可能取值的都与一个概率相关联。随机变量的所有可能取值和与之相关联的概率就被称为概率分布（probability distributrion）。
我鼓励大家仔细研究一下scipy.stats模块。
概率分布有两种类型：离散（discrete）概率分布和连续（continuous）概率分布。
离散概率分布也称为概率质量函数（probability mass function）。离散概率分布的例子有伯努利分布（Bernoulli distribution）、二项分布（binomial distribution）、泊松分布（Poisson distribution）和几何分布（geometric distribution）等。
连续概率分布也称为概率密度函数（probability density function），它们是具有连续取值（例如一条实线上的值）的函数。正态分布（normal distribution）、指数分布（exponential distribution）和β分布（beta distribution）等都属于连续概率分布。
若想了解更多关于离散和连续随机变量的知识，你可以观看可汗学院关于概率分布的视频。
if rv is not None and rsv is not None:# extract version/subversion
self._nmap_version_number = int(line[rv.start():rv.end()])
self._nmap_subversion_number = int(line[rsv.start()+1:rsv.end()])
break
}
