Python è un linguaggio di programmazione general-purpose progettato per permettere di esprimere molta logica con una sintassi relativamente leggibile. Viene usato per automazione, sviluppo backend, analisi dei dati, machine learning, test, scripting e numerosi altri contesti, ma la sua utilità non deriva dal fatto che sia “semplice” in assoluto: deriva dal compromesso fra produttività, ecosistema e livello di astrazione.
Se stai cercando di capire a cosa serve Python, la risposta breve è che funziona molto bene quando vuoi trasformare rapidamente un problema in codice senza dover gestire in prima persona molti dettagli di basso livello. Questo lo rende particolarmente adatto a script, servizi server-side, elaborazione dati e prototipi che devono poi diventare software mantenibile.
Per comprenderlo davvero, però, conviene separare tre cose che spesso vengono messe insieme: il linguaggio Python, l’interprete che esegue il programma e l’ecosistema di librerie e framework costruito intorno al linguaggio. In questa guida partiamo da qui, poi vediamo cosa puoi costruire, quali sono i limiti e quando scegliere Python invece di JavaScript, PHP o C++.
Cos’è Python e perché viene usato in così tanti contesti
Python è un linguaggio di programmazione di alto livello, multiparadigma e con tipizzazione dinamica. Puoi usarlo con uno stile procedurale, orientato agli oggetti o funzionale a seconda del problema, senza che il linguaggio ti obblighi a costruire ogni programma nello stesso modo.
La documentazione ufficiale di Python lo presenta come un linguaggio potente, con strutture dati di alto livello, sintassi leggibile e una libreria standard ampia. Questo aiuta a spiegare perché lo stesso linguaggio compaia in progetti molto diversi: non nasce per un singolo ambiente, come può accadere con tecnologie legate soprattutto al browser o a uno specifico CMS.
Linguaggio Python, interprete e CPython non sono la stessa cosa
“Python” può indicare il linguaggio, ma per eseguire un programma serve un’implementazione.
CPython è l’implementazione di riferimento più diffusa, scritta principalmente in C. Non è però l’unica possibile: il linguaggio può essere implementato da runtime differenti. La stessa documentazione di sys.implementation distingue infatti la versione del linguaggio dall’implementazione dell’interprete.
Questa distinzione diventa importante quando si parla di performance, gestione della memoria, bytecode o compatibilità con estensioni native: alcune caratteristiche che vengono attribuite genericamente a “Python” appartengono in realtà a CPython o a una specifica modalità di esecuzione.
Alto livello e tipizzazione dinamica: cosa significano nella pratica
Definire Python “di alto livello” significa che molte operazioni legate a memoria, rappresentazione dei dati e dettagli della macchina vengono gestite dal runtime invece di essere controllate direttamente dal programmatore.
La tipizzazione dinamica riguarda invece i valori e il momento in cui vengono controllati molti aspetti del tipo. Non devi dichiarare il tipo di ogni variabile prima di assegnarle un valore:
nome = "Anna" anni = 32 attivo = True
Questo riduce parte del codice cerimoniale, ma non significa che i tipi non esistano o che gli errori di tipo spariscano. Significa che il controllo e il comportamento dei tipi seguono un modello diverso rispetto a linguaggi che richiedono più informazioni statiche già in fase di compilazione.
La storia che serve davvero conoscere
Python nasce all’inizio degli anni Novanta dal lavoro di Guido van Rossum, come ricostruisce la storia ufficiale del progetto, e si è evoluto mantenendo una forte attenzione alla leggibilità del codice e alla produttività dello sviluppatore.
La parte utile da ricordare oggi non è la cronologia di ogni release, ma il fatto che Python sia diventato un ecosistema maturo: linguaggio, libreria standard, package di terze parti, strumenti di sviluppo e community permettono di usarlo sia per piccoli script sia per sistemi molto più articolati.
Come funziona Python: dal file .py all’esecuzione
Dire che Python “legge una riga alla volta” è una semplificazione che può aiutare all’inizio, ma non descrive bene ciò che accade con CPython.
Quando esegui un file Python, il codice sorgente viene analizzato e trasformato in una rappresentazione che l’interprete può eseguire. CPython può inoltre produrre e memorizzare bytecode compilato, per esempio nei file .pyc usati per velocizzare il caricamento dei moduli.
Un modello mentale più utile è quindi:
codice sorgente .py → analisi/compilazione → bytecode → runtime CPython → esecuzione
Questo non rende Python un linguaggio compilato nello stesso senso di C++, dove il normale percorso produce codice macchina nativo prima dell’esecuzione. Serve però a evitare una falsa dicotomia: “compilato” e “interpretato” descrivono strategie di implementazione che possono combinarsi.
Perché l’indentazione fa parte della sintassi
In molti linguaggi le parentesi graffe delimitano i blocchi. Python usa invece l’indentazione.
Nella specifica lessicale ufficiale, gli spazi iniziali vengono usati per determinare i livelli di indentazione e generare i blocchi logici del programma.
ordine = 120
if ordine >= 100:
spedizione = "gratuita"
else:
spedizione = "a pagamento"
Le righe interne all’if e all’else appartengono ai rispettivi blocchi proprio grazie all’indentazione. Non è quindi una convenzione estetica opzionale: la struttura visiva e la struttura sintattica sono collegate.
Questo rende molti programmi immediatamente scansionabili, ma richiede disciplina. Mischiare indentazioni incoerenti o spostare accidentalmente una riga può cambiare il comportamento del codice o produrre un errore.
Cosa significa che Python è interpretato
Python viene normalmente descritto come linguaggio interpretato perché l’esecuzione passa attraverso un runtime invece di richiedere, nel workflow tipico, la creazione preventiva di un eseguibile nativo autonomo.
La definizione è utile finché non diventa troppo rigida. L’implementazione può compilare internamente il sorgente in bytecode, usare cache, ottimizzazioni e componenti nativi. Per questo è più corretto ragionare sul percorso di esecuzione reale che usare “interpretato” come spiegazione completa delle prestazioni o del funzionamento.
A cosa serve Python e cosa si può fare davvero
La forza di Python non è fare bene qualsiasi cosa. È coprire molti problemi con un linguaggio coerente e con un ecosistema enorme.
Sviluppo backend, web app e API
Python può essere usato lato server per ricevere richieste, applicare logica, leggere o scrivere dati, autenticare utenti e comunicare con altri servizi.
Framework come Django, Flask e FastAPI affrontano questo lavoro con livelli di astrazione differenti. Il linguaggio, però, è solo una parte dello stack: per sviluppare applicazioni robuste devi comunque capire HTTP, routing, autenticazione, database, error handling, deployment e sicurezza.
Se vuoi costruire questo modello mentale prima di scegliere un framework, la guida al backend chiarisce come una richiesta attraversa server, logica e dati, mentre l’approfondimento sulle API spiega come applicazioni e servizi espongono funzionalità e si scambiano informazioni.
Automazione e scripting
È uno degli scenari in cui Python mostra più chiaramente il proprio vantaggio.
Puoi scrivere script per:
- rinominare o organizzare file;
- trasformare CSV e JSON;
- elaborare log;
- automatizzare task ripetitivi;
- interrogare API;
- generare report;
- controllare processi;
- eseguire operazioni pianificate.
In questi casi la velocità con cui puoi passare dall’idea a uno script funzionante conta spesso più delle prestazioni assolute di ogni singola istruzione.
Analisi dati, data science e machine learning
Python è molto presente nel lavoro con dati perché librerie specializzate permettono di coprire numerose fasi dello stesso processo: caricamento, trasformazione, analisi numerica, visualizzazione, modellazione e valutazione.
NumPy, pandas e scikit-learn sono esempi noti, ma il punto non è memorizzare una lista di package. È capire perché l’ecosistema funziona: strumenti differenti possono interoperare all’interno dello stesso ambiente e consentire di passare dall’esplorazione a pipeline più strutturate.
Se il tuo obiettivo è l’apprendimento automatico, il nostro approfondimento sul machine learning entra nel processo problema → dati → training → valutazione → deployment e spiega perché Python sia particolarmente comodo per arrivare rapidamente a esperimenti riproducibili.
Testing, strumenti di sviluppo e software general-purpose
Python viene usato anche per costruire test automatici, CLI, tool interni, servizi, prototipi e applicazioni desktop.
È inoltre un buon linguaggio “collante”: può coordinare strumenti differenti o interagire con componenti scritti in altri linguaggi. La documentazione ufficiale sottolinea anche la possibilità di estendere l’interprete con funzioni e tipi implementati in C o C++, caratteristica utile quando vuoi mantenere un’interfaccia Python ma delegare parti specifiche a codice nativo.
Dove Python non è la scelta naturale
La sua versatilità non deve trasformarsi nell’idea che ogni software dovrebbe essere scritto in Python.
Nel frontend eseguito direttamente nel browser, JavaScript resta il linguaggio nativo dell’ecosistema Web. In sistemi embedded molto vincolati, engine, componenti realtime o software dove memoria e latenza devono essere controllate con grande precisione, altri linguaggi possono essere più adatti.
Il criterio corretto non è chiedere “Python può farlo?”, ma “Python riduce il costo complessivo di costruire e mantenere questa soluzione?”
Un primo esempio di codice Python per capire la sintassi
Un piccolo programma è più utile di una lunga lista di caratteristiche.
Immaginiamo di voler calcolare il totale di un ordine e applicare uno sconto quando supera una soglia:
def calcola_totale(prezzi, soglia=100):
totale = sum(prezzi)
if totale >= soglia:
totale = totale * 0.90
return totale
carrello = [29.90, 45.00, 39.50]
totale_finale = calcola_totale(carrello)
print(f"Totale: {totale_finale:.2f} €")
Qui compaiono già diversi elementi fondamentali.
def definisce una funzione. prezzi e soglia sono parametri, mentre soglia=100 fornisce un valore predefinito. La funzione sum() arriva dagli strumenti integrati del linguaggio e somma gli elementi della lista.
Il blocco sotto if viene riconosciuto attraverso l’indentazione. Se la condizione è vera, il totale viene modificato. return restituisce il risultato al punto da cui la funzione è stata chiamata.
Infine la f-string permette di inserire il valore dentro una stringa formattata.
L’esempio non serve a insegnare Python in dieci righe. Serve a mostrare una caratteristica concreta: molta della struttura del programma rimane visibile senza una grande quantità di sintassi accessoria.
Cosa imparare dopo questo esempio
Se vuoi passare da “capisco il codice” a “so costruire un piccolo programma”, l’ordine che trovo più sensato è:
- valori, variabili e tipi;
- operatori;
- condizioni;
- cicli;
- funzioni;
- liste, tuple, dizionari e set;
- gestione degli errori;
- moduli e package;
- file e dati strutturati;
- classi quando il problema le giustifica;
- test;
- dipendenze e ambienti virtuali.
Non serve partire dai framework. Imparare immediatamente Django o una libreria di AI può farti completare un tutorial senza capire quale parte del comportamento appartenga a Python e quale allo strumento.
Librerie, moduli, package e framework: come funziona l’ecosistema Python
Una delle fonti principali di confusione per chi inizia è usare questi termini come sinonimi.
Moduli e libreria standard
Un modulo è, nel caso più semplice, un file Python che contiene definizioni e istruzioni riutilizzabili.
Python include inoltre una libreria standard molto estesa: moduli per file, date, JSON, networking, concorrenza, database SQLite, test, logging e numerosi altri problemi comuni.
Prima di installare una dipendenza esterna, vale sempre la pena controllare se la standard library contiene già ciò che ti serve.
Package e PyPI
Quando il progetto richiede funzionalità esterne puoi installare package distribuiti dalla community.
PyPI, il Python Package Index, è il repository centrale utilizzato per distribuire moltissimo software Python. pip è il package manager di riferimento usato comunemente per installare questi package.
Questo rende l’ecosistema molto potente, ma introduce anche responsabilità: ogni dipendenza ha versioni, compatibilità, manutenzione, vulnerabilità e licenze da valutare. “Esiste un package” non significa automaticamente “conviene aggiungerlo al progetto”.
Perché usare un ambiente virtuale
Installare tutte le dipendenze globalmente porta rapidamente a conflitti tra progetti.
La Python Packaging User Guide raccomanda di lavorare con ambienti virtuali quando utilizzi package di terze parti. Un ambiente creato con venv mantiene le dipendenze del progetto separate da quelle di altri progetti.
Su macOS e Linux, per esempio:
python3 -m venv .venv source .venv/bin/activate python -m pip install nome-package
Su Windows i comandi di attivazione cambiano, ma il principio è lo stesso: ogni progetto dovrebbe poter dichiarare e ricostruire il proprio ambiente senza dipendere dallo stato globale del computer.
Libreria e framework non risolvono lo stesso problema
Una libreria fornisce funzioni e componenti che il tuo codice chiama quando servono. Un framework tende invece a definire una struttura più ampia entro cui viene organizzata l’applicazione.
La distinzione non è assoluta in ogni ecosistema, ma è utile per orientarsi.
Django, per esempio, struttura molte responsabilità tipiche di una web application. NumPy fornisce invece primitive e strutture per il calcolo numerico. scikit-learn organizza strumenti per il machine learning classico.
Imparare il nome dello strumento senza capire il problema che risolve crea dipendenza dal tutorial. Capire prima il problema rende molto più semplice cambiare libreria quando il progetto lo richiede.
I vantaggi di Python
Python viene spesso presentato attraverso slogan come “facile”, “potente” e “versatile”. Sono parole poco utili finché non le colleghiamo a una conseguenza tecnica.
La leggibilità riduce parte del costo cognitivo
Una sintassi relativamente compatta permette spesso di vedere con chiarezza condizioni, trasformazioni e flusso del programma.
Questo non rende automaticamente leggibile qualsiasi codice Python: nomi sbagliati, funzioni enormi, stato globale e architetture confuse restano problemi. Ma il linguaggio tende a evitare parte della cerimonia necessaria in ecosistemi più espliciti.
La velocità di sviluppo può contare più della velocità della singola istruzione
Se devi automatizzare un processo, costruire un servizio interno o verificare un’idea, arrivare rapidamente a una soluzione corretta e testabile può avere più valore di ottenere subito il massimo controllo sulle risorse.
È uno dei motivi per cui Python funziona bene in scripting, prototipazione, backend e data work.
Questo vantaggio diminuisce quando il collo di bottiglia è invece l’esecuzione CPU-bound di codice Python puro, la latenza molto bassa o il controllo della memoria.
L’ecosistema evita di ricostruire problemi già risolti
Standard library, package esterni, framework e strumenti di sviluppo coprono una grande quantità di esigenze.
Il vantaggio reale non è soltanto “ci sono tante librerie”. È poter scegliere componenti maturi per autenticazione, parsing, dati, test, HTTP, ML o automazione e concentrare il codice sul problema specifico del progetto.
L’integrazione con codice nativo amplia i casi d’uso
Python può convivere con componenti scritti in C e C++, e numerose librerie ad alte prestazioni sfruttano proprio questa separazione: interfaccia ergonomica in Python, lavoro computazionale critico delegato a implementazioni native.
Questo modello spiega perché “Python è più lento di C++” sia spesso una frase troppo povera per descrivere applicazioni reali: bisogna capire quale parte del workload viene effettivamente eseguita in Python e quale in codice ottimizzato.
I limiti di Python: quando non è automaticamente la scelta migliore
Un linguaggio va giudicato anche per ciò che rende più difficile.
Performance e workload CPU-bound
CPython aggiunge overhead rispetto al codice nativo e non offre lo stesso livello di controllo di linguaggi come C++.
Se il programma passa molto tempo in loop e calcoli eseguiti direttamente dal codice Python, le prestazioni possono diventare un vincolo. Prima di cambiare linguaggio, però, conviene profilare il programma: l’algoritmo, le strutture dati e l’uso di librerie ottimizzate possono incidere più di una micro-ottimizzazione sintattica.
Anche la concorrenza richiede precisione. Nelle build standard di CPython il Global Interpreter Lock può limitare il parallelismo dei thread quando il carico è CPU-bound, mentre i thread restano utili per molti task I/O-bound. Esistono inoltre build free-threaded che modificano questo scenario, quindi il GIL non va trasformato in una regola eterna sul linguaggio. La documentazione del modulo threading mantiene aggiornate queste differenze.
Frontend Web e piattaforme con ecosistemi più naturali
Puoi far interagire Python con il Web in molti modi, ma il codice che viene eseguito normalmente nel browser appartiene soprattutto all’ecosistema JavaScript.
Se il tuo obiettivo è costruire interfacce browser, partire da JavaScript è generalmente più diretto. Python può entrare nel backend, nelle API, nelle pipeline o nei tool che supportano il prodotto, senza dover diventare il linguaggio di ogni livello.
Packaging e deployment possono diventare complessi
Scrivere il primo script è semplice. Distribuire un’applicazione con dipendenze native, versioni precise, servizi esterni e ambienti differenti è un problema diverso.
Virtual environment, file di dipendenze, container, CI/CD e strategie di deployment esistono proprio perché un progetto reale deve essere riproducibile.
Questa è una distinzione importante per chi inizia: semplicità della sintassi non equivale a semplicità dell’intero ciclo di vita del software.
Python vs JavaScript, PHP e C++: quale scegliere
Il confronto utile non parte da una classifica generale. Parte dal contesto.
| Scenario | Python | JavaScript | PHP | C++ |
|---|---|---|---|---|
| Frontend nel browser | Non è la scelta nativa | Scelta naturale | No | No |
| Backend e API | Molto adatto | Molto adatto con runtime server-side | Molto adatto, soprattutto nell’ecosistema Web/CMS | Possibile, ma spesso più complesso |
| Automazione e scripting | Molto adatto | Adatto | Possibile | Poco conveniente per molti script |
| Data analysis e ML | Ecosistema molto forte | Possibile | Marginale | Forte nei componenti ad alte prestazioni |
| WordPress e molti CMS PHP | Non nativo | Frontend/tooling | Scelta naturale | Non nativo |
| Controllo memoria e codice nativo | Limitato | Limitato dal runtime | Limitato dal runtime | Punto di forza |
| Rapidità per prototipi e tool interni | Punto di forza | Forte | Forte nel Web | Più costo iniziale |
Se devi costruire un frontend browser, JavaScript è quasi sempre il primo linguaggio da valutare. Se lavori dentro WordPress o un ecosistema PHP già esistente, PHP evita spesso di introdurre complessità senza motivo.
Se invece il progetto richiede controllo fine della memoria, prestazioni native, engine, sistemi embedded o componenti infrastrutturali, il nostro approfondimento su C++ mostra perché quel linguaggio accetta una complessità maggiore in cambio di controllo e prevedibilità più vicini alla macchina.
Python ha più senso quando produttività, scripting, backend, automazione o data work pesano più del controllo low-level.
Non esiste quindi un vincitore generale. Esiste un linguaggio più coerente con i vincoli del progetto e con il team che dovrà mantenerlo.
Come iniziare a programmare in Python senza imparare strumenti a caso
Per iniziare non serve costruire subito un ambiente di sviluppo sofisticato.
Installa una release stabile da una fonte affidabile
Il punto di partenza più semplice è la pagina ufficiale dei download di Python.
Per un nuovo percorso didattico usa una release stabile supportata, salvo che un corso, un progetto esistente o una libreria richiedano esplicitamente una versione differente.
Dopo l’installazione puoi verificare l’interprete dal terminale:
python --version
Su alcuni sistemi il comando può essere python3.
Usa prima interprete, file .py e terminale
Un editor con syntax highlighting è utile, ma all’inizio conta soprattutto capire la catena:
scrivo codice → eseguo il file → leggo output/errori → modifico → rieseguo
Crea per esempio primo_programma.py:
nome = input("Come ti chiami? ")
print(f"Ciao {nome}")
Poi eseguilo dal terminale:
python primo_programma.py
Questo passaggio apparentemente semplice insegna già dove si trova il file, quale interprete lo esegue e come leggere un errore senza dipendere dal pulsante “Run” di un IDE.
Crea presto un ambiente virtuale
Appena il progetto richiede un package esterno, crea un ambiente virtuale invece di installare dipendenze casualmente nel sistema.
python -m venv .venv
Poi attivalo e usa python -m pip per installare ciò che serve.
Questa abitudine sembra un dettaglio quando hai un solo script. Diventa fondamentale quando due progetti richiedono versioni differenti della stessa libreria.
Costruisci un primo progetto piccolo ma completo
Eviterei di iniziare da un clone di un social network o da un assistente AI.
Sono progetti abbastanza grandi da nascondere le basi sotto framework, API e configurazioni.
Meglio qualcosa come:
- un rinominatore di file;
- un analizzatore di CSV;
- una piccola CLI per note o spese;
- uno script che chiama un’API pubblica;
- un convertitore di dati;
- un semplice servizio Web con pochi endpoint.
Un progetto piccolo ti obbliga comunque a gestire input, output, errori, struttura del codice e dipendenze.
Quando inizi a conservare versioni significative del progetto, imparare GitHub insieme a Git ti permette di aggiungere controllo versione, collaborazione e una cronologia reale del lavoro.
Non imparare un framework prima del problema
Django, Flask, FastAPI, pandas, scikit-learn e altri strumenti sono utilissimi. Non sono però “Python”.
Se vuoi diventare web developer, capire richieste HTTP, dati, errori e debugging ti rende molto più autonomo di una conoscenza superficiale di dieci framework.
Lo stesso vale per data science e machine learning: imparare a definire il problema e verificare il risultato conta più che conoscere l’API dell’ultima libreria.
Python è una buona scelta per iniziare a programmare?
Sì, spesso lo è, soprattutto se il tuo obiettivo è vedere rapidamente il rapporto fra una riga di codice e il comportamento del programma.
La sintassi relativamente leggibile riduce alcune difficoltà iniziali e permette di arrivare presto a funzioni, strutture dati, file, API e piccoli programmi.
Lo sceglierei come primo linguaggio se vuoi:
- automatizzare attività;
- lavorare con dati;
- esplorare machine learning;
- costruire backend;
- imparare programmazione attraverso piccoli progetti;
- creare tool e script.
Sceglierei invece prima JavaScript se il tuo obiettivo principale è il frontend Web. Valuterei C++ se vuoi entrare fin dall’inizio in concetti come compilazione nativa, lifetime, memoria e controllo delle risorse e accetti una curva iniziale più ripida.
La domanda migliore non è quindi “qual è il linguaggio più facile?”, ma:
“Quale linguaggio mi permette di imparare i concetti che mi servono costruendo qualcosa che mi interessa davvero?”
Domande frequenti su Python
Python è gratis e open source?
Sì. L’interprete e la libreria standard sono distribuiti con licenze open source e Python può essere usato anche in progetti commerciali. Le singole librerie di terze parti possono però avere licenze proprie: vanno verificate package per package.
Python è compilato o interpretato?
Viene normalmente classificato come linguaggio interpretato, ma la risposta completa dipende dall’implementazione. CPython trasforma il codice in bytecode che viene poi eseguito dall’interprete e può memorizzare versioni compilate dei moduli. Per questo “solo interpretato” è una semplificazione.
Python è difficile da imparare?
La sintassi iniziale è accessibile rispetto a molti linguaggi, ma programmare bene richiede comunque tempo. Debugging, progettazione, test, dipendenze, concorrenza, performance e architettura non diventano semplici soltanto perché il linguaggio è leggibile.
Python serve per creare siti web?
Sì, soprattutto nel backend. Framework Python possono gestire routing, autenticazione, dati, template, API e logica applicativa. Nel browser, invece, JavaScript resta il linguaggio nativo da conoscere.
Si può usare Python per l’intelligenza artificiale?
Sì. È uno dei linguaggi più usati nell’ecosistema data science e machine learning grazie a librerie e framework specializzati. Il linguaggio, però, non rende intelligente un sistema: qualità dei dati, modello, valutazione e architettura restano determinanti.
Python può sostituire JavaScript?
Non in modo generale. Python e JavaScript possono sovrapporsi in alcuni contesti server-side e di tooling, ma nel browser JavaScript occupa una posizione nativa che Python normalmente non sostituisce. In molte applicazioni i due linguaggi convivono.
Quale versione di Python conviene installare?
Per un nuovo progetto, in assenza di vincoli specifici, scegli una release stabile attualmente supportata e verifica la compatibilità delle librerie che devi utilizzare. Se stai lavorando su un progetto esistente, la versione corretta è quella prevista dal progetto, non necessariamente la più recente.
Conclusione
Python è una scelta particolarmente forte quando vuoi trasformare velocemente un problema in software leggibile e hai bisogno di un ecosistema maturo per automazione, backend, dati o machine learning.
Il suo vantaggio non è essere “il linguaggio migliore”. È spostare l’attenzione da molti dettagli di basso livello verso la logica del problema, mantenendo comunque la possibilità di integrare componenti più vicini alla macchina quando servono.
Questo compromesso ha un costo: meno controllo diretto sulle risorse, performance del codice Python puro da valutare nei workload più intensivi e una fase di packaging/deployment che può diventare più complessa di quanto suggerisca il primo script.
Se vuoi iniziare, non partire da un framework. Installa una release stabile, crea un piccolo programma, usa un ambiente virtuale appena entrano dipendenze esterne e porta un progetto semplice dall’input al risultato. È il modo più rapido per capire non soltanto la sintassi di Python, ma se il suo modello di sviluppo è adatto ai problemi che vuoi risolvere.