和语言没关系，和银行自身研发资源、技术实力、核心优势等有关系。
银行在传统产品上往往缺乏赋能和创新的落地可行性，比如客户管理、账户管理、存款业务、支付清算，这方面业务已经很成熟，在技术上适当采购外部厂商的成熟、业内通用的解决方案更合适。
而大型银行，具备较好的资金和技术实力，所以乐意在增值和想象空间更大的地方努力，比如在两个方面上发力：内外部渠道的完善上，比如电话银行、网上银行、微信银行、开放银行、银企对接等。
数据商业应用上，比如数据应用（会计总账、报表平台、风险管理）、数据集市（信用风险、市场风险、操作风险）、大数据平台（流式处理、实时计算、离线技术）等。数据建设的产品架构
以上可以看出，在数据的赋能上想象空间更大，而数据应用需要一整套大数据的基础设施建设来保障，涉及到一个庞大的技术团队，技术上会涉及以下能力：数据的计算：流式、实时、离线；
数据的处理：Stream、交互式、MR、Spark等；
数据的存储：NoSQL、Hive、SQL DB等；数据建设标准流程
若要数据的实际应用形成规模化优势，以及形成高效的复用能力，就可能需要参考大型互联网企业，具备中台化能力，这就基本对标对方的数据团队了，需要建设“数据研发平台和数据资产管理平台”（属于IPaaS平台）等平台：数据研发：数仓规划、模型构建、指标规范、数据同步、数据开发、任务调度、监控告警。
数据资产管理：资产地图、资产分析、资产管理、资产应用、资产运营等。
能够实现这些工作的人往往在互联网大厂的数据中台团队，薪资都不低，一般银行可养不起，所以目前仅有工商、建行、招行等少数大行在自行建设，而且是采用循序渐进的方式、有产品选择性的进行建设。两个小学生在讨论Python代码
此外，python并不是高大上很难懂的语言，连中学生都会，要想拿它去解决银行在数据分析方面的技术问题是远远不够的，这需要一个体系化工程来建设，需要不少语言和技术栈、中间件的通力配合，不单单是python语言这么简单，所以传统企业将核心技术资源投入到核心业务中，适当外采和自研部分具备想象力的产品线，比如投资理财、贸易融资、智能营销等领域，才是资源投入比更高的商业决策。
