作為一直想入門資料分析的童鞋們來說，如何標明一門面向資料分析的程式設計語言或工具呢？注意是資料分析，而不是大資料哦，資料分析是基礎了。
資料分析的工具千萬種，綜合起來萬變不離其宗。無非是資料擷取、資料存儲、資料管理、資料計算、資料分析、資料展示等幾個方面。而被提到頻率最高的如Excel、R、Python、SPSS、SAS、SQL等。那麼，這些工具本身到底有什麼特點呢？應該如何合理的使用來解決資料分析的各種問題呢？
最簡單的是EXCEL，它不僅是簡單的而且是必備的。正所謂初級學圖表，中級學函數透視表，進階學習VBA。EXCEL功能的強大隻有那些正真學過它的人才能知道，我們反對任何關于EXCEL複雜，不實用的說法。在學完VBA之後，EXCEL幾乎能解決你在日常工作中遇到的所有問題。EXCEL是你成為資料分析師的必備條件。
對于一個初級的資料分析師來說，剛開始如果能精通SQL與Excel再會點SPSS之類的就差不多了。SPSS對使用者的要求是隻要會點選菜單就可以了，有程式設計視窗但是一般沒人用，使用者多是受到過一些統計訓練的，但不需要高深的分析能力，市場調研用的比較多，統計專業的學生一般要求掌握。
再往後，你可能就需要精通一門統計分析軟體了，一般說來如果是網際網路行業可能R語言是最為流行，因為R語言是開源的，不過上手還是需要長期的學習；SPSS界面友好型，不過一般是市場研究用的比較多，如果你會用SPSS程式設計，其實功能還是比較強大的，建議如果想先練手可以學這個，上手快；SAS一般是金融企業特别是銀行業和醫學統計，銀行業人員有一些是用SAS做統計，一般是銀行業内部人做的，另一種是給銀行業做資料挖掘的公司，不過正版一年也要上百萬，不是土豪也用不起，而且SAS學習沒人指導很難學；是以看童鞋們的選擇，想在傳統或者咨詢公司做的SPSS比較合适，想去金融特别是銀行業SAS不錯，想進網際網路公司學R語言可能是比較明智。
再就是Python。Python在這些工具裡面是綜合功能最強大的，但是這些功能分散在第三方庫裡面，沒有得到有機的整合，是以學習成本還是比較高的。Python與R不同，Python是一門多功能的語言。資料統計是更多是通過第三方包來實作的。具體來說，常用的Python在統計上面的Package有這樣一些：
1、Numpy與Scipy。這兩個包是Python之是以能在資料分析占有一席之地的重要原因。其中Numpy封裝了基礎的矩陣和向量的操作，而Scipy則在Numpy的基礎上提供了更豐富的功能，比如各種統計常用的分布和算法都能迅速的在Scipy中找到。
2、Matplotlib。這個Package主要是用來提供資料可視化的，其功能強大，生成的圖示可以達到印刷品質，在各種學術會議裡面出鏡率不低。依托于Python，可定制性相對于其他的圖形庫更高。還有一個優點是提供互動化的資料分析，可以動态的縮放圖表，用做Adhoc analysis非常合适。
3、Scikit Learn。非常好用的MachineLearning庫，适合于用于快速定制原型。封裝幾乎所有的經典算法，易用性極高。
4、Python标準庫。這裡主要是展現了Python處理字元串的優勢，由于Python多功能的屬性和對于正規表達式的良好支援，用于處理文本是再合适不過的了。
Python是一套比較平衡的語言，各方面都可以，而R是在統計方面比較突出。R的優勢在于有包羅萬象的統計函數可以調用，特别是在時間序列分析方面(主要用在金融分析與趨勢預測)無論是經典還是前沿的方法都有相應的包直接使用；相比Python在這方面貧乏不少。Python的優勢在于其膠水語言的特性，一些底層用C寫的算法封裝在Python包裡後性能非常高效。
總之R和SAS是專業性比較強的統計軟體，統計專業學生必備，SPSS是更大衆化的統計軟體，Python不是統計軟體，而是一種可以用來做各種事情的語言。R和Python現在越來越受到各大公司的喜歡，也必定會成為将來的發展趨勢。Python的功能可遠遠不止用來分析資料，它可以用來開發，建站，寫個小APP什麼的。我們所知道的果殼網，知乎，DROPBOX等可都是用Python寫得哦。如果你能同時學會Python和R，在資料科學領域肯定就遊刃有餘了。
總的來說，不同工具各有擅場，最關鍵的當然還在于業務的掌握和數學方法的掌握(統計學和機器學習等核心方法)。但磨刀不誤砍柴工，把基本工具掌握熟練了百利無一弊。而當你要做大資料分析的時候，還會用到Hadoop等工具(實際上這些工具都是可以結合Hadoop大資料平台聯合起來用的)。而且，工具不是萬能的，業務和資料模組化方法才是萬法之源。
不要被工具迷花了眼哦！
注：本文轉載自CSDN部落客「willtongji」的原創文章