数据分析中的Excel、R、Python、SPSS、SAS和SQL

作为一直想入门数据分析的童鞋们来说，如何选定一门面向数据分析的编程语言或工具呢？注意是数据分析，而不是大数据哦，数据分析是基础了。

 

数据分析的工具千万种，综合起来万变不离其宗。无非是数据获取、数据存储、数据管理、数据计算、数据分析、数据展示等几个方面。而被提到频率最高的如Excel、R、Python、SPSS、SAS、SQL等。那么，这些工具本身到底有什么特点呢，应该如何合理的使用来解决数据分析的各种问题？

 

最简单的是EXCEL，它不仅是简单的而且是必备的。正所谓初级学图表，中级学函数透视表，高级学习VBA。EXCEL功能的强大只有那些正真学过它的人才能知道，我们反对任何关于EXCEL复杂，不实用的说法。在学完VBA之后，EXCEL几乎能解决你在日常工作中遇到的所有问题。EXCEL是你成为数据分析师的必备条件。

 

对于一个初级的数据分析师来说，刚开始如果能精通SQL与Excel再会点SPSS之类的就差不多了。SPSS对用户的要求是只要会点击菜单就可以了，有编程窗口但是一般没人用，用户多是受到过一些统计训练的，但不需要高深的分析能力，市场调研用的比较多，统计专业的学生一般要求掌握。

 

再往后，你可能就需要精通一门统计分析软件了，一般说来如果是互联网行业可能R语言是最为流行，因为R语言是开源的，不过上手还是需要长期的学习；SPSS界面友好型，不过一般是市场研究用的比较多，如果你会用SPSS编程，其实功能还是比较强大的，建议如果想先练手可以学这个，上手快；SAS一般是金融企业特别是银行业和医学统计，银行业人员有一些是用SAS做统计，一般是银行业内部人做的，另一种是给银行业做数据挖掘的公司，不过正版一年也要上百万，不是土豪也用不起，而且SAS学习没人指导很难学；所以看童鞋们的选择，想在传统或者咨询公司做的SPSS比较合适，想去金融特别是银行业SAS不错，想进互联网公司学R语言可能是比较明智。

 

再就是Python。Python在这些工具里面是综合功能最强大的，但是这些功能分散在第三方库里面，没有得到有机的整合，所以学习成本还是比较高的。Python与R不同，Python是一门多功能的语言。数据统计是更多是通过第三方包来实现的。具体来说，常用的Python在统计上面的Package有这样一些：

 

1、Numpy与Scipy。这两个包是Python之所以能在数据分析占有一席之地的重要原因。其中Numpy封装了基础的矩阵和向量的操作，而Scipy则在Numpy的基础上提供了更丰富的功能，比如各种统计常用的分布和算法都能迅速的在Scipy中找到。

 

2、Matplotlib。这个Package主要是用来提供数据可视化的，其功能强大，生成的图标可以达到印刷品质，在各种学术会议里面出镜率不低。依托于Python，可定制性相对于其他的图形库更高。还有一个优点是提供互动化的数据分析，可以动态的缩放图表，用做Adhoc analysis非常合适。

 

3、Scikit Learn。非常好用的MachineLearning库，适合于用于快速定制原型。封装几乎所有的经典算法，易用性极高。

 

4、Python标准库。这里主要是体现了Python处理字符串的优势，由于Python多功能的属性和对于正则表达式的良好支持，用于处理文本是再合适不过的了。

Python是一套比较平衡的语言，各方面都可以，而R是在统计方面比较突出。R的优势在于有包罗万象的统计函数可以调用，特别是在时间序列分析方面（主要用在金融分析与趋势预测）无论是经典还是前沿的方法都有相应的包直接使用；相比Python在这方面贫乏不少。Python的优势在于其胶水语言的特性，一些底层用C写的算法封装在Python包里后性能非常高效。

 

总之R和SAS是专业性比较强的统计软件，统计专业学生必备，SPSS是更大众化的统计软件，Python不是统计软件，而是一种可以用来做各种事情的语言。R和Python现在越来越受到各大公司的喜欢，也必定会成为将来的发展趋势。Python的功能可远远不止用来分析数据，它可以用来开发，建站，写个小APP什么的。我们所知道的果壳网，知乎，DROPBOX等可都是用Python写得哦。如果你能同时学会Python和R，在数据科学领域肯定就游刃有余了。

 

 

 

总的来说，不同工具各有擅场，最关键的当然还在于业务的掌握和数学方法的掌握（统计学和机器学习等核心方法）。但磨刀不误砍柴工，把基本工具掌握熟练了百利无一弊。而当你要做大数据分析的时候，还会用到Hadoop等工具（实际上这些工具都是可以结合Hadoop大数据平台联合起来用的，后面专题介绍）。而且，工具不是万能的，业务和数据建模方法才是万法之源。不要被工具迷花了眼哦！