Python是数据分析领域极受欢迎的主流程序语言。为什么要用Python，每位读者见仁见智。然而，无论哪种工具，都有一定的适用范围。本文将以多维对比的方式，说明在什么场景下使用Python更为合理。

数据分析的工具可以分为两类：一是以MATLAB、SPSS、Excel等为代表的具有界面化操作，且可编程辅助的软件式工具，一是以Python、R、Java等为代表的纯编程分析的程序语言式工具。

软件式工具和语言式工具在软件分析领域的优缺点

软件式工具不太适合需要例行化自动分析的问题。比如Nginx每小时产生一批数据，需要统计其中HTTP状态码为200的请求数以及流量峰值等数据。在这种情况下用Python、R或者Java能够很好地实现例行化统计；然而，用Excel或者SPSS实现则非常困难，当然Excel加上VBA也可以实现，但是十分不方便。

软件式工具不太适合大数据处理的问题。对于亿行甚至更多的数据，使用软件式工具分析，其效率极低或者根本无法操作。但是，Python和R等语言式工具，能够通过结合大数据组件，实现对海量数据的有效处理，而且一系列的过程皆可用编程自动化完成。

所以，数据量小，非例行化的分析使用软件式工具可能更加方便；数据量大，或者需要例行化分析输出的场景，选择一门语言式工具进行分析更为高效。

R、Python、Java等语言式分析工具的优缺点

Python、R等属于解释型语言，简单的说就是编写好程序，直接运行，不需要编译链接等各种过程。Java、C++等属于编译型语言，需要对代码进行编译链接等一系列操作，之后才能形成最终的可执行程序。

在数据分析的场景中，解释型语言有诸多好处。

① 不需要编译链接。编译链接的过程是极容易出错的，尤其对于编程能力较弱的数据分析师而言，根本无法解决编译链接中的各种问题。因此，选择解释型语言，其好处不言而喻。

② 相比于C++、Java等编译型语言，Python、R等解释型语言语法和结构相对简单，对于专注于数据分析的新手，一般学习一周左右就可以上手工作了。

③ Python、R拥有和数据分析相关的大量开源库和分析框架，可直接使用，非常方便。

综上，在选择语言式分析工具时，Python、R会是更好的选择。但是，到底用Python还是R呢？如果只针对数据分析，那么Python、R确实没有大的差别；但是，R仅仅在数据分析领域比较成熟，而Python则可以应用到除数据分析以外的几乎所有的程序开发领域。比如，Python可以使用各种开源库简易地实现Web服务端、爬虫等程序；同时，其多样的“语法糖”可以方便地完成复杂的运算和多种设计模式。由于数据分析在多数场景下并不是孤立的，可能需要先完成爬取数据、或者先保存服务端日志等工作，在这种情况下，为什么不用Python呢？

在大数据时代的浪潮中，数据工程师承担着分析和工程的双重角色。他们不仅要掌握数据分析的方法，还需要实现数据的搜集、过滤、存储，并在此基础上分析、挖掘数据的价值，因此，在这样的大背景之下，与当前多种主流的数据分析工具相比，Python具有绝对的优势。

本文选自《Python绝技：运用Python成为顶级数据工程师》，作者黄文青，电子工业出版社2018年6月出版。

仅仅会Python编程是不够的。想成为一名优秀的数据分析工程师，还需要有全方位、透彻理解问题本质的能力，善于把实际的工作任务拆解成准确的数据问题，并运用相关的知识来解决。

本书恰好是从这个角度出发的，它条分缕析地帮助你认识任务的本质，教你从数据的角度来思考、拆解任务，并最终顺利地达成目标。