Python简介
Python 是一种计算机编程语言，由荷兰国家数学与计算机科学研究中心的吉多·范罗苏姆于1990年代初设计。2017 年荣膺“2017年度编程语言”，以其较高的增长率超越老牌语言 C、Java、C++。2019 年 TOIBE 年度编程语言排行榜中 Python 以 +1.4% 的增长率稳居第三位，就在前不久 IEEE Spectrum 发布了 2020 年编程语言排行榜，Python 超越 C语言与 Java 处于冠军宝座位置。Python 语言自 1991 年问世以来，成为当下最流行的解释语言之一。
由于 Python 语言的简洁性、易读性以及可扩展性，在国外用 Python 做科学计算的研究机构日益增多，一些知名大学已经采用 Python 来教授程序设计课程；在国内 Python 语言被纳入初高中以及大学教材。
Python 之所以能经久不衰且有愈演愈烈的态势，和当前发展迅猛的人工智能以及数据分析有不可分割的原因，Python 强大的科学计算扩展库，被广大程序设计师以及企业所认同。例如常用3个经典的科学计算库：NumPy、SciPy 和 Matplotlib，它们分别为 Python 提供了快速数组处理、数值运算以及绘图功能。
综上所述，Python 语言及其众多的扩展库所构成的开发环境十分适合工程技术、科研人员处理实验数据、制作图表等。下面我们就详细介绍为什么选择 Python 做数据分析以及它的优缺点。
对于数据分析者而言，经常需要从事：数据库操作、报告撰写、数据可视化、数据挖掘的工作。这些工作不写代码也可以操作，利用 Excel 进行数据可视化、使用 SPSS 等一些亲民类平台工具进行数据挖掘，使用平台工具虽然可操作性强，但是不可避免的会存在重复机械的劳动，从而降低自己的工作效率，但如果你会用 Python 编写代码，操作的自由度更高，发展的潜力更大。
Python的优势
与其他工具相比，Python 具有生态繁荣、过程可控可复用、与人工智能结合紧密、开源免费等优势。
Python生态繁荣
Python 语言拥有简洁易读的特性，它是个生态完善且开源软件包很多的高级动态编程语言。在数据分析过程中，可以通过调用不同的包来完成相应的工作。
分析过程可控可复用
当我们使用 Python 做数据分析时，可以将分析的过程保存下来，从而实现对分析过程的追溯，最后当一个数据分析的任务完成后，我们可以代码以脚本的形式保存下来，以实现后续复用的目的，从而提升你的工作效率。
Python与AI紧密相连
你可能感觉人工智能是很神秘的事物，其实它离数据分析师并不遥远。现在大部分深度学习框架都优先选择支持 Python 语言。
Python是开源免费的工具
和 Excel、SPSS 等商业工具相比，Python 是免费开源的，属于全人类的智慧财产，不存在因诸如中美冲突等政治因素而影响使用的可能性。
Python的劣势
使用 Python 作为数据分析工具最大的问题在于学习成本高、易用性不如商业工具等方面。
学习成本高，但这个学习成本是值得投入的，因为 Python 作为编程语言，不仅仅使用在数据分析领域，在其它领域如办公自动化、网络爬虫等等领域都能大展身手，从这个角度说，学习成本高的劣势，可以通过高回报得以抵消。 使用时需要编程。像 SPSS、Excel 等软件，分析人员只需要点点鼠标即可得到结果。但使用 Python 分析数据需要分析人员书写代码。从这个方面说，Python 的易用性不如其他工具。
小结
使用 Python 作为数据分析工具，有学习成本高、使用不够简便等缺点，但具有高度灵活、生态繁荣、面向未来、开源免费等优势。总体而言，Python 是值得投入时间精力学习的工具。
Python 能力非常全面：Numpy，Pandas 是专门为数据分析打造的工具，而 Matplotlib 等工具则提供了可视化的捷径；如果没有数据，Python 还可以非常便捷地用来编写爬虫程序，解决数据来源的问题。利用 Python 工具，可以在最短的时间内，打通数据获取、清洗、统计、到可视化的整个流程。并且 Python 语法简单易学，学习曲线平滑，非常适宜没有编程基础或者非科班出身的学习者学习。