數據分析編程語言

A. python怎麼做數據分析

無論是自學還是怎麼的，記住自己學習Python的目標——從事數據科學，而非Python軟體開發。所以，Python入門的方向，應該是掌握Python所有的相關概念、基礎知識，為後續Python庫的學習打基礎。

需要掌握的數據分析基本庫有

Numpy

Numpy是Python科學計算的基礎包。

Pandas

它提供了復雜精細的索引功能，能更加便捷地完成重塑、切片和切塊、聚合以及選取數據子集等操作。因為數據操作、准備、清洗是數據分析最重要的技能，所以Pandas也是學習的重點。

Matplotlib

Matplotlib是最流行的用於繪制圖表和其它二維數據可視化的Python庫，它非常適合創建出版物上用的圖表。

Scikit-learn

Scikit-learn是Python的通用機器學習工具包。它的子模塊包括分類、回歸、聚類、降維、選型、預處理，對於Python成為高效數據科學編程語言起到了關鍵作用。

只需要學習Python入門的知識以及4個數據分析相關的庫，就能上手使用Python進行數據分析了。另外如果需要獲取外部網站數據的話，還需要學習爬蟲。

B. 哪種語言是用來進行數據分析,機器學習的第一大編程語言

應該是PYTHon吧。

C. 數據分析需要掌握些什麼知識

數據分析所需要掌握的知識：

• 數學知識

對於初級數據分析師來說，則需要了解統計相關的基礎性內容，公式計算，統計模型等。當你獲得一份數據集時，需要先進行了解數據集的質量，進行描述統計。

而對於高級數據分析師，必須具備統計模型的能力，線性代數也要有一定的了解。

• 分析工具

對於分析工具，SQL 是必須會的，還有要熟悉Excel數據透視表和公式的使用，另外，還要學會一個統計分析工具，SAS作為入門是比較好的，VBA 基本必備，SPSS/SAS/R 至少要熟練使用其中之一，其他分析工具（如 Matlab）可以視情況而定。

• 編程語言

數據分析領域最熱門的兩大語言是 R 和 Python。涉及各類統計函數和工具的調用，R無疑有優勢。但是大數據量的處理力不足，學習曲線比較陡峭。Python 適用性強，可以將分析的過程腳本化。所以，如果你想在這一領域有所發展，學習 Python 也是相當有必要的。

當然其他編程語言也是需要掌握的。要有獨立把數據化為己用的能力, 這其中SQL 是最基本的，你必須會用 SQL 查詢數據、會快速寫程序分析數據。當然，編程技術不需要達到軟體工程師的水平。要想更深入的分析問題你可能還會用到：Exploratory analysis skills、Optimization、Simulation、Machine Learning、Data Mining、Modeling 等。

• 業務理解

對業務的理解是數據分析師工作的基礎，數據的獲取方案、指標的選取、還有最終結論的洞察，都依賴於數據分析師對業務本身的理解。

對於初級數據分析師，主要工作是提取數據和做一些簡單圖表，以及少量的洞察結論，擁有對業務的基本了解就可以。對於高級數據分析師，需要對業務有較為深入的了解，能夠基於數據，提煉出有效觀點，對實際業務能有所幫助。對於數據挖掘工程師，對業務有基本了解就可以，重點還是需要放在發揮自己的技術能力上。

• 邏輯思維

對於初級數據分析師，邏輯思維主要體現在數據分析過程中每一步都有目的性，知道自己需要用什麼樣的手段，達到什麼樣的目標。對於高級數據分析師，邏輯思維主要體現在搭建完整有效的分析框架，了解分析對象之間的關聯關系，清楚每一個指標變化的前因後果，會給業務帶來的影響。對於數據挖掘工程師，羅輯思維除了體現在和業務相關的分析工作上，還包括演算法邏輯，程序邏輯等，所以對邏輯思維的要求也是最高的。

• 數據可視化

數據可視化主要藉助於圖形化手段，清晰有效地傳達與溝通信息。聽起來很高大上，其實包括的范圍很廣，做個 PPT 里邊放上數據圖表也可以算是數據可視化。

對於初級數據分析師，能用 Excel 和 PPT 做出基本的圖表和報告，能清楚地展示數據，就達到目標了。對於稍高級的數據分析師，需要使用更有效的數據分析工具，根據實際需求做出或簡單或復雜，但適合受眾觀看的數據可視化內容。

• 協調溝通

數據分析師不僅需要具備破譯數據的能力，也經常被要求向項目經理和部門主管提供有關某些數據點的建議，所以，你需要有較強的交流能力。

對於高級數據分析師，需要開始獨立帶項目，或者和產品做一些合作，因此除了溝通能力以外，還需要一些項目協調能力。

D. 數據分析用r還是python

使用Python：

Python最初是作為用於軟體開發的編程語言開發的（後來添加了數據分析工具），因此具有計算機科學或軟體開發背景的人們可能會更舒適地使用它。

因此，從其他流行的編程語言（例如Java或C ++）到Python的過渡比從那些語言到R的過渡容易。

使用R：

R有一組稱為Tidyverse的軟體包，這些軟體包提供了功能強大但易於學習的工具，用於導入，操作，可視化和報告數據。使用這些工具，沒有任何編程或數據分析經驗（至少是軼事）的人可以比Python更快地提高生產力。

總體而言，如果我們或我們的員工沒有數據分析或編程背景，R可能更有意義。

E. 如何利用python語言進行數據分析

隨著互聯網的不斷發展，數據分析已經成為指導我們工作方向的主要依據之一，而今天我們就一起來了解一下，如何利用python編程開發來進行數據分析，下面電腦培訓http://www.kmbdqn.com/就開始今天的主要內容吧。

為什麼要學習Python進行數據分析?

Python作為一種用於數據分析的語言，近引起了廣泛的興趣。我以前學過Python的基礎知識。下面是一些支持學習Python的原因:

開源-免費安裝

很棒的在線社區

簡單易學

可以成為數據科學和基於web的分析產品生成的通用語言

不用說，它也有一些缺點:

它是一種解釋語言而不是編譯語言——因此可能會佔用更多的CPU時間。但是，考慮到節省了程序員的時間(由於易於學習)，它仍然是一個不錯的選擇。

Python 2.7 和 3.4

這是Python中受爭議的話題之一。您一定會遇到它，特別是如果您是初學者的話。這里沒有正確/錯誤的選擇。這完全取決於情況和你的需要。我會試著給你一些建議來幫助你做出明智的選擇。

為什麼Python 2.7 ?

很棒的社區支持!這是你早年需要的東西。Python 2於2000年末發布，已經使用了超過15年。

過多的三方庫!雖然許多庫都提供了3.x支持，但仍然有很多模塊只能在2.x版本上工作。如果您計劃將Python用於特定的應用程序，比如高度依賴外部模塊的web開發，那麼使用2.7可能會更好。

F. 數據編程語言有哪些

1、Python語言

如果你的數據科學家不使用R，他們可能就會徹底了解Python。十多年來，Python在學術界當中一直很流行，尤其是在自然語言處理（NLP）等領域。因而，如果你有一個需要NLP處理的項目，就會面臨數量多得讓人眼花繚亂的選擇，包括經典的NTLK、使用GenSim的主題建模，或者超快、准確的spaCy。同樣，說到神經網路，Python同樣游刃有餘，有Theano和Tensorflow；隨後還有面向機器學習的scikit-learn，以及面向數據分析的NumPy和Pandas。
還有Juypter/iPython――這種基於Web的筆記本伺服器框架讓你可以使用一種可共享的日誌格式，將代碼、圖形以及幾乎任何對象混合起來。這一直是Python的殺手級功能之一，不過這年頭，這個概念證明大有用途，以至於出現在了奉行讀取－讀取－輸出－循環（REPL）概念的幾乎所有語言上，包括Scala和R。
Python往往在大數據處理框架中得到支持，但與此同時，它往往又不是「一等公民」。比如說，Spark中的新功能幾乎總是出現在Scala/Java綁定的首位，可能需要用PySpark編寫面向那些更新版的幾個次要版本（對Spark Streaming/MLLib方面的開發工具而言尤為如此）。
與R相反，Python是一種傳統的面向對象語言，所以大多數開發人員用起來會相當得心應手，而初次接觸R或Scala會讓人心生畏懼。一個小問題就是你的代碼中需要留出正確的空白處。這將人員分成兩大陣營，一派覺得「這非常有助於確保可讀性」，另一派則認為，我們應該不需要就因為一行代碼有個字元不在適當的位置，就要迫使解釋器讓程序運行起來。

2、R語言

在過去的幾年時間中，R語言已經成為了數據科學的寵兒——數據科學現在不僅僅在書獃子一樣的統計學家中人盡皆知，而且也為華爾街交易員，生物學家，和矽谷開發者所家喻戶曉。各種行業的公司，例如Google，Facebook，美國銀行，以及紐約時報都使用R語言，R語言正在商業用途上持續蔓延和擴散。
R語言有著簡單而明顯的吸引力。使用R語言，只需要短短的幾行代碼，你就可以在復雜的數據集中篩選，通過先進的建模函數處理數據，以及創建平整的圖形來代表數字。它被比喻為是Excel的一個極度活躍版本。
R語言最偉大的資本是已圍繞它開發的充滿活力的生態系統：R語言社區總是在不斷地添加新的軟體包和功能到它已經相當豐富的功能集中。據估計，超過200萬的人使用R語言，並且最近的一次投票表明，R語言是迄今為止在科學數據中最流行的語言，被61%的受訪者使用(其次是Python，39%)。

3、JAVA

Java，以及基於Java的框架，被發現儼然成為了矽谷最大的那些高科技公司的骨骼支架。 「如果你去看Twitter，LinkedIn和Facebook，那麼你會發現，Java是它們所有數據工程基礎設施的基礎語言，」Driscoll說。
Java不能提供R和Python同樣質量的可視化，並且它並非統計建模的最佳選擇。但是，如果你移動到過去的原型製作並需要建立大型系統，那麼Java往往是你的最佳選擇。

4、Hadoop和Hive

一群基於Java的工具被開發出來以滿足數據處理的巨大需求。Hadoop作為首選的基於Java的框架用於批處理數據已經點燃了大家的熱情。Hadoop比其他一些處理工具慢，但它出奇的准確，因此被廣泛用於後端分析。它和Hive——一個基於查詢並且運行在頂部的框架可以很好地結對工作。

G. 問題做數據挖掘一般是用什麼編程語言比較好

數據挖掘的編程語言，一般要看用於什麼領域來進行選擇，介紹一下數據挖掘的編程語言的應用：

數據挖掘會用到SQL結構化查詢語言，其它任何編程語言僅是藉助SQL結構化查詢語言完成資料庫的操作、查詢和維護。結構化查詢語言(Structured Query Language)簡稱SQL，是一種特殊目的的編程語言，是一種資料庫查詢和程序設計語言，用於存取數據以及查詢、更新和管理關系資料庫系統。一般來說做數據分析挖掘每種編程語言基本都能做。比如在社會經濟領域，普遍應用的是SPASS、SAS、MODELER等，一般的話，應用EXCEL也是可以的；在其他領域，編程能力強的可以用MATLAB，Python，R等語言.上面這幾種最好都學一下,做分析方面,R語言是強項。數據可視化是Matlab。但是挖數據要做爬蟲，這個又會用到Java和Python,Python是個全能，在分析方面有Numpy，Scipy等數據分析庫，又有很多爬蟲庫，還有matplotlib的庫把數據可視化。

如果你想了解數據挖掘使用什麼編程語言,推薦CDA數據分析師的課程,課程主要培養學員硬性的數據挖掘理論與Python數據挖掘演算法技能的同時，還兼顧培養學員軟性數據治理思維、商業策略優化思維、挖掘經營思維、演算法思維、預測分析思維，全方位提升學員的數據洞察力。課程以項目調動學員數據挖掘實用能力的場景式教學為主，在講師設計的業務場景下由講師不斷提出業務問題，再由學員循序漸進思考並操作解決問題的過程中，幫助學員掌握真正過硬的解決業務問題的數據挖掘能力。點擊預約免費試聽課。

H. 做數據挖掘一般是用什麼編程語言比較好

做數據挖掘一般是用什麼編程語言比較好這個問題得看什麼領域。

比如在社會經濟領域，spss,sas,modeler等工具一般的excel也可以。其他領域，編程能力強的可以用MATLAB，Python，R等語言。上面這幾種最好都學一下。數據挖掘處理數據之多，挖掘模式之有趣，使用技術之大量，應用范圍之廣泛都將會是前所未有的；而數據挖掘任務之重也一直並存。這些問題將繼續激勵數據挖掘的進一步研究與改進。數據挖掘應當更正確的命名為「從數據中挖掘知識」，不過後者顯得過長了些。數據挖掘——從大量數據中挖掘有趣模式和知識的過程。

如果你想學習更多關於數據挖掘方面的知識，推薦CDA數據分析師的課程，它安排了Sklearn/LightGBM、Tensorflow/PyTorch、Transformer等工具的應用實現，並根據輸出的結果分析業務需求，為進行合理、有效的策略優化提供數據支撐。課程培養學員硬性的數據挖掘理論與Python數據挖掘演算法技能的同時，還兼顧培養學員軟性數據治理思維、商業策略優化等思維，全方位提升學員的數據洞察力。點擊預約免費試聽課。