什么是數據分析？

如果給你淘寶一整年的購物數據，這些數據能賣多少錢。這些數據在電商巨頭手里可能價值不下于十億。

他們能通過這些來優化自己的推薦算法。通過每個用戶的購物數據來對用戶建立用戶畫像，打上“年齡段20-25”、二次元、或者程序員。

你自己攢了一臺電腦，但是沒配鍵盤，淘寶就給你推cherry的鍵盤。

你近期買了一個貓砂盆，判斷你已化身貓奴，于是瘋狂給你首頁推貓糧

與你打著同樣二次元標簽的用戶最近喜歡上了鬼滅之刃，于是手辦推送也給你安排上了。

這一切哪怕只能淘寶帶來了10%成交額的上升，利潤都不止十億。

數據分析的常規過程

數據為業務服務。

這是做數據分析的核心要點。

常規的業務分析有以下歷程：

1. 確定目的
2. 獲取數據
3. 清洗數據
4. 數據分析
5. 數據可視化
6. 得出結論

為什么用 Python 來做數據分析

在 Python誕生的初期，它一度被看作一種不嚴謹的腳本語言，被用來處理一些瑣碎的工作。不過經過長期的發展，Python 衍生出了許多活躍的社區。使用 Python 開發的項目越來越多，Python 已經成為了數據科學、機器學習、學術界和互聯網開發最重要的語言的之一。近兩年更是被 IEEE 評選為最受歡迎的語言。

正是因為 Python 通用性，使得我們單單使用 Python 便能完成數據分析的整個過程。從數據的獲取到數據的數學計算再到分析結果的展示都可以用 Python 獨立高效地完成。避免了同時使用多個工具的繁雜工作。并且 Python 的易用性使得我們可以專注于基于業務場景的數據分析，不用考慮過多的語法細節。

如 Pandas 等運算庫都使用cython優化過，使得 Python 下對于大量數據的處理速度已經不亞于靜態語言。pyecharts等的優秀圖表展示庫使得我們能展示更漂亮的圖表，生成一個可交互的網頁。爬蟲方面的天然優勢使得我們獲取網絡上的數據變得更加簡單。

可以說 Python 已經是數據分析的不二之選。