資料分析的方法都是一樣的。Python好用的話應該是在資料探勘機器學習等方面。Python的標準庫很好用，而且庫很專一內容很全。用過r，但覺得還是Python好用。再就是深度學習的庫基本都會支援Python，在Python上呼叫也很方便。

真得只是工具而已，突破了傳統工具的一些限制。

如果思路有限，會python也只是淪為分析的執行者而已，不能說是會分析。

傳統的資料分析一般指透過Excel、SPSS或者SAS等工具，基於傳統的統計分析方法，對資料進行分析。

相比Excel，Python能夠處理更大的資料集，還能夠建立複雜的機器學習模型。總結一下，用Python進行資料分析相對於傳統資料分析有以下三點優勢：

Python有豐富的用於資料分析的第三方庫，例如Numpy、Pandas、Matplotlib、PyMySQL等。

Numpy：開源的數值計算框架，能夠處理向量、矩陣等各種問題，相當於一個迷你MATLAB，小巧而且免費！

Pandas：基於Numpy構建，為時間序列分析提供了很好的支援，對於資料的預處理、連線外部資料檔案等有強大的支援，藉助於Pandas，Python可以很方便地連線外部資料來源，例如csv、xlsx、json等檔案。

Matplotlib：一個優秀的資料視覺化庫，能夠繪製常用的資料分析圖表，還能夠繪製三維圖形。

PyMySQL：可以讓Python很方便地連線MySQL資料庫，對資料庫中的資料進行分析。

簡單來說，Excel能做到的Python都能做到，但是Excel不能進行強大的程式設計及複雜的分析。但要說明的是，有些情況下，Python雖然能做到，但是不如Excel方便。

很多資料分析問題，光憑傳統的統計分析方法已經無法解決，還需要藉助於更強大的機器學習演算法，而Python中的scikit-learn幾乎能夠實現所有的機器學習演算法，呼叫起來非常方便。

監督學習演算法：線性迴歸，分類演算法如K近鄰演算法、決策樹、邏輯迴歸、SVM及整合學習方法。

無監督學習演算法：聚類分析、關聯分析。

隨著資料量的日益增多，很多公司採用大資料技術來處理資料，如Hadoop、Spark等。

Python結合Spark，能夠在大資料平臺下進行海量資料的分析與挖掘。

最後，也是最重要的，Python是免費的，絕大多數資料分析工具都是收費的，而且價格不低。