一、计算机编程能力的要求不同

数据分析和数据挖掘都需要编程能力来处理大量数据。但是，数据分析更注重对已有数据进行处理和解释，所以对编程能力的要求相对较低，只需要掌握基本的编程语言和工具即可。例如，Python、R、Excel等工具都可以用于数据分析。而数据挖掘则需要更高级的编程技能，例如机器学习、数据挖掘算法等方面的知识。需要熟悉编程语言如Python、Java等，并且需要掌握常用的数据挖掘工具和库，例如Scikit-learn、TensorFlow等。

二、侧重于解决的问题不同

数据分析和数据挖掘的侧重点也有所不同。数据分析更注重对已有数据的统计分析和可视化展示，以了解数据的特征和趋势，并给出建议。数据分析通常应用于业务流程的优化、客户行为分析等方面。而数据挖掘则更注重在大数据中发现隐藏的模式和规律，以及预测未来的趋势和行为。数据挖掘通常应用于风险控制、广告推荐、金融预测等方面。

三、对专业知识的要求不同

数据分析和数据挖掘都需要掌握统计学和数据分析的基本知识，但是对于专业知识的要求有所不同。数据分析需要掌握基本的统计学、数据可视化、数据清洗、数据处理等技能，以及业务领域的相关知识。例如，对于医疗保险领域的数据分析，需要了解医疗保险的相关知识。而数据挖掘则需要掌握更深入的机器学习、数据挖掘算法等方面的知识，以及相关领域的知识。例如，对于金融领域的数据挖掘，需要了解金融市场的相关知识。

数据分析和数据挖掘的相似之处

1.数据驱动

数据分析和数据挖掘都是基于数据驱动的，需要大量的数据来进行分析和挖掘。数据的质量和数量对于分析和挖掘的结果至关重要。

2.目标相同

数据分析和数据挖掘都旨在发现数据中的规律和趋势，以帮助企业做出更好的决策。它们都是通过对数据的分析和挖掘，提供数据驱动的决策支持。

3.数据预处理

在进行数据分析和数据挖掘之前，都需要对数据进行预处理。预处理包括数据清洗、数据转换、数据集成和数据规约等操作，以确保数据的质量和可用性，为后续的分析和挖掘做好准备。

4.数据可视化

数据可视化是数据分析和数据挖掘的重要手段之一，可以帮助用户更直观地理解数据。数据分析和数据挖掘都需要通过可视化手段，将分析和挖掘结果以图表、图形等形式展示出来，以便用户更好地理解。

5.数据建模

数据分析和数据挖掘都需要进行数据建模，以便更好地分析和挖掘数据。数据建模包括定义数据模型、选择合适的算法等过程，以挖掘数据中的有用信息。

综上所述，数据分析和数据挖掘虽然都是从数据中提取有用信息的过程，但是它们的侧重点、解决的问题、对编程能力和专业知识的要求等方面有很大的区别。对于计算机编程能力要求较低，注重对已有数据的分析和处理的人，可以选择数据分析。对于具有较高的编程技能和专业知识，注重在大数据中发现隐藏的模式和规律，以及预测未来的趋势和行为的人，可以选择数据挖掘。