一、数据预处理

数据预处理是指对原始数据进行基本运算、统计和处理，包括数据导入、统计分析、因子分析、方差分析、假设检验等等，以便后续建模进行深入研究。

1、Excel

Excel 是大家从小就开始接触的数据分析工具，只不过平常能接触到的功能有限，大部分人只挖掘到了 Excel 不到 5% 的功能，关于数据分析这方面，越高版本越好用，甚至可以完成所有的统计分析工作，制表、画图、函数、数据透视表都不在话下，但能处理的数据非常有限，超过 10w 就有些卡顿了。

Excel 能做很多事情，但是想要只通过 Excel 做统计数据分析，还得精通 VBA，学习难度并不小，而且把 Excel 玩成统计工具，还不如专门学统计软件。

2、SPSS

SPSS 的操作很简单，界面也整洁，随便一个视频就能学会，包含了相对全面的模型和分析方法，整体来说 SPSS 的数据分析统计能力很强，但是数据预处理的能力比较差，在正式进行数据分析之前，需要对原始数据进行编码，一般问卷中的文字答案，都要特地编码成数字，才能进行计算。

初学者可以通过 SPSS 了解统计分析的基本操作和原理，如果要更近一步的话，可以学习自带编程语言的工具，在数据处理上会更得心应手一些。

3、SQL

SQL 是最常用的数据库语言，搞数据的人基本绕不过 SQL 这一步，在提取数据和报表开发上有非常大的优势，入门相对比较简单，总结四个字：增删查改。SQL 需要掌握的内容包括数据的定义、控制和操控。理解 SQL 的语法和执行顺序，掌握函数使用技巧，这都是数据分析道路上不可缺少的工具，要入行，SQL 必须要学。

但是 SQL 是一种数据库语言，并没有建模和可视化的功能，就像要学习高等数学之前，得用小学数学做基础一样，SQL 差不多是这种存在吧。

二、数据建模

数据建模就是通过算法来识别事物间存在的潜在规律，能够预测事物发展趋势和用户行为。

1、SAS

SAS 相对 SPSS 其实功能更强大，SAS 是平台化的，主要运用于医疗、金融、电信等行业，相对更难学些，但掌握 SAS 对数据分析更有意义，比如离散选择模型、正交实验设计这些问题还是 SAS 更顺手。

SAS 拥有自己的语言，有大量实战经验的高级玩家会很喜欢，需要通过编程实现数据处理、建模分析，甚至是可视化。所以门槛很高，而且安装包特别大，正版买起来也很贵，自己用的话是不建议的。

2、R

R 是一门用于统计计算与作图的语言，但不仅仅是一门语言，它有数据计算与分析的环境，可以说是专门用于数据分析领域。入门 R，不会很难，花几天时间学，可以掌握基本的数据结构和可视化，在实际解决问题的过程中，去寻找需要的 R 包，结合网络资料阅读使用技巧，基本就能应对。

R 的特点是免费、开源，第三方的 R 包很多，但相应的第三方 R 包的质量也参差不齐，单机处理能力较弱，虽然入门不难，但作为一门语言，操作还是比较抽象。

3、Python

Python 和 R 都属于语言，用 Python 做爬虫和文本处理特别方便，如果从这两种语言里面挑的话，更建议 Python，因为 Python 更常用，数据分析在 Python 这里只是其中的一个能力，Python 还可以用来写 web，做游戏，做后端，做运维等。

虽然这两者都是数据领域的佼佼者，但是 Python 在机器学习、爬虫等领域已经超越 R 了，数据分析也不分伯仲，不过 R 的缺点，Python 也是存在的。有能力的话，两者都可以了解，工作讲究效率，适合自己、效率高才是最重要的。

三、数据可视化

数据可视化主要是以图表的方式将数据结果呈现出来，让数据结果更清晰明了，简单易懂。

事实上，简单的图表可以直接在 Excel 上完成，如果是对付一些庞大的数据，那我建议是直接使用 BI 软件，国内和国外的 BI 软件都可以考虑，国外的发展更完善一些，但对比国内的软件，还是会存在比较贵、和国内习惯不同、汉化等等问题，所以如果是初学、个人使用的话，可以尝试国内的 BI。

BI 软件作为商业智能软件，涵盖了数据整合、数据分析和数据展现的功能，可以直接从数据库中提取数据进行报表和可视化分析，在大数据处理方面的能力很强。例如 Yonghong、FineBI 等等。

数据分析工具很多，突出领域也不同，学习的过程中找到自己的使用节奏，适合自己的工具才能用得趁手。