大多數人對某種語言的追捧，本質上只是對資本市場下某種需求的追逐。
在我們身邊學Python的只有兩類人：搞資料分析的，搞人工智慧的。
一般人做不了人工智慧，大多數人都是奔著做資料分析去的，像爬蟲、視覺化、資料採集這種，不得不說Python在這方面確實很優秀，畢竟是萬能的膠水語言嘛。
恰好，資料分析和人工智慧都是大火的崗位，新興、稀缺、高薪， 多少人搶破了頭也要擠進來。
有這麼多韭菜，資本市場還不狠狠收割一波，所以市場就開始瘋狂鼓吹，像那些培新機構，鼓吹學Python就能找到好工作，就能升職加薪。
市場吹得厲害了，那些企業也就懵了，python相關的崗位井噴式的就爆出來了，然後又吸引了更多韭菜過來湊熱鬧，市場就再收割。
想想之前的安卓、IOS，想想之前的java，想想PHP，再想想現在的python，感覺不是很相像嗎？
數分需要學Python嗎？
不一定。
不管是python、R還是Excel、spss，這些都是資料分析的工具，對於資料分析，核心一直是業務，透過業務的分析邏輯影射到資料分析的處理邏輯，而資料分析工具則是幫助我們實現結果的手段。
如果把資料分析的結果比喻成你要去的一個目的地，那麼python只是可以到達這個目的地的一個交通工具，換句話來說，你換個工具也能做到，所以python和資料分析之間，並不是不可分割的關係。
既然關乎到選工具，肯定是選擇最好用工具才能夠最快達到目的，那python是不是資料分析工具的最佳選擇呢？
也不一定。
不一樣的路適合的交通工具不一樣，同樣，不一樣的型別的資料分析工作，合適的資料分析工具也不一樣。
在實際工作中，資料分析這個大類的崗位層次不一，崗位職能也大不相同，在不同的公司，同樣都叫資料分析師的崗位，可能一個就是給業務取數，提供基礎資料支撐，而另一個卻要涉及資料建模、挖掘。
在這裡我們把資料分析籠統地分為業務向和技術向兩類：
業務類分析師，側重業務分析，一般掛靠在業務部門，或者有單獨資料分析部門，最要工作內容就是對特定業務做專題分析，透過對資料分析來做一些業務規劃、方案等。日常的工作大多就是整理報表，做一些探索性的業務分析，解決業務問題。
技術類分析師，一般都在IT部、資料中心。根據從事的工作環節不同，被分成資料庫工程師，ETL工程師，爬蟲工程師，演算法工程師等角色，主要的工作一般有資料倉庫搭建、專題分析、建模分析、資料探勘預測等。
說完資料分析師的工作內容，再來看目前市場流行的幾類資料分析工具：Excel、python/R、BI工具。
先說大家都熟悉的Excel，excel在資料分析領域的地位不可動搖，尤其對入門新手來說，大部分的人在進入工作之前都多少接觸Excel。
所以在此基礎上要做資料分析，學習Excel是最合適不過的，從簡單的表格製作，資料透視表，寫公式，再到VBA語言，基本能夠滿足80%業務人員的分析需求。
回到正題，我們再說BI工具，BI的誕生，目的是為了縮短從業務資料到經營決策的時間，提高決策效率，所以它的產品設計理念就是圍繞提高資料分析的過程展開的。
和Excel相比，BI工具在分析流程上更加簡化，以我用過的FineBI為例，從資料鏈接、資料處理、到視覺化圖表分析，很多功能都是封裝好的，滑鼠點選拖拽就能迅速完成一次分析。
這樣的視覺化操作介面讓BI的學習門檻大大降低，更適合面向企業中的業務分析人員。
另外，在面對大數據量分析時，BI工具也能彌補Excel的不足，還有一個吸引人的點，就是BI工具的視覺化效果。
在Excel中製作動態圖表或者高階的視覺化圖表效果，需要經過諸多複雜的步驟，用程式語言實現，也需要一行行程式碼調整，才能得到想要的效果但是在BI工具中，簡單拖拽設定，就能製作出令人驚豔的視覺化圖表。
不過，因為BI工具是非開源的，所以在功能上有侷限性，如果產品沒有設計某一項功能，可能就沒有辦法完成分析工作。
這時候Python或R這類程式語言就顯得更加靈活了，只要程式碼寫得好，基本沒有實現不了的東西。
最後總結一下，工具的選擇要根據自身需要，而不是哪個火學哪個，只有最適合自己的才是最好的。
像財務、人事、營運這類的基礎業務分析，Excel完全就夠用了，如果想要提升效率，追求視覺化效果，BI工具也是不錯的選擇，完全沒有必要花費極大的精力去湊Python的熱鬧，當然如果你對程式設計很感興趣，Python還是建議一學的。
那回到一開始的問題，為啥python這麼火？
當然是因為好賺錢，以前網路興起的時候，各種java、C++的培訓炒的火熱，培訓機構大把大把撈金。
現在大數據時代來了，資料分析、資料探勘、人工智慧的概念又火了，一片新的韭菜地出現在眼前，培訓機構們還能放著這麼多的錢不賺？
隨便拿個業內TOP資料分析師的薪資給你畫個月入2W的大餅，實際上你入職大機率6–8K，而且你在培訓課裡學到那點皮毛功夫，還要面臨全網被割韭菜的各行各業神仙轉行來和你PK，最後能找到心儀工作的少之又少。
更慘的是一些無辜小白，在原來的崗位乾的好好的，看到行銷文案，一股心血來潮要轉行，花了大價錢大精力去報班學python，最後轉行也轉不了，反而沒在自身的崗位上有什麼提升，掙大錢的夢破碎了。
最後再強調一下，大部分的資料分析師本質是個業務輔助崗位，核心是對業務的理解能力和資料敏感度，像下面這張圖裡寫的。
那些告訴你學python就能入門資料分析，學python就能做好資料分析的，百分之90都是為了賺錢。
另外，想轉行資料分析的也要慎重考慮，這一行也並不是你想象的那麼美好。
謹以此文送給想要學習Python的大家，切勿對號入座！
文章來源：李啟方
文章連結：https://zhuanlan.zhihu.com/p/248342102
※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※
我是「數據分析那些事」。常年分享數據分析乾貨，不定期分享好用的職場技能工具。各位也可以關注我的Facebook，按讚我的臉書並私訊「10」，送你十週入門數據分析電子書唷！期待你與我互動起來~
文章推薦
◆跟資料打交道的人都得會的這8種資料模型，滿足工作中95%的需求
回顧十週入門數據分析系列文：
關注數據君的臉書：
我是「數據分析那些事」。常年分享數據分析乾貨，不定期分享好用的職場技能工具。按贊我的臉書，會有豐富資料包贈送唷！
