数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。
数据分析的数学基础在20世纪早期就已确立，但直到计算机的出现才使得实际操作成为可能，并使得数据分析得以推广。数据分析是数学与计算机科学相结合的产物。
推荐课程：Python教程。
Python 这类语言被称为脚本语言，因为它们可以编写简短粗糙的小程序，即脚本。不过这好像在说 Python 无法构建严谨的软件似的，其实经过几年来不断改良， Python 不但拥有强大的数据处理功能，而且完全可以用它构建生产系统 。
不过由于 Python 是一种解释型语言， 大部分 Python 代码都要比编译型语言（比如 C++ 和 Java）的代码慢得多 。所以在那些要求延迟非常小的应用中，为了尽最大可能优化性能，使用 C++ 这种更低级且低生产率的语言更值得。
对于高并发、多线程的应用程序，Python 也不是一种理想的编程语言 ，这是因为 Python 有一个叫 GIL（全局解释器锁）的东西，这是一种防止解释器同时执行多条Python 字节码指令的机制。这并不是说 Python 不能执行真正多线程并行代码，只不过这些代码不能在单个 Python 进程中执行而已。
三、与数据分析相关的 Python 库
NumPy
NumPy 是 Python 科学计算的基础包，它提供：
快速高效的多维数组对象 ndarray；
直接对数组执行数学运算及对数组执行元素级计算的函数；
线性代数运算、随机数生成;
将 C、C++、Fortran 代码集成到 Python 的工具等。
它专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA 用其处理一些本来使用 C++，Fortran 或Matlab 等所做的任务。
Pandas
Pandas 主要提供快速便捷地处理结构化数据的大量数据结构和函数。
Matplotlib
Matplotlib 是最流行的用于绘制数据图表的 Python 库。
IPython
IPython 是 Python 科学计算标准工具集的组成部分，是一个增强的 Python Shell，目的是提高编写、测试、调试 Python 代码的速度。主要用于交互式数据处理和利用matplotlib 对数据进行可视化处理。
SciPy
SciPy 是一组专门解决科学计算中各种标准问题域的包的集合。主要包括以下包：
scipy.integrate: 数值积分例程和微分方程求解器；
scipy.linalg: 扩展了由 numpy.linalg 提供的线性代数例程和矩阵分解功能；
scipy.optimize: 函数优化器以及根查找算法；
scipy.signal: 信号处理工具；
scipy.sparse: 稀疏矩阵和稀疏线性系统求解器；
scipy.special: SPECFUN（这是一个实现了许多常用数学函数的 Fortran 库）的包装器。
scipy.stats: 标准连续和离散概率分布、各种统计检验方法和更好的描述统计法；
sci来源gaodaimacom搞#^代%!码网py.weave: 利用内联 C++ 代码加速数组计算的工具。
Python拥有一个巨大而活跃的科学计算社区
Python在数据分析和交互、探索性计算以及数据可视化等方面都有非常成熟的库和活跃的社区，使python成为数据处理任务重要解决方案。在科学计算方面，python拥有numpy、pandas、matplotlib、scikit-learn、ipython等等一系列非常优秀的库和工具，特别是pandas在处理中型数据方面可以说有着无与伦比的优势，正在成为各行业数据处理任务的首选库。
转载请注明原文链接：python数据分析是什么
