Python官方在今年2月做了一份報告，從官方的角度說明了Python的使用狀況和受歡迎程度：

該調查由 Python 軟件基金會與 JetBrains 一起發起，有來自 150 多個國家的超過兩萬名開發人員參與。

從官方喜出望外的報告中，我們可以看到Python受到大部分人的歡迎，依舊是用戶手中的香餑餑：

在Python的用途上，大家使用Python最常用的場景是數據分析，從漲幅來看也是最高的。相關的機器學習場景漲幅也有7%。

這不禁引出一個問題：Python作為編程語言在數據分析領域的地位似乎舉足輕重，但明明有更親民的Excel、Tableau、PowerBI等軟件，為什么數據分析師最終都會代碼化？

作為一名使用Python的數據分析師，我想舉幾個小例子說明：

原因 1

鼠標操作流程手速太慢

即使是打游戲，手速也很大程度上來源于快捷鍵的使用。

數據分析也一樣，代碼能簡化大量鼠標操作流程，用語言將過程“腳本化”，會幫助分析師減去不必要的操作時間，留出更多時間放在“分析過程”上。

舉個例子，Excel做分析的過程可能是：定位空值-刪除空值-修改數據格式-去除異常值-公式計算-數據透視表-整理數據-插入圖表-調整結果……

繁瑣的每一步都是來自鼠標點擊，中間錯誤了哪一步，很多步驟都需要重新調整，浪費大量時間。

圖中演示的是使用Excel進行簡單的描述統計分析過程，比較繁瑣。

Python靠的是代碼編寫每一步過程，統一語言帶來記錄方法的統一。當分析過程需要修改，只需要調整設定好的參數，效率當然嗖嗖的。

使用Python代碼可以迅速調用數據，計算需求，并記錄每一步過程，方便修改。

原因 2

Python擁有強大的庫

分析軟件每開發出一個新功能需要大量投入。而Python作為編程語言，開發新工具相對容易，一個人開發一個庫的例子比比皆是。并且Python的使用熱度帶來了大量的大神，Python工具庫可謂應有盡有，這也是Python有前文報告中眾多用途的原因。

回到數據分析，以Python可視化必知基本庫matplotlib為例，光是他的官方gallery就有26個大類527個樣式，數量上就碾壓了市面上大部分同功能軟件。

matplotlib官網：https://matplotlib.org/tutorials/index.html

此外Python可視化類工具會有針對圖表樣式進行調整的代碼，也可以交互，幾行代碼，省時省力，分分鐘關機下班。

原因 3

代碼輔助數學算法

小時候不愛數學，因為討厭記繁瑣的公式和進行步驟推算，一步算錯，步步算錯，而且我還無法理解為什么老師要求這么算。

但代碼的出現拯救了我對數學的偏見。它能從特例的角度復現數學推理過程。通過計算機成千上萬次的計算，讓我更快理解算法的含義。

截圖來自3blue1brown的微積分教學視頻《微積分的本質》

以一道高中數學求導題為例:

求y=x2在x=2時的導數。

這道題不難，使用求導公式可知導數是4。但很多函數是不方便推導求導公式的，是否可以從導數的定義出發，尋找特例說明問題？

有的。

這道題要求的其實是連續可導函數f的曲線上，x=2時切線的斜率，那么我們可以定義一個移動的點m，使得m不斷的接近x，當（m-x）足夠小時，(f(m)-f(x))/（m-x）會越來越接近該點的所在曲線的切線斜率，也就是我們要求的導數。

圖中所示程序迭代了1000次，點m以一定的0.01個單位的速度不斷趨近x，結果導數（斜率）在不斷趨近于4。

通過這個案例，我想說明的是代碼的存在讓模擬和迭代變得可能，定義一個規則，找到一個特例，讓程序模擬千萬遍，答案會呼之欲出。

這是一種使用程序構建算法的思想。

另一個有趣的案例是基于Python的梯度下降算法，使用Python多次模擬尋找最小化的損失函數和模型參數值。

案例文名為《Python推導線性回歸模型》的文章，用到了梯度下降的方法推導出線性回歸模型，適合python數據分析及機器學習初學者觀看，完整鏈接見文末。

總結一下，數據分析師為什么會要求寫代碼？

原因在于代碼在數據分析上更高效、豐富和自由。事實上代碼不僅幫助分析，更能幫助邏輯思維。

如果你想自己感受下使用代碼做數據分析帶來的高效，建議你現在就可以開始學習Python。