在看到知乎上有個問題：

我都會用Excel了，還有必要學Python嗎？

這個問題大概率可以說明問這個問題的這位同學目前還沒有遇到非Python不可的場景，之所以產(chǎn)生了學Python的念頭是因為這兩年P(guān)ython實在是太火了，如果自己不學總覺得差點什么。但是學了一點以后又發(fā)現(xiàn)Python做的那些事情，我Excel也可以做，既然如此，我為什么還要費這么大勁去學Python呢？

為什么要學Python

大家在學一個工具或者一項知識的時候，一定不要為了學而學，這樣不僅學起來很痛苦，而且很難堅持下去的。

那既然如此，是不是我們就可以不學Python了？不是的，你想想為什么現(xiàn)在幾乎所有的招聘要求上都會要求掌握Python技能？

原因主要有兩個：

1、有些事情雖然Excel也能做，但是用Python效率會更高?

2、有些事情是只有Python可以做，而Excel是做不了的

綜合這兩個原因，就要求你必須掌握Python技能，雖然不一定100%的工作都用Python，但是不得不用Python的時候你得會。

Excel和Python在不同場景下的異同

接下來我們就圍繞一名數(shù)據(jù)從業(yè)者在工作中可能會涉及到的工作內(nèi)容進行展開，看看不同工作內(nèi)容下，Excel和Python的異同。主要從以下幾方面進行展開：

• 數(shù)據(jù)處理與運算

• 報表自動化

• 圖表可視化

• 統(tǒng)計檢驗

• 機器學習算法

數(shù)據(jù)處理與運算

數(shù)據(jù)處理與運算這部分工作是我們工作中的大頭，我們先來看下關(guān)于數(shù)據(jù)處理與運算中比較高頻的一些內(nèi)容：

學過Excel的同學對這些應(yīng)該都不陌生，這些內(nèi)容在Excel是完全可以實現(xiàn)，在Python中也是可以實現(xiàn)的，那我們應(yīng)該如何選呢？

原則就是哪個方便用哪個，如果你現(xiàn)在只有100行數(shù)據(jù)，你現(xiàn)在要對這100行數(shù)據(jù)進行降序排列，這個時候肯定用Excel效率更高，你用Python的話還需要先把數(shù)據(jù)導(dǎo)入到Python中以后再做處理，相對來說更麻煩一些。

但如果你的數(shù)據(jù)條數(shù)超過10萬行，你試著用Excel執(zhí)行一下刪除重復(fù)值的操作，幾乎會瞬間無響應(yīng)，然后Excel就閃退了，很多人又沒有及時保存文件的習慣，閃退會導(dǎo)致之前做的工作白做了。如果你用Python的話，首先Python處理幾十萬條數(shù)據(jù)的時候，速度還是可以的，即使速度慢一點，大多數(shù)時候是不會出現(xiàn)軟件閃退的，而且即使閃退了，之前的代碼是有的，只需要把之前的代碼重新運行一遍就好了，不需要重頭再做。

如果你的數(shù)據(jù)超過100萬行，那么就只能用Python了，因為Excel的最大行數(shù)為1048576行。

需要聲明的是，不管是Excel還是Python，數(shù)據(jù)處理速度會跟電腦自身的性能有很大關(guān)系。

綜上，如果你平常接觸的數(shù)據(jù)都是10萬以內(nèi)的小數(shù)量級，那么其實是可以不學Python的，但如果需要經(jīng)常處理大數(shù)量級的數(shù)據(jù)，還是有必要學一學Python的。

報表自動化

報表是作為一個數(shù)據(jù)從業(yè)者不得不做的一件事，常見的報表就是日報、周報、月報這些，這些報表有一個好處就是格式比較固定，只有固定的內(nèi)容我們就可以進行自動化。而所謂的自動化就是讓機器代替人工做事情的過程。

下圖是我列的常規(guī)報表自動化的流程，主要分為5個步驟，核心在于前兩個步驟，先對整個報表制作流程進行拆解，拆解成若干個小的步驟，然后再找每個步驟對應(yīng)的代碼是什么，最后把小步驟的代碼合并起來就是整個報表制作的代碼，我們每次只需要把寫好的代碼運行一遍，結(jié)果就自動出來了，也就達到了報表自動化的目的。

運行效率：

在代碼這一塊我們既可以用Excel中的VBA，也可以用Python。那我們應(yīng)該如何選呢？首先看效率問題，有個博主專門測試過Python和VBA逐行讀取同一個文件，Python耗時0.639秒，VBA耗時2.855秒，兩者相差4.x多倍。

博文鏈接：

https://www.cnblogs.com/metree/p/3477351.html

書寫效率：

除了執(zhí)行效率方面以外，還有就是代碼書寫效率，下面截圖是從網(wǎng)上找的一個關(guān)于讀取txt文件的VBA代碼：

文檔鏈接：

https://blog.csdn.net/weixin_42578747/article/details/90111536

下面是用Python讀取txt文件時的代碼：

import?pandas?as?pd pd.read_table('file_name.txt')

是不是明顯Python的代碼要更簡潔，而且更容易理解，read_table就是讀取文件，多直觀。

綜上，如果是平常有大量工作需要自動化的話，也還是有必要學習Python的。

圖表可視化

效率方面：

圖表可視化也是我們?nèi)粘９ぷ髦斜容^使用比較高頻一部分，圖表除了傳遞信息以外，還要盡可能的美觀，讓看表的人視覺體驗更好。

下圖中左半圖時Excel默認的折線圖樣式，右半圖時Python中Seaborn庫中默認的折線圖樣式，很明顯右圖要比左圖觀看體驗上更好一些。

雖然Excel圖表在進行專門的樣式設(shè)置以后也能達到比較好看的效果，但是進行樣式設(shè)置很耗費時間的，我們還是希望用更少的時間得到稍微不那么丑的圖表。

再比如繪制統(tǒng)計學中的核密度圖，雖然Excel中也可以通過復(fù)雜的操作實現(xiàn)，但是Python中只需要如下一行代碼就可以繪制出比較好看的核密度圖：

sns.displot(penguins,?x="flipper_length_mm",?hue="species",?kind="kde",?multiple="stack")

圖表全面性：

上面是看了Excel和Python的在效率方面的差異，接下來我們看下在圖表全面性方面兩者的差別。

折線圖、柱狀圖是比較常見的一些圖表，除了這些比較常規(guī)的圖表以外，我們有的時候我們還會去繪制一些比較專業(yè)圖表，比如小提琴圖，在Excel里面就不太好去實現(xiàn)，而在Python里面也只需要如下一行代碼就可以輕松實現(xiàn)：

sns.catplot(x="day",?y="total_bill",?hue="sex",kind="violin",?split=True,?data=tips)

在圖表可視化方面，Python中有很多的庫可以供我們使用，下面是一些比較常用的庫的官網(wǎng)，我們只需要根據(jù)具體場景選擇適合自己的就好了。

matplotlib官網(wǎng)：https://matplotlib.org/?

pyecharts官網(wǎng)：https://pyecharts.org/#/?

seaborn官網(wǎng)：https://seaborn.pydata.org/index.html

plotly官網(wǎng)：https://chart-studio.plotly.com/feed/#/?

Boken官網(wǎng)：https://docs.bokeh.org/en/latest/

綜上，如果平常工作中對圖表的視覺體驗沒太多要求，而且也涉及到一些高級的統(tǒng)計圖表的話，Excel就用了。如果要是對效率和圖表的全面性都有要求的話，還是有必要學Python的。

統(tǒng)計學檢驗

我們在平常工作中會做很多AB測試，而AB測試的核心就是背后的統(tǒng)計學檢驗，我們看下Excel和Python在統(tǒng)計檢驗方面有啥區(qū)別。

統(tǒng)計檢驗中比較基礎(chǔ)的檢驗就是T檢驗。

在Excel中進行T檢驗時，使用的TTEST()函數(shù)，在該函數(shù)中指明要檢驗的兩組數(shù)據(jù)核檢驗分布即可，也比較簡單：

在Python中進行T檢驗時，使用的代碼如下：

stats.ttest_ind(treat_data,?control_data)

從簡單的T檢驗來看的話，兩者基本沒啥差別。

稍微高級一點的就是多重檢驗，就是用來檢驗多組內(nèi)任意兩組之間的差異情況，此時如果在Excel中需要用到人工進行兩兩比較，而在Python中只需要下面一行代碼即可得出兩兩之間的檢驗結(jié)果。

MultiComparison(data,?groups)

綜上，一些簡單的檢驗的話，Excel和Python是沒啥區(qū)別的，而一些稍微復(fù)雜的檢驗的話，Python里面都會把復(fù)雜的步驟封裝好，使用起來會更方便。

機器學習算法

作為一名數(shù)據(jù)分析師，雖然日常工作中的主要工作不是做算法，但是還是需要對一些常見算法的原理和實現(xiàn)是了解的。

機器學習領(lǐng)域比較知名的庫就是Sklearn，用這個庫可以讓你很輕松的就能夠?qū)崿F(xiàn)一個機器學習算法。

算法里面最基礎(chǔ)的就是線性回歸了，運行如下代碼就可以求取出線性回歸的各項系數(shù)：

from?sklearn?import?linear_model reg?=?linear_model.LinearRegression() reg.fit([[0,?0],?[1,?1],?[2,?2]],?[0,?1,?2]) reg.coef_

Sklearn庫中不僅包含了常見的分類和回歸算法，還包含了特征工程等部分，讓你輕松掌握機器學習。

Sklearn官網(wǎng)：https://scikit-learn.org/stable/index.html

而Excel中是沒有這種條件的。

上面從各個方面介紹了在不同場景下Excel和Python的異同，相信大家對于自己到底要不要學Python應(yīng)該比較清楚了。那如果想學，我們應(yīng)該怎么學呢？

怎么學

學習Python首先要明白兩句核心內(nèi)容，只要真正理解了這兩句話，那你學起來會很快的：

1、不管Excel還是Python，這些都是實現(xiàn)工具而已，背后的理論原理是都一樣的；2、常用的功能大概占全部功能的20%，剛開始學，要抓主要矛盾，學主要內(nèi)容，等把主要內(nèi)容學會以后，再學次要內(nèi)容就容易很多了。

對比學習法

Excel中的數(shù)據(jù)透視表大家應(yīng)該都比較熟悉，核心就是下面這四個框，只需要把不同的字段拖到對應(yīng)的框里面就行。

如果現(xiàn)在我讓你用Python對一個數(shù)據(jù)表做一個數(shù)據(jù)透視表，你肯定會一臉懵，Excel中都是鼠標拖拽的，Python要怎么實現(xiàn)呢？

其實也簡單，在Python中做數(shù)據(jù)透視表需要用到pivot_table()函數(shù)，該函數(shù)的關(guān)鍵參數(shù)如下：

pd.pivot_table(data,values=None,index=None,columns=None,aggfunc='mean')

看到這里應(yīng)該還不太明白，我們再往下看：

看到這張圖是不是就差不多理解了，不同的參數(shù)其實就代表Excel中不同的框，在Excel中是用鼠標把字段拖到框里面，在Python中是將字段名賦值給相應(yīng)的參數(shù)。

pivot_table()函數(shù)中的data參數(shù)表示要做數(shù)據(jù)透視表的整個表，aggfunc表示對values的進行什么樣的運算。

數(shù)據(jù)透視表不是Excel所獨有的，在不同工具里面的實現(xiàn)邏輯是一樣的，只不過具體的實現(xiàn)方式會不一樣，但是只要我們把背后的邏輯掌握了，然后借助于我們現(xiàn)有的、比較熟悉的Excel去學習和理解Python的實現(xiàn)方式，這樣學起來就會輕松很多。

其實不僅是透視表這個案例，我們所用到的很多知識都是可以按照這種思路去學習的，我們把這種學習方法稱為對比學習法。

我的《對比Excel》系列三本書：《對比Excel，輕松學習Python數(shù)據(jù)分析》、《對比Excel，輕松學習SQL數(shù)據(jù)分析》、《對比Excel，輕松學習Python報表自動化》均是采用了這種思想進行寫作的。

先解決主要矛盾

很多Python的書和課程會追求大而全，會講很多又難但又使用頻率不那么高的知識點，比如面向?qū)ο缶幊?#xff0c;很多學了幾年的人也沒學會，新手一學更是懵逼。這些知識點會把很多新人勸退的，真正的做到了從入門到放棄。

我們在剛開始學的時候，盡量去學那些主要的知識點，學完之后馬上逼自己把學到的應(yīng)用到實際工作中，當你看到學有所用的時候，大腦會形成正向反饋，越學越有勁，很快就學會了。

點擊下方卡片進行關(guān)注，獲取更多內(nèi)容

點分享

點收藏

點點贊

點在看

總結(jié)

以上是生活随笔為你收集整理的深度解析：会用Excel，还有必要学Python吗？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。