毕业论文spss和python

SPSS和Python，单纯地说哪个好，是没有意义的，还要看你用来干什么?

我来帮你区分一下这些术语。

1、分析工具：Excel、SPSS、Tableau属于分析工具类;

2、分析语言：Python、R属于分析脚本语言。

分析工具类，如果细分还可以分为统计工具和挖掘工具。

1)统计工具： 比如像Excel/Tableau/PowerBI都属于统计工具，此类工具的很简单，是基于统计(比如分类汇总)的分析工具，通过统计指标，查看业务的规律、变化、趋势等等，来作出对业务的判断并给出合适的业务策略。

所以，此类工具侧重于业务的描述性分析(业务规律、业务变化、业务周期)，常用有的分析方法有：对比分析、分布分析、结构分析、趋势分析等等。

2)挖掘工具： 像SPSS/SAS类就属于挖掘工具。此类挖掘工具侧重探索隐藏得比较深的业务知识和模式，挖掘工具侧重于业务的影响因素分析、预测性分析等等，讲究分析模型(比常规的分析方法要复杂)，在分析模型中不见得有统计指标，而是模式。

常用的分析模型：影响因素分析(相关/方差/列联分析)、数据预测模型(回归预测/时序预测)、分类预测模型(决策树、神经网络、支持向量机等)，当然还其它更多的模型，比如聚类、关联等等。

理论上，使用高级的数据挖掘工具也是可以进行常规的数据统计分析的，即Excel能够实现的，理论上SPSS也可以实现。但坦白地说，用挖掘工具来做统计工具分析，其效率反而没有统计工具高。

不过，当前绝大多数公司，都是在用Excel/SQL来做数据分析，可见他们并没有什么复杂的业务问题需要用到更高级的分析工具，简单的工具已经足以胜任平时的业务数据分析了。

最后再来说分析语言Python/R。

当然你也可以认为分析语言本身也是一种分析工具。只是这种分析工具与Excel/SPSS相比不一样，Excel/SPSS只需要通过拖拉就能够实现数据分析结果，但Python/R则需要通过写脚本写代码的方式来运行分析。

作为工具，Excel/SPSS中已经内置和封装了很多常用的分析方法、分析模型，所以你不需要花太多的时间去弄明白是怎样实现的，甚至你有时不需要知道数据公式和原理(如果知道的话就更好了)，你只需要聚焦在业务层面，就可以实现业务数据分析，得到良好的分析结果。

但是，如果你们公司需要一些特殊的分析模型，或者需要对原有的模型进行修改或优化，而分析工具又不支持的话，那么此时你就得要使用分析语言Python来实现自定义的分析流程了。

而且，当你使用Python分析语言时，你就得必须了解分析模型的原理及实现，还得懂编程的一系列技能，那么你得花大量的时间在如何实现模型上，无法聚焦在业务问题的解决上了。

所以，比起用分析工具，用Python的好处是可以任意修改或定制化模型、可以自动化实现分析流程，但坏处也是显而易见的(分析复杂、周期较长、效果不一定好)。你拥有了定制化，就失去了简洁;你拥有强的功能，就增加了复杂度，此即有得就必有失了。