广义的数据分析包括狭义数据分析和数据挖掘（详见下图） 狭义的数据分析是指根据分析目的，采用对比分析、分组分析、交叉分析和回归分析等分析方法，对收集来的数据进行处理与分析，提取有价值的信息，发挥数据的作用，得到一个特征统计量结果的过程。 数据挖掘则是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，通过应用聚类、分类、回归和关联规则等技术，挖掘潜在价值的过程。
目前主流的数据分析语言有R、Python、MATLAB三种程序语言，我们从语言学习难易程度、使用场景、第三方支持库、流行领域、以及软件成本这几个方面来考虑。Python相比于其R、MATLAB语言而言，应用更广泛一点，成为了数据科学、机器学习、学界和工业界软件开发最重要的语言之一。同时随着第三方库的不断改进，使其成为数据分析任务的一个优选方案。结合其在通用编程方面的强大实力，我们完全可以只使用Python这一种语言构建以数据为中心的应用。 Python 数据分析主要包含以下 5 个方面优势 1、语法简单精练。对于初学者来说，比起其他编程语言，Python更容易上手。 2、有很强大的库。可以只使用Python这一种语言去构建以数据为中心的应用程序。 3、功能强大。Python是一个混合体，丰富的工具集使它介于传统的脚本语言和系统语言之间，Python不仅具备所有脚本语言简单和易用的特点，还提供了编译语言所具有的高级软件工程工具。 4、不仅适用于研究和原型构建，同时也适用于构建生产系统。研究人员和工程技术人员使用同一种编程工具，会给企业带来非常显著的组织效益，并降低企业的运营成本。 5、Python是一门胶水语言。Python程序能够以多种方式轻易地与其他语言的组件“粘接”在一起。
是Python科学计算的基础包，都是基于Numpy构建其他的库， 主要功能：
快速高效的多维数组对象ndarray。用于对数组执行元素级计算以及直接对数组执行数学运算的函数。 用于读写硬盘上基于数组的数据集的工具。线性代数运算、傅里叶变换，以及随机数生成的功能 C、C++、Fortran 代码集成到 Python 的工具。成熟的API，用于Python插件和原生C、C++、Fortran代码访问NumPy的数据结构和计算工具。除了为Python提供快速的数组处理能力，NumPy在数据分析方面还有另外一个主要作用，即作为在算法和库之间传递数据的容器。对于数值型数据，NumPy数组在存储和处理数据时要比内置的Python数据结构高效得多。数据分析核心库，提供了快速便捷处理结构化数据的大量数据结构和函数 主要功能：
提供了一系列能够快速、便捷地处理结构化数据的数据结构和函数。高性能的数组计算功能以及电子表格和关系型数据库（如SQL）灵活的数据处理功能。复杂精细的索引功能，以便便捷地完成重塑、切片和切块、聚合及选取数据子集等操作。有标签轴的数据结构，支持自动或清晰的数据对齐。这可以防止由于数据不对齐，或处理来源不同的索引不同的数据，所造成的错误。 集成时间序列功能。相同的数据结构用于处理时间序列数据和非时间序列数据。 保存元数据的算术运算和压缩。 灵活处理缺失数据。合并和其它流行数据库（例如基于SQL的数据库）的关系操作。绘制数据图表的 Python 库
Python的2D绘图库，非常适合创建出版物上用的图表。操作比较容易，只需几行代码即可生成直方图、功率谱图、条形图、错误图和散点图等图形。提供了pylab的模块，其中包括了NumPy和pyplot中许多常用的函数，方便用户快速进行计算和绘图。交互式的数据绘图环境，绘制的图表也是交互式的。专门解决科学计算中各种标准问题域的模块的集合 SciPy 主要包含了 8 个模块，不同的子模块有不同的应用，如插值、积分、优化、图像处理和特殊函数等。 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（最小化器）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 检验连续和离散概率分布、各种统计检验方法，以及更好的描述统计法 scipy.weave 利用内联 C++代码加速数组计算的工具
数据挖掘和数据分析工具
简单有效，可以供用户在各种环境下重复使用。封装了一些常用的算法方法。基本模块主要有数据预处理、模型选择、分类、聚类、数据降维和回归 6个，在数据量不大的情况下，scikit-learn可以解决大部分问题。