在目前的数据分析领域，常用的分析工具有excel、python等，这几乎已经成为共识，而面对excel和python，谁更适合数据分析，也确实一直被大家讨论。
Excel VS Python
excel不用多做介绍，办公必备的表格工具。关于python，这里简单说一下其背景：
python是一门开源的高级编程语言，拥有强大的社区支持和开发团队。这意味着在各个领域，python都有着丰富的第三方工具库，而且一直不断更新改进。另一方面，python作为胶水语言，有着简洁、易读、流畅、易维护、模块化的优良特性，并且轻松与其它编程语言及软件集成。
为什么python更适合用于数据分析？有以下几点理由：
1、分析过程可复现
使用python做数据分析，分析代码可以保存为脚本，有利于不断优化代码版本，并且让改进流程更加清晰。
在不改变数据源的情况下，代码输出的结果一致，不会随着时间和人员的变化而出现不同的分析结果，可复现性强。
2、更高的效率和扩展性
确实，excel被大多数人用于数据分析，但是面对大数据集和复杂运算，excel效率太低。
python在I/O、复杂计算、数据管道、自动化处理等方面更加快速，而且处理大数据的效率远高于excel。在性能优化方面，python也有更多操作的空间。
3、集成性
前面说过，python是一门胶水语言，可以与很多编程语言及应用集成。
比方说，python可以连接各种数据库，通过写入sql语句，对数据库数据进行提取、写入、更改的操作。
python还可以连接应用程序API，编写自动化脚本操作应用程序，如excel这样的软件，python有众多的库进行连接，十分高效。
在数据探索的过程中，python提供pandas这样的数据分析工具，帮助你更清晰快速地进行探索分析，并且有大量的可视化库来做可视化展示。
你可以轻松的读存xlsx、csv等数据格式文件，让数据操作灵活高效。
python实例应用
从数据管理系统里导出一家企业的电机运行CSV数据表，计算电机一个月内的负载率分布情况，可以通过以下代码进行处理：
CSV数据表
电机负载率分布代码
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import glob
plt.rcParams['font.sans-serif'] = ['KaiTi'] # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
sum = 0
sum1 = 0
sum2 = 0
sum3 = 0
sum4 = 0
sum5 = 0
for i in glob.glob('金田*.csv'):
a = pd.read_csv(i, encoding='gbk') #依次读取所在目录下的CSV文件
b = np.array(a['负载率']) #读取列名为负载率的一列
for i in b:
if i > 0 and i < 9:
sum1 += 1
elif i == 9:
sum2 += 1
elif i > 9:
sum3 += 1
else:
sum4 += 1
sum5 += len(b) #负载率的总条数
sum = sum5 - sum4
print('负载率大于0小于9的个数为：',sum1)
print('负载率等于9的个数为：',sum2)
print('负载率大于9的个数为：',sum3)
print('负载率等于0的个数为：',sum4)
print('负载率不为0的总条数：',sum)
print('负载率大于0小于9的比率：{:.2%}'.format(sum1/sum))
print('负载率等于9的比率：{:.2%}'.format(sum2/sum))
print('负载率大于9的比率：{:.2%}'.format(sum3/sum))
c = ['小于9','等于9','大于9']
d = [sum1/sum,sum2/sum,sum3/sum]
plt.plot(c,d,linestyle=":",marker='o',color='r',label='负载趋势1')
plt.title("负载分布")
plt.legend(('负载趋势',))#转为元组的形式加上逗号，就能全部显示了
plt.show()点击运行，得到如下结果：
以上的程序运行结果即为负载率分布值及负载分布的趋势变化图，点击运行按钮后只需几秒钟就能获取结果，比起使用电子表格来处理，python的处理效率要高很多。
