❶ Python自学可以吗
当然可以自学。Python是一门相对来说比较简单的编程语言，自学完全ok。
2、现用现学。这是我个人的学习方法，供大家参考。我是先学一遍基础教程，然后在量化平台开始数据分析，用到什么不会再去补什么，比如数据分析用到pandas，我再去学pandas。
哪怕是基础知识，当用到时发觉忘记了回头复习巩固是常有之事。只有追着自己想要的东西去学，学会了才有成就感，有动力继续下去。这好比你追求妹子，每日负责接送，送花送包包，一段时间后，妹子和你牵手了，你才有成就感，才有动力追下去。
不信你可以做一下各种py基础教程的练习题，做起来不是那么有趣，有点做奥赛题的感觉，很伤脑筋，你又不知道跟自己想要的有什么关系，你很快会觉得无聊。但大家对于基础课程要坚持，练习题可以不做，但你要保证自己至少看懂了教程的内容。
所以，学习python是不难的，关键还是要有目的还有恒心，三天晒网两天打鱼这样肯定是不成的。
❷ 数据分析需要掌握些什么知识
一、基本工具的掌握
数据分析师三板斧：Excel、sql、Python
Excel、SQL、Python是数据分析师必知必会的3个基本工具，下面我们一个个来看
Excel
对于Excel的学习，如果你的意向的岗位不是那种纯excel的数据分析师岗位的话，建议不需要花费太多时间在excel上，主要要掌握vlookup、透视表和一些常用图表，不会的函数就直接网络。
SQL
核心！sql一定要熟，完全没有基础的同学可以先看《sql必知必会》，了解sql的一些基本知识，增改删查，主要看查询的部分。看完这本书后你对sql的语法应该有了一些基本的了解，学会之后，还需要多加练习，推荐一个练习的网站，牛客网编程，强力推荐，可以自动批改sql正误，纯中文，还有题目讲解
Python
相对上面两个工具，python的学习难度会稍微大一些。python能干很多事，对于数据分析师来说，主要应掌握基础语法和数据科学的模块，主要包括pandas numpy 和机器学习库sklearn等，有同学可能会问业务型数据分析师也需要会算法吗？答案是虽然不是必须项，但是加分项，尤其是在从零转型情况下，是增加自己份量的一个筹码。
学完这个课程你对python就有基本的了解了，但和sql一样，还是需要多练多运用才能真正融汇贯通。那么怎么练习python呢，在这里推荐一个可能很多人都知道的数据竞赛平台，没错就是kaggle，相信不少人都看过泰坦尼克号生存预测这个项目，这个项目的来源就是kaggle。在kaggle上打比赛，既能让你练习python，又能让你有一些项目可以放到简历上，一举两得。
二、理论知识
统计学
如果不是统计学专业的同学，一般面试官心里都有数，不会问你很难的问题，基本属于大学统计学范畴。对于统计学基础不怎么好，或者已经忘干净的同学，可以看网易公开课里可汗学院的课程恶补一下，
机器学习
机器学习相关的知识学习成本会比较高，对某些同学来说可能会有一定难度，但对于业务型数据分析师来说，一般不会要求你去推导算法公式，能做到明白不同算法的适用场景、优缺点、原理大概懂就基本可以了
三、数据分析思维
分析思维是数据分析师最最核心的竞争力，上面所学习的python、sql、机器学习知识等都是在工具层面，要想使用好他们，还需要分析思维的驾驭。在面试中，对分析思维的考察也是相当重要的一环。
❸ 数据分析需要掌握哪些知识
数据分析主要需要学习：认识数据、数据基础运算：科学计算模块Numpy—基础操作、数据统计分析：科学计算模块Numpy进阶—统计分析、数据可视化基础：matplotlib基础绘图模块、数据可视化高阶：pyecharts三方库html动图绘制、表格数据操作：pandas操作表格数据、pandas进阶—数据清洗 、数据集成、数据规约等内容。
认识数据：数据的定义、数据的类型、数据的度量方式、数据来源、脏数据来源、为什么做数据处理、数据处理有哪些维度。
数据基础运算：科学计算模块Numpy—基础操作：简介、矩阵的创建、矩阵的运算、矩阵的属性、自定义数组的创建、数组的属性、特定形式数组的创建、随机数组的创建、数组的索引、数组的形状变换、数组的拆分和合并、数组运算
数据统计分析：科学计算模块Numpy进阶—统计分析：numpy文件读写、数组去重和重复、数组排序、常用统计分析函数
数据可视化基础：matplotlib基础绘图模：块折线图绘制、散点图绘制、柱状图绘制、子图绘制、直方图绘制、饼图绘制、箱线图绘制、雷达图绘制、三维图绘图、动图的绘制
数据可视化高阶：pyecharts三方库html动图绘制：yecharts简介、柱状图绘制、饼图绘制、折线图绘制、组合图绘制、流向地图绘制、中国地图绘制、世界地图绘制
表格数据操作：pandas操作表格数据：Pandas简介、DataFrame与Series的创建、DataFrame与Series属性、DataFrame索引修改、Pandas文件读写、DataFrame查询操作、DataFrame增删改操作、Pandas统计分析、Pandas时间数据、Pandas分组聚合、Pandas透视表及交叉表
pandas进阶—数据清洗 、数据集成、数据规约：认识数据处理、数据集成、数据集成-堆叠合并、数据集成-主键合并、数据集成-重叠合并、数据清洗--重复值处理、数据清洗--缺失值处理
❹ 基于Pandas的数据分析平台，数据连接该不该用SqlAlchemy的ORM
当然可以自己写代码连接到数据库，并操作之。使用Sqlalchmy的目的主要是ROM吧。工作重心可以放在业务处理上，而不用太操心数据库的具体操作和sql语法，特别是多表的join～Flask的文档里，就有说怎么直接通过Python操作数据库的内容。
❺ pandas 可以载入sql语句吗
各种数据库有相应的软件包，SQL Server有pyodbc，Oracle有cx_Oracle，MySQL有MySQLdb，各种包有相应的调用方法。 需要根据需求选择合适的数据库类型，然后选择访问数据库的包进一步细化后续的工作。
❻ 怎么利用pandas做数据分析
Pandas是Python下一个开源数据分析的库，它提供的数据结构DataFrame极大的简化了数据分析过程中一些繁琐操作。
1. 基本使用：创建DataFrame. DataFrame是一张二维的表，大家可以把它想象成一张Excel表单或者Sql表。Excel 2007及其以后的版本的最大行数是1048576，最大列数是16384，超过这个规模的数据Excel就会弹出个框框“此文本包含多行文本，无法放置在一个工作表中”。Pandas处理上千万的数据是易如反掌的sh事情，同时随后我们也将看到它比SQL有更强的表达能力，可以做很多复杂的操作，要写的code也更少。
说了一大堆它的好处，要实际感触还得动手码代码。首要的任务就是创建一个DataFrame，它有几种创建方式：
（1）列表，序列(pandas.Series), numpy.ndarray的字典
二维numpy.ndarray
别的DataFrame
结构化的记录(structured arrays)
（2）其中，二维ndarray创建DataFrame，代码敲得最少：
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(10, 4))
df
0 1 2 3
0 0.927474 0.127571 1.655908 0.570818
1 -0.425084 -0.382933 0.468073 -0.862898
2 -1.602712 -0.225793 -0.688641 1.167477
3 -1.771992 -0.692575 -0.693494 -1.063697
4 -0.456724 0.371165 1.883742 -0.344189
5 1.024734 0.647224 1.134449 0.266797
6 1.247507 0.114464 2.271932 -0.682767
7 -0.190627 -0.096997 -0.204778 -0.440155
8 -0.471289 -1.025644 -0.741181 -1.707240
9 -0.172242 0.702187 -1.138795 -0.112005
（3）通过describe方法，可以对df中的数据有个大概的了解：
df.describe()
0 1 2 3
count 10.000000 10.000000 10.000000 10.000000
mean -0.189096 -0.046133 0.394722 -0.320786
std 1.027134 0.557420 1.258019 0.837497
min -1.771992 -1.025644 -1.138795 -1.707240
25% -0.467648 -0.343648 -0.692281 -0.817865
50% -0.307856 0.008734 0.131648 -0.392172
75% 0.652545 0.310266 1.525543 0.172096
max 1.247507 0.702187 2.271932 1.167477
2. 改变cell。
3. group by。
4. 读写文件。
❼ 学数据分析需要具备什么基础,零基础好学吗
Excel、SQL、Python是数据分析师必知必会的3个基本工具，下面一个个来看：
对于Excel的学习，如果意向的岗位不是那种纯excel的数据分析师岗位的话，建议不需要花费太多时间在excel上，主要要掌握vlookup、透视表和一些常用图表，不会的函数就直接网络。
SQL核心！sql一定要熟，完全没有基础的同学可以先看《sql必知必会》，了解sql的一些基本知识，增改删查，主要看查询的部分。看完这本书后你对sql的语法应该有了一些基本的了解，学会之后，还需要多加练习，推荐一个练习的网站，牛客网编程，强力推荐，可以自动批改sql正误，纯中文，还有题目讲解。
相对上面两个工具，python的学习难度会稍微大一些。python能干很多事，对于数据分析师来说，主要应掌握基础语法和数据科学的模块，主要包括pandas numpy 和机器学习库sklearn等，
想要了解更多关于数据分析的问题可以到CDA认证中心咨询一下，CDA是大数据和人工智能时代面向国际范围全行业的数据分析专业人才职业简称，具体指在互联网、金融、咨询、电信、零售、医疗、旅游等行业专门从事数据的采集、清洗、处理、分析并能制作业务报告、提供决策的新型数据人才。
❽ 如何系统地学习Python 中 matplotlib，numpy，scipy，pandas
总结一下自己学习，接触了Numpy，Pandas，Matplotlib，Scipy，Scikit-learn，也算是入门，给出自己的轨迹（略去安装），并总结一下其他人的答案，最后有彩蛋。
Numpy：
来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多，本身是由C语言开发。这个是很基础的扩展，其余的扩展都是以此为基础。数据结构为ndarray,一般有三种方式来创建。
Python对象的转换
通过类似工厂函数numpy内置函数生成：np.arange,np.linspace.....
从硬盘读取，loadtxt
快速入门：Quickstart tutorial
Pandas:
基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。最具有统计意味的工具包，某些方面优于R软件。数据结构有一维的Series，二维的DataFrame(类似于Excel或者SQL中的表，如果深入学习，会发现Pandas和SQL相似的地方很多，例如merge函数)，三维的Panel（Pan（el) + da(ta) + s，知道名字的由来了吧）。学习Pandas你要掌握的是：
汇总和计算描述统计，处理缺失数据 ，层次化索引
清理、转换、合并、重塑、GroupBy技术
日期和时间数据类型及工具（日期处理方便地飞起）
快速入门：10 Minutes to pandas
Matplotlib:
Python中最着名的绘图系统，很多其他的绘图例如seaborn（针对pandas绘图而来）也是由其封装而成。创世人John Hunter于2012年离世。这个绘图系统操作起来很复杂，和R的ggplot,lattice绘图相比显得望而却步，这也是为什么我个人不丢弃R的原因，虽然调用
plt.style.use("ggplot")
绘制的图形可以大致按照ggplot的颜色显示，但是还是感觉很鸡肋。但是matplotlib的复杂给其带来了很强的定制性。其具有面向对象的方式及Pyplot的经典高层封装。
需要掌握的是：
散点图，折线图，条形图，直方图，饼状图，箱形图的绘制。
绘图的三大系统：pyplot，pylab(不推荐)，面向对象
坐标轴的调整，添加文字注释，区域填充，及特殊图形patches的使用
金融的同学注意的是：可以直接调用Yahoo财经数据绘图（真。。。）
Pyplot快速入门：Pyplot tutorial
Scipy：
方便、易于使用、专为科学和工程设计的Python工具包.它包括统计,优化,整合,线性代数模块,傅里叶变换,信号和图像处理,常微分方程求解器等等。
基本可以代替Matlab，但是使用的话和数据处理的关系不大，数学系，或者工程系相对用的多一些。（略）
近期发现有个statsmodel可以补充scipy.stats，时间序列支持完美
Scikit-learn：
关注机器学习的同学可以关注一下，很火的开源机器学习工具，这个方面很多例如去年年末Google开源的TensorFlow，或者Theano，caffe(贾扬清)，Keras等等，这是另外方面的问题。
主页：An introction to machine learning with scikit-learn
图书：
Pandas的创始者：利用Python进行数据分析 (豆瓣)（力荐）
教材的集合：Scipy Lecture Notes（写的非常棒！遗憾缺少Pandas）
提升自己：机器学习实战 (豆瓣)
❾ 学习经济学需要熟悉哪些编程语言
学习经济学需要熟悉哪些编程语言？
1)坛友arthur_2006
处理和分析数据都用得到，最基本的是excel，如果你的VBA用得好的话会有很大的帮助，如果你要分析数据的话，比如你要建模那么SAS还是不错的，不过比较难掌握如果你没有语言方面的基础，其他还有很多软件也能做得到。很多银行证券期货企业都使用的是oracle或者DB2,一些小企业可能使用的是SQL, 所以如果想在这方面发展就要掌握数据库的知识，毕竟金融和计算机兼备的人才还是稀缺的，而且国内很多行业都是用的是这几大数据库比如电信医疗航空等等，不会分析金融数据恐怕称不上什么金融专家吧，至于你分析得准还是不准那就要看你的金融知识掌握的程度啦，尤其是投资专业的学生学习一些这方面的知识是必要的，很多人是应用金融学专业的偏向于财务，那就去考考CFA,ACCA什么的，也没必要在这上面花费太多精力而且工作中很可能用不到的，金融数学金融工程精算专业的同学花点时间研究一下还是很有必要的，总而言之一句话，首先要看你的兴趣再就是你的专业和发展方向。
2)编程爱好者任坤
做统计和计量的话，想要跟当今的国际学术界接轨，最好学R，至少我所知道的目前美国的统计学术界被R占领的趋势很明显了。
如果只是做简单地回归随便解读一下，那随便选个傻瓜软件就可以了。如果只是应用现成的成熟的计量模型来做实证研究，那么傻瓜软件一般也就可以了。如果要以统计、计量为研究领域或者专业领域，那么编程性的东西是少不了的，即使是做实证如果涉及较为复杂的数据结构，懂编程也能帮你大幅提高生产力。另外，R的社区比较活跃，能够较好地跟上前沿。
如果涉及到处理较大的数据，一种办法是用SAS，如果不想用SAS可以学数据库方面的东西，比如把数据放在SQLite数据库中然后用{RSQLite}访问数据库，或者用{sqldf}通过SQL操作环境中的data frame。
如果觉得执行某项任务R单核速度慢，那么可以使用{parallel}或者{parallelMap}做并行计算，也可以利用云计算来处理数据。
如果涉及到其他社区的东西在R社区中没有实现，例如Java的东西，可以用{rJava}来调用Java的对象，不过速度有些慢。
比较好的办法是我在想从事数据分析工作，学什么软件或语言最好？ 提到的F#函数式编程语言，用RProvider可以直接调用R，用JavaProvider直接调用Jar打包的Java程序，用PythonProvider（即将发布）直接调用Python程序，等等，很容易将各大社区的资源整合在一起使用。
目前我在GitHub上面弄一个通过R学习统计、计量、非参、数据可视化、数据库的repo: renkun-ken/learnR on GitHub ，虽然目前还没什么内容，不过可以跟踪一下。
以上说得都是经济学相关的统计和计量方面所需要的编程。事实上统计和计量所需的“编程”较为简单，基本也就是处理数据、应用已经提供的计量模型，更多需要编程的是：一、如果涉及较为前沿的计量模型，可能还需要自己实现；二、一些蒙特卡罗模拟需要一些编程。
从经济学相关的一些新型领域来说，计算经济学（Computational Economics）、计算统计学（Computational Statistics）以及计算计量学（Computational Econometrics）则需要较强的编程能力，包括算法实现、算法分析等等。举个例子，计算经济学中目前做的一块研究是Agent-based computational finance，就是建立一个模拟的金融市场，里面有几种资产，每种资产的基本面由随机的红利决定，里面有许多遵循各种逻辑的投资者，投资者对于红利发放持有的信念不同，因而从各自的逻辑触发的交易行为不同。在一个复式竞价（double auction）的交易市场中，什么样的投资者组成或者行为方式、什么样的记忆长短，能够最大程度地复制出我们在现实金融市场中观测到的资产价格或者资产收益率规律，例如资产收益率尖峰肥尾、不对称性。此时，研究者就需要较扎实的金融知识来设计一个不过于简单而又不过于复杂的模拟金融市场，也需要相应的编程能力把模型用程序语言编写出来。这中间会设计许多编程技术，例如数据库（有时要跟踪许多变量，例如投资者现金流动、财富分布）、并行计算（CPU多核并行、多进程并行、集群上的并行甚至GPU计算）等等。这方面的研究从1990s年代才开始。
3)知乎网友Jichun Si
计量经济学也有很多小的门类，请对号入座。有很多软件，Stata, matlab, R, SAS是相对来说用的比较多的。
如果是做应用计量（特别是横截面数据、面板数据），Stata是不二之选，因为不管是管理数据还是跑回归，实在太太太方便了。现在主流期刊的应用微观计量文章里面能用到的模型stata几乎都有，而且其中的绝大多数都是用stata做的。而且最大的优点是，简单！
如果做应用的时间序列，Eviews似乎是一个不错的选择。但是我一般不做这方面，也不是很有发言权。
如果做理论计量，stata eviews是没有现成的包的，而且即便Stata可以编程，可编程能力也是很差的，而且不稳健。所以懂R和Matlab就非常顺手。当然也可以用Python，最近Sargent就写了本用Python做计量的书。还有一个Julia，是这三种语言的混合，但是速度快很多，缺点是太过于小众。
如果对速度要求高，特别是金融计量很多对速度有要求的，可以考虑C、Fortran等语言。C和Fortran肯定是最快的。还有一个叫做OX的，速度快，但是也很小众。但是这些语言的缺点是学习难度比较高，开发时间比较慢。Julia据说速度堪比C，而且语法特别像Matlab、Python（意味着容易学习），但是处于刚起步阶段，用的人太少了。
如果是金融计量领域，强烈建议学会SAS。SAS是最权威，速度也很快，当然最大的问题是昂贵，而且可编程能力不是多么好。但是金融里面数据量都非常非常非常大，一般的软件都瘫的时候，SAS就派上用场了。
像我自己，做应用的时候都是用stata整理数据，能用stata的坚决不用其他软件。但是因为有的时候做一些理论计量的工作，所以matlab也是必不可少的。我也在学习Julia，因为matlab的速度实在太慢。Python我一般不用来做科学计算，用的人不多，而且速度慢，一般是用来抓数据的。
最后还是补充一点吧，为什么我推荐matlab而不是其他的软件，也是有道理的。很多模型，比如空间计量模型（spatial econometrics）、贝叶斯估计、以及宏观计量里面的DSGE model、SVAR等模型，在stata、Eviews里面都是没有什么现成的东西可以用的，但是matlab提供了丰富的包，比如Dynare就是基于Matlab的，还有LeSage的空间计量软件包等等，也是基于matlab的。所以几乎你想用的模型matlab里面都能找到codes然后直接用。就算没有，你自己在matlab里面写，也不是什么难事。
最后想起一句话来，关于这些软件的选择（stata除外，因为stata在应用计量领域的地位是几乎不可替代的）可以用两句话来概括：如果你自己的时间比计算机的时间宝贵的话，学习matlab、R、甚至Python、Julia是最合适的，如果计算机的时间比你的时间宝贵的话，学习C、Fortran是必须的。当然除非你的工作非常特殊（比如一些大型的结构模型的估计），一般来说，还是自己的时间更宝贵一点。
综上，做应用和做理论是不可能用一种软件解决的，建议根据自己的方向进行挑选。我觉着stata、matlab是比较推荐的，一个方便，一个灵活，都很强大，而且学习难度都不大，用的人都很多，交流起来相当方便。
4）网友张真实
数据，简单的用excel，直观，方便。复杂一些的…excel最多可以有6万多行，你确定你需要从那么大量的数据开始“学经济学么？
复杂的用R，各种模型，算法，实现，基本上R都有对应的软件包了，下载下来直接用即可，多读文档多练多用，半年左右就可以抛开excel直接用R作实战了。我博士论文全部回归和输出都是用R的，现在写的论文也都用它。替代品是Stata。也很好，但如果你和我一样是从0开始，那么强烈建议选R。
R的一个不足是没法作符号运算，这个免费的解决方案有python搭配scipy numpy等几个包，不过建议你用mathematica，它的符号计算功能最强大，输出格式也最好。你可以找个jacobian矩阵搞一下符号计算，比较一下结果就知道了。
Python这东西，熟悉了R之后，发现有功能是R实现不了的，到时候有实际需求了，再学也不迟。不是立刻就需要的。
此外，所有经济学研究(我是指empirics类型的，具体意思你懂的)，都要会用latex，可以把它看做是一门编程语言。在word里排数学公式，用不了多久你就会疯掉。R中可以用ggplot2来绘图，输出到tex中。普通数据表用xtable包输出到tex，回归结果用stargazer输出到tex，都很方便。
5）网友bayes
首先要说的是R，绝对是目前国外学术界的主流，统计系基本除R以外没有其他了，计量作为和统计相关的方向，R也在逐渐渗透。所以推荐学习。
顺便说一句，R的学习曲线是比较陡峭的，所以我不太建议零基础的人从R开始，否则挫折感会比较强烈。而python会略好，所以我建议从python开始。
python并非是专用于统计或者计量的软件，而是一种非常流行的通用编程语言。经过多年发展，库也非常齐备。我试用过numpy，scipy和pandas等库，与其他通用编程语言相比，算是相当好用，不过个人感觉还是比不上R，比如画图，
ggplot2真心是神一般的存在，python的库还是略逊一筹。但是，除了数据处理之外，python可以干的事情太多了，也太牛了。我们主要要用到的，比如网页采集数据，需要正则表达式，解析网页等等。这些方面python就比R有优势多了。
当然，从趋势来看，未来似乎python比R更优。R是一群统计学家在编程序，python是一群计算机专家在争取搞数据处理。似乎python的基础更扎实。个人观点，仅供参考。
stata我认为是除了R以外最好的计量软件了，我两者均用过数年数个项目，但是依然感觉R更好用，整理和处理数据更方便。所以即使在楼上诸位所提到的微观计量领域，我依然更喜欢R。
除此以外spss，或者eviews等，感觉管理类学生用的更多，功能比较受限，不太推荐。这里不赘述。上述的几个软件，还有个问题，在于都是收费的，考虑到未来知识产权的保护，还是用免费的略靠谱。
R的主要缺点有两个：
1，面对大数据乏力。这方面sas确实有优势，但是不得不说，sas的语法太反人类了，完全接受不能。面对这个问题，我要说的是，你得看问题有多大。以我的经验，经济里面的数据量似乎还不足以超过R的处理上限很多。可能金融的高频数据会比较大，我个人没啥经验，如果遇到再补充。我尝试过10g的数据，最简单的办法，不是学sas，而是买16g的内存。：）以现在的内存价格，我觉得32g以下的问题不大。
2，性能不足。这方面python也有同样的问题，最好的解决方案是混合c/c++，不过这个就是无底洞了，耗时极多，都不见得能学好。建议的方法，还是买硬件，这个最简单。：）当然用并行包等，也是解决方法之一，我尝试过几次用机房的多台机器做集群，不是太成功。求高人指点。
上面诸位还提到过几个软件，我也略微说一下自己知道的一些软件的看法：
matlab：好东西，关键还是性能问题，同样可以靠c/c++来解决。但是我不喜欢比较大的软件，为了求个均值方差，等它启动就占了5分钟。。。
julia：好东西X2，目前关注中，可能还比较年轻，导致配套的库略少，不过看好未来发展，主要是吸取了matlab，python和c/c++的有点，写的快，运算的也快，未来看涨，紧密关注。
最后提一下函数式编程，是个好东西，但是不看好纯粹函数式编程的未来。它体现了一种颇先进的编程思想，但是在实际工作中，往往性能方面的问题较大。要解决这个问题，还是的混合函数式编程和其他方式，但这就是python，R等软件已经实现的方式，似乎又没有必要专门去学其他的函数式编程了。
6）上海财经大学博士 荣健欣
Stata微观计量中应用极多，主要是直接输命令回归，需要编程的地方不多。
至于编程，推荐R、Python.
R是非常好的统计分析软件，在计量经济学中的应用可以见Econometrics in R, Applied Econometrics with R Time Series Analysis with Applications in R这几本书
Python用来抓数据很好，并且有数学计算包SciPy可以部分替代Matlab之类科学计算的功能。
7）知乎网友justin
本科经济统计学，由于学校奇葩的课程设置，我们分别使用过：
EViews：计量经济学，时序和多元统计。
Stata：计量经济学。
SPSS：专门开的一门课，这个巨汗，权当复习了一遍统计学。
Excel：大一的统计入门课使用的，这个也巨坑，就是简单的函数使用，一点没有涉及VBA。
Matlab：这个没有专门的课，是上完了C语言程序设计以后副产品，后来接触了R和Mathematica就基本抛弃了它。
R/S-Plus：在回归分析的时候使用了S-Plus，不过那时候我已经使用R语言很久了，而且S-Plus基本兼容，所以没有使用过S-Plus。
Minitab：质量控制课程上用的，基本的统计加上一些实验设计。
SAS：这个在实验室中自学过几次，直接被其奇葩的语法雷到了，据说我们学校的研究生有专门的SAS课程（类似于本科的SPSS课程），呵呵了～
我们系的妹（xue）纸（ba）就曾经抱怨说使用的软件太多了，完全被逼疯的感觉，还给我们亲爱的系主任提过意见。作为学渣也就这个问题问过系主任，她的意思是不同的软件在处理不同的数据时候是各有所长的，而且你们课程还是蛮轻松的，就多学点吧，另外不同的老师有不同的软件使用爱好，上课使用不同的软件是必然的。
学习经济学的同学，Excel和SPSS，EViews（或者Stata)就蛮好的了，Stata和EViews都可以写一些程序的，SPSS的界面化操作也是很友好的。本人使用的R，在上各种课中也都会在学了那些软件后再使用R来实现（其实绝大多数时候R都已经有现成的包了，我也大多是直接使用），R还是很不错的，推荐。
很多前辈也提出了，经济学学生学习编程适可而止就好了，要不然就是一条不归路啊，面临着彻底转行的危险，本人就是一枚反面例子（泪～。所以什么Python啊，C++啊，Julia啊就不要接触了。