SAS和spss本质的区别是什么2、分析语言：Python、R等属于分析脚本语言。
3.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，高级的数据挖掘工具也能够实现统计分析功能，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；而且操作比较复杂，可视化功能也相对较差。
而且，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挖掘工具，简单的工具已经足以胜任平时的业务数据分析了。实际上平时的工作中80%的业务数据分析都可以用Excel/SQL或BI工具来完成。
分析语言本身也可以看作是一种特殊的分析工具。只是这种分析工具与SPSS相比不一样， 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，所以用Python/R做数据分析就比较复杂。
作为工具， 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。所以，使用工具的优点在于：简单易操作，不需要掌握深奥的理论知识。
但是，正因为工具封装了具体的实现过程，无法对分析模型进行修改或自定义，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。
当你使用Python分析语言时，你就得必须了解分析模型的数学原理及实现过程，还得要掌握编程的一系列技能，才能够胜任Python/R的分析工作。同时，你得花大量的时间在如何实现模型上，而无法真正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、技能要求高）。你拥有了定制化，就失去了简洁；你拥有了超强的功能，就增加了复杂度，此即有得就必有失了。
e��~��