对于数据分析，如果只是给定准备好的数据集，做简单的描述性统计、简单绘图，那么不太需要掌握任何编程语言。问题是，现实中收集到的数据是多样的、基础的，很少能直接满足模型对数据规格的要求以及模型成立的假设，那么就需要在分析前变换、合并、分类、整理数据，此时可能需要从数据库用SQL跨表查询，数据整理好后利用模型做统计推断或者机器学习等等，形成样本内或样本外的预测，可能还要用可视化的方式呈现结果。
1、为什么用Python做数据分析？
首先因为Python可以轻松地集成C、C++、Fortran代码，一些底层用C写的算法封装在python包里后性能非常高效。并且Python与Ruby都有大量的Web框架，因此用于网站的建设，另一方面个人觉得因为Python作为解释性语言相对编译型语言更为简单，可以通过简单的脚本处理大量的数据。而组织内部统一使用的语言将大大提高工作效率。
2、为什么用R做数据分析？
R的优势在于有包罗万象的统计函数可以调用，特别是在时间序列分析方面（主要用在金融分析与趋势预测）无论是经典还是前沿的方法都有相应的包直接使用；相比python在这方面贫乏不少。另外R语言具有强大的可视化功能，一个散点图箱线图可以用一条程序搞定，相比Excel更加简单。
在使用环境方面，SAS在企业、政府及军事机构使用较多，因其权威认证；SPSS、R大多用于科研机构，企业级应用方面已有大量的商业化R软件，同时可结合（具体怎么结合，尚未搞明白）Hadoop进行数据挖掘。
数据分析这整个过程中，各个环节都可能涉及到大量的参数需要调节，各种细节都需要控制，还有很多主观的选择。这样的过程如果用软件窗口去实现，窗口中的选项将非常复杂，整个过程需要在多个数据及上重复执行也很麻烦。用编程语言可以精确地描述整个过程，控制大部分细节，并且可以批量的重复实现。
数据分析和探索的过程是一个不断尝试想法、验证假设的过程，这就需要临时产生、执行新的代码，脚本语言如Python和R天生就是对这样的互动操作有很好的支持。如果这种过程都用C++或Java这些需要编译（二进制或bytecode）——执行的语言来完成，那么过程将比较痛苦。
