1.Python在数据挖掘中的应用
Python常被昵称为“胶水”语言，其特点是可以轻松的连接各种编程语言，粘在各个应用场景，不管是建站、爬虫、运维还是数据挖掘，都有它的身影。与其它语言相比，Python的语法简洁清晰，开发效率十分高效，通过完善的“”往往一行代码可以实现其他语言N行代码的功能（但是某些场景执行效率不如C、Java等）。对于学习成本来讲，相对其它编程语言来讲，只要找对教程，一个对编程没有太多概念的初学者也可以轻松入门。
对于数据挖掘来讲，Python对数据清洗、数据探索、建立宽表、变量筛选、建模、模型参数优化、模型输出、模型投产等等一系列环节均有成熟的“”进行支持。
而在建模环节，除了对传统时序、Logistic、决策树等算法的支持，Python也在不断涌现和迭代着各种最前沿且实用的算法供用户免费使用，如：微软开源的回归／分类LightGBM、FaceBook开源的时序Prophet、Google开源的神经网络TensorFlow，广泛应用于各大比赛的Xgboost等等等等。上述开源的中，全部都支持Python。而对于其它语言来讲，上述并不一定全部支持。由此也可以看到
Python在数据挖掘领域中举足轻重的地位。
从实际使用的角度来讲，通过笔者对部分的实际使用，对于分类、Logistics回归、传统回归等问题，上述对效率和准确率均有十分大的提升。仅从效率角度比较，之前某项目宽表共40余万样本，480个字段，逐步回归用时2个小时，而另外一个项目通过使用xgboost的logistic Object，30余万样本，1700个字段，建模时间用时不到2分钟。（由于xgboost在各个数据挖掘竞赛中已经被广泛证实效果十分优秀，而且模型比较需要很长篇幅进行描述。所以本文仅从效率角度进行了比较，后续可以就模型比较单独写一篇公众号文，但就经验而言xgboost等算法效果通常不会比传统算法差）同时，与传统数据挖掘软件相比，Python还广泛应用于图像识别、语音识别、NLP等更丰富的数据挖掘领域。
可以看到，
Python拥有应用场景广泛、开源免费、前沿算法支持、学习成本低、开发效率高等优质特点。通过这些特点，Python把遥不可及高高在上的大数据、数据挖掘、机器学习、深度学习等概念转化为每个人都可以学习、每个企业都可以实际应用的项目和程序。通过低成本的投入，可以满足更丰富的业务场景的需求、对现有业务场景的优化，帮助企业获得更高的利润并降低风险。
2.数据处理实例
对于大数据、数据挖掘的各种概念已经被炒的稀烂，类似上面写的软文一百度一大堆。作为一个干货满满的公众号，下面将从数据处理出发，从效率角度将Python及MySQL进行实际对比，展示Python对数据处理的强大能力。
背景
在数据挖掘步，通常会面临海量的贴源数据，也就是说一张表就有可能有上亿行数据。对于这种数据集的处理，在非集群的情况下，使用传统SQL数据库，需要通过建立索引、分表等技术才可能进行下一步处理，且效率很难。
如笔者曾经试图用单机MySQL（配置在下面测试中有截图，一个乞丐版的2014年mac pro）处理15g的单张表，共3亿+数据。但是发现导入进MySQL数据库都效率极低，而进行加索引或者简单的Groupby等操作更是基本无法完成。当然，通过分表处理理论上可以解决上述问题，但是代码量和效率也并不会十分迅捷。
对于上述问题，笔者最终采用Python的pandas对数据进行分块读取，并使用pandas自带的Groupby、merge实现了与MySQL同样的功能，运行速度相比MySQL有了质的飞跃。
同时，Python在处理数据过程中，可以直接完成类似Excel的透视表功能，这个功能在建立宽表过程中十分有用，且是SQL并不支持的功能。
下面，将分别使用Python和MySQL对数据进行相同的处理，同时对MySQL是否加索引分别计算时间。由于本部分涉及代码，为了方便阅读，会先介绍软硬件配置及数据集，然后给出测试结果和结论，附录中会展示测试过程及代码。（由于时间和能力有限，也许笔者对Python和MySQL不能进行最优优化，结论不能十分严谨，但是结论也能适用于绝大多数企业的实际数据和硬件场景）
