Excel是方便的,當你想做快速的,特別小的數據分析,但是一旦你想搬到一個更大的規模,它就不行了。Excel最多支持1,048,576行、16,384列的數據。而Python可以擴展到您的內存大小，并且還有許多支持內存不足計算的工具。

例如，Dask庫允許您將計算擴展到在計算機集群上運行，而不僅僅是在您的筆記本電腦上運行。實際上，如果你熟悉pandas，在CSV中讀取的代碼幾乎是一樣的:

import dask.dataframe as dd # Load the data with Dask instead of Pandas. df = dd.read_csv(<file_path>)

只需一行代碼，就可以讀取比計算機內存還大的數據。對于Excel，這根本不可能。

此外，當涉及到多個數據源時，Python可以伸縮。Excel是數據存儲和計算引擎，而Python是完全數據無關的。如果您能找到將數據讀入Python的方法，那么就可以使用它。而且由于Python有這么多優秀的庫，從許多來源(如CSV、Excel、JSON和SQL數據庫)讀入數據是很簡單的。

最后，在自動化方面，Python是一種令人驚嘆的編程語言。由于您可以將Python直接連接到任何數據源，因此可以很容易地調度一個作業，該作業將通過任何更新重新拉取數據，運行計算，甚至創建一個報告或動態儀表板，從而節省大量時間。另一方面，Excel需要太多的手工勞動，不能自動更新。

再現性是任何分析或您創建可視化的概念應該是簡單和直接的復制為別人。不僅需要有人能夠重新運行您的流程并以相同的結果結束，而且還應該能夠遍歷您的步驟以確保準確性。當您開始依賴自動化時，這個概念是非常重要的。當工作正確時，自動化是令人驚奇的，但是當工作不正確時，自動化報告可能是一場噩夢。

Excel的重現性非常具有挑戰性。Excel在單元格中的計算幾乎不可能在任何規模下進行檢查。數據類型非常令人困惑，因為您看到的并不總是在原始數據中所表示的，而VBA使再現性稍微好一些，在這一點上，您最好投資于學習Python。

看看這個Excel文檔:

你知道和列應該是a和b的和，但是你怎么確定呢?你可以檢查其中一個公式，看它實際上是和，但由于每個單元格都可以是自己的公式，如果它們都不正確呢?如果你沒有注意，你可能會錯過x行是錯的。

但是在Python語言中，你的和是這樣的

a = [1,2,3,4]b = [5,6,7,8]sum = []for i in range(a):    sum.append(a[i] + b[i])

此代碼清晰且易于確認總計算正確。

使用Python，您可以開發出所有的工具，以便為軟件工程師提供更好的重現性和協作。最重要的是，Python在數據連接方面更優越，允許我們分析云中的數據并立即重復一個過程。Git、單元測試、文檔和代碼格式標準Python社區都是普遍的。在Python 3中，您甚至可以添加靜態類型來使代碼更加清晰。所有這些工具都使確保代碼編寫良好和正確變得更加容易。這樣，下次您查看您的代碼或其他人挑選它時，它就很容易復制和理解。

如果你知道Excel，你就僅僅知道Excel。雖然你學到的技能是有用的，但它們不能轉移到其他任何地方。我最喜歡Python的一點是，它不僅是一個了不起的數據分析和可視化工具，而且是一種可以用于許多其他事情的堅實的編程語言。

想要做機器學習甚至是深度學習嗎?你可以用Python來做。想要建立一個網站?Python可以做到這一點。想讓你的智能家居自動化嗎?Python也可以做到這一點。

而且，Python比Excel更接近于其他編程語言。這使得學習過程中可能遇到的其他語言變得更加容易。學習Python比Excel打開了更多的大門。

最后，對Python的需求非常高。根據StackOverflow的數據，在2019年，它是世界上第四大最受專業軟件開發者歡迎的編程語言，同時也是最受歡迎的編程語言。

Excel有許多內置公式，但與Python的功能相比，它就相形見絀了。Python不僅提供了數百個庫來簡化高級統計和分析，而且還可以將可視化提升到另一個層次。使用Matplotlib、Plotly、Streamlit和Seaborn等工具，您可以創建漂亮的數據可視化以及交互式指示板和圖形。

Numpy和scipy對科學計算、線性代數和向量化計算有著驚人的支持。scikit-learn讓你訓練從決策樹到梯度增強機器的機器學習算法。