数据分析需要探索式

对于数据分析，许多任务并非固定的查询，而是需要灵活的分析和判断。比如，电商数据中的用户行为分析、产品推荐、库存优化，或者金融行业的风险评估和客户分类等，都往往没有预先固定的查询路径。分析师需要根据数据表现逐步调整方向，以便深入挖掘潜在的规律和异常。这类动态的分析方式正是探索性数据分析的核心。

探索式数据分析的特点在于灵活的猜测—验证模式。与设定好流程的固定查询不同，探索分析是一个不断提出假设并验证的过程。分析师基于数据的初步观察，提出一个假设，然后通过数据验证来检查假设是否成立。每次验证结果都会影响分析的后续步骤：若验证成功，则可能进一步细化假设；若验证不成立，则需改变方向或寻找其他关联因素。例如，在分析电商平台的用户活跃度时，分析师可能最初猜测活跃度与促销活动相关，但在验证后发现这一相关性并不显著，于是转而研究其他因素，如浏览时间或优惠幅度。这种反复迭代的过程，有助于逐步揭示数据中的深层关系。
探索分析在数据分析中扮演着重要角色，分析师可以在没有预设框架的情况下，灵活调整路径来发现新模式和新规律。

Excel 是探索式数据分析工具，但是…

Excel 就是一款非常出色的探索性分析工具，凭借其便捷的操作和强大的可视化能力，使分析师可以快速查看每一步计算结果，并随时进行调整。在简单数据分析中，Excel 可以很好地实现灵活的“猜测—验证”过程，是一种非常直观的探索性数据分析工具。

然而，Excel 在计算能力上却显得捉襟见肘。它虽然能完成基本的表格计算和统计操作，但面对复杂的任务就显得力不从心。例如，以下这些计算在 Excel 中就很难完成：
• 找出每 7 天内至少 3 次点击相同类别产品的用户，以分析用户偏好；
• 计算用户在网站上每次操作间隔超过 15 分钟后的再次访问时间，用于分析用户活跃度；
• 确定某商品在一个月内库存量低于安全库存线超过 3 次的具体日期，以优化库存管理。
这些计算不仅涉及复杂的逻辑运算，还需要多步计算、条件筛选和时间序列处理，Excel 难以支撑。

那么，用编程语言来实现这些复杂运算可以吗？毕竟没有什么事是不能编程实现的。
比如数据分析师常用的 SQL 和 Python，都具有较强的计算能力，可以一定程度应对复杂的数据运算，满足分析过程中的计算需求。然而，它们的交互性却相对不足，难以实现探索分析要求的实时“对话”体验。SQL 必须整体执行，每次查询后才会返回最终结果，缺乏逐步反馈的能力，想要观察中间步骤时需要将查询层层拆分。Python 的交互性稍好一些，但分析师仍需通过 print 等方式主动输出中间结果，分析过程也较为麻烦，难以实现 Excel 那种流畅的探索体验。

不仅如此，有的任务用 SQL 和 Python 编程也不见得简单。比如股票分析中可能要计算每支股票的最长连涨天数。
SQL：

SELECT CODE, MAX(con_rise) AS longest_up_days
FROM (
    SELECT CODE, COUNT(*) AS con_rise
    FROM (
        SELECT CODE, DT, 
            SUM(updown_flag) OVER (PARTITION BY CODE ORDER BY CODE, DT) AS no_up_days
        FROM (
            SELECT CODE, DT, 
                CASE WHEN CL > LAG(CL) OVER (PARTITION BY CODE ORDER BY CODE, DT)  THEN 0
                ELSE 1 END AS updown_flag
            FROM stock
        )
    )
    GROUP BY CODE, no_up_days
)
GROUP BY CODE

这种嵌套 SQL 恐怕 DBA 都不容易写出来，对数据分析师来说就更难了。

Python：

import pandas as pd
stock_file = "StockRecords.txt"
stock_info = pd.read_csv(stock_file,sep="\t")
stock_info.sort_values(by=['CODE','DT'],inplace=True)
stock_group = stock_info.groupby(by='CODE')
stock_info['label'] = stock_info.groupby('CODE')['CL'].diff().fillna(0).le(0).astype(int).cumsum()
max_increase_days = {}
for code, group in stock_info.groupby('CODE'):
    max_increase_days[code] = group.groupby('label').size().max() – 1
max_rise_df = pd.DataFrame(list(max_increase_days.items()), columns=['CODE', 'max_increase_days'])

Python 简单一些，但还要循环来做，整体仍然繁琐。

这个任务用 Excel 反而很简单。第一步按照股票代码、日期排序；第二步填写公式计算连续上涨天数；第三步分组汇总计算最长连续上涨天数；第四步收缩显示。很直观地四步搞定。

从这个意义讲，SQL 和 Python 的计算能力也并不是很便捷，有时还不如 Excel 顺手。

实施探索分析时，计算能力和交互性不可偏废——既要强大的计算能力支持复杂运算，又要足够的交互性来实现随时调整、随时反馈的分析过程，而强计算还能简化复杂运算，即用更简单的办法实现计算目标。

SPL 是更适合探索式数据分析的工具

同时具备交互性和强计算能力的数据分析编程语言 SPL（Structured Process Language）可能是最佳选择。

强交互能力

SPL 与其他编程语言的一个显著区别在于其拥有良好的交互性。使用 SPL 不仅可以分步来做，还能实时查看每步的计算结果，交互性体验跟 Excel 非常相似。

SPL 的代码写在网格里，多个步骤落在不同格子里，格子之间通过单元格名来相互引用结果。点选单元格就能查看每步的计算结果，发现有错可以立即修改，然后根据已计算结果决定下一步的操作，跟 Excel 的操作方式几乎一致。

再整体看一下 SPL 的编程环境（IDE），除了上面提到的特点，SPL 还能单独执行某一步计算，这样可以避免重复执行带来的时间浪费。

有了过程化的分步支持、网格语法与格名引用机制，以及可以观察每步结果的可视面板，SPL 天然适合完成探索分析。

强计算能力

在计算能力方面，SPL 提供了大量表格数据计算类库和数据对象，尤其擅长集合有序运算。比如上面计算股票连涨天数的例子，用 SQL 和 Python 都没 Excel 简单，但用 SPL 来做就只需要三行，非常简洁：

SPL 的强计算能力还表现在处理 Excel 不擅长的运算上。比如在下面的数据中找出每个月都能进 top10 的明星产品。

Excel 做交集很麻烦，用 SPL 来做很简单

Excel 插件

SPL 还提供了 XLL 插件，用户可以在熟悉的 Excel 环境中，利用 SPL 强计算能力，在 Excel 内直接写 SPL 公式，同时发挥 SPL 和 Excel 优势。

上面做交集的运算在 Excel 内直接写 SPL 代码会更简洁：

总体来看，SPL 以强大的计算能力和灵活的交互性，成为探索式数据分析的理想工具。不仅能简化复杂的数据处理逻辑，还支持逐步查看和调整分析过程，提供了与 Excel 类似的实时反馈体验。相较于 SQL 和 Python 的编码方式，SPL 能够帮助分析师在过程中迅速获取反馈、随时调整策略，真正实现探索分析。SPL 结合了编程语言的运算能力与 Excel 的交互性，或许正是数据分析领域中探索任务的最佳选择。