Excel 是日常工作不可或缺的工具，处理数据快捷方便，深受欢迎。然而，它的数据处理能力并非无限制，当遇到大数据时，Excel 的能力就不行了。

拿几十万行的数据来说，光是在 Excel 里打开这么大的文件，都要几分钟，要是再进行复杂些的计算就会非常卡，甚至直接崩溃。当数据量超过 100 万行时，受容量的限制 Excel 会直接截断，无法处理。因此当面对大数据时 Excel 就不能再用了。

那么用数据库可以吗？数据库应付稍大的数据量是没问题的，但遗憾的是用起来太复杂，太难。首先是安装环境复杂，要配置很多东西，而且安装成功后，Excel 文件也必须要搬进数据库，变成数据库里的表才能使用。明明只想要处理一个文件，还要安装一个数据库，搬进搬出实在太麻烦。而且， SQL 解决问题的难度经常要远大于 Excel，代码逻辑往往要嵌套多层，写起来很烧脑，SQL 调试也困难，不好用。

那 BI 呢，看起来应该比较简单。BI 本身用起来倒是不难，但它解决大数据还是要依托数据库，同样还会面临环境准备的困难。BI 软件通常具有流畅的交互性和炫丽的界面，看上去很适合。不过，现在的 BI 工具在技术上已经被狭义化成多维分析，能做的运算非常少， 只有 SQL 的一个小子集，很多 Excel 熟手就会感觉很受限了。

看来，似乎只能借助于编程了，毕竟没有什么不能编程。

编程语言的计算能力确实更强，但是，对于习惯用 Excel 的分析师来说，大部分编程语言交互性差，门槛也高。例如 VBA 可以增强 Excel 的计算能力，但对结构化数据支持力度太差，编程任务过于繁琐。而且 VBA 没有内置的大数据能力，只能自己实现，更加繁琐。Python 的表格运算能力还行， 但它也没有直接的大数据支持，也要自己写。这些难度已经远远超出了 Excel 选手的能力范围。

那么 SPL 是什么，它就好用了吗？

没错，SPL 确实能处理大数据，而且用起来很简单，很适合做数据分析。

SPL 也是一门编程语言，擅长表格式数据的处理，计算能力强。其次它能处理大数据，几十万、上百万的数据跑起来很流畅，即使是内存装不下的超大数据也能计算。

重要的是，虽然 SPL 也是一门编程语言，但是它的使用方式和 Excel 很像，有很强的交互性，这对于 Excel 分析师们来说用起来很方便，不需要什么门槛。

举个例子，有一份 270 多万行的贷款订单数据，用 SPL 来处理它。

先来看一下 SPL 的界面，如下图。左边是代码公式区，右边是结果区。点击哪个格子就可以看到哪个格子的结果，交互性很好。

和 Excel 公式类似，SPL 的代码也是先写一个等号然后写公式内容。比如这里 A1 格的公式表示读入订单文件。执行公式后，在界面右边可以看到公式的计算结果，即订单数据内容。左边写公式，右边看结果，用起来很直观。

同样和 Excel 类似，SPL 的公式里也可以引用其他单元格。比如想要看下文件的数据量有多大，可以在 A2 写：=A1.len()，结果区可以看到这是一份 270 多万的数据。边写边看十分方便。

SPL 的函数语法简洁，容易理解。

比如，A1 格 file().import() 是导入数据。

A2 格计算数据长度。

A3 格选出 2018 年以后订单金额 principal 大于 5000 的数据。

A4 格按照用户和年份分类汇总订单金额。

基本上看字面意思就能大概知道是干什么用的。代码直观易懂，学起来很容易。

对于一些内存里装不下的超大数据，SPL 也能处理，用游标技术。游标上函数的写法和内存是类似的，写起来也很容易。比如上面的例子用游标来写是这样的：

A1 格子里的 cursor() 函数，表示将数据读成游标。其他语句的写法和内存里基本是一致的。

另外，SPL 还支持基于线程的并行计算，充分利用多核 CPU。比如，还是这个例子，只要在cursor()函数增加一个 @m 选项，性能直接起飞。