本文整理大家比较常用的数据分析工具，然后列出了各自软件介绍以及优点。
其实软件并没有好坏之分，重要的是根据自身的需求，选择最适合的工具进行数据分析。
一、工具类
1. Excel （适合入门）
软件介绍：
Excel几乎所有行业中很基本的，流行的和广泛使用的分析工具。无论您是Sas，R还是Tableau的专家，您仍然需要使用Excel。
Excel优点：
1、制作表格。在数字化的今天，在工作和生活中，我们往往使用表格来简化信息，Excel给定了格式来避免我们花大量的时间在表格制作上面。
2、绘制图表。图形能够帮助我们更好的理解数字的走势和大小的比较、比例的多少，Excel中自带图形模板，其中常用的有散点图、条形图、折线图、饼图、面积图、股价图、雷达图等多种图形模板。
3、函数应用。函数是Excel最常用功能之一，简单到求和，求平均数，最大值，最小值，复杂一点的如if，vlookup，match，indirect以及数组函数等，帮助我们处理数据之间的计算和关系。
4、数据分析。Excel不光能罗列数据，展示数据，还能对数据进行分析。简单地，我们可以使用数据透视表功能，数据透视表能够帮我们把简单的、单个的数据根据我们的需要整理成报表形式，优势是简单易学，只需要简单地拖拽就可以实现，对于现如今我们从系统中导出的大量格式化的数据非常实用，缺点是只可以进行简单地描述性数据分析。
5、VBA，功能自定义。虽然Excel现在拥有的功能已经让很多人眼花缭乱，但是它还是给用户保留了自定义开发功能的权利，那就是VBA，利用编程来优化操作。
说完了Excel的优点，接下来就该说一下Excel日常使用中暴露出的一些缺点了：
1、处理数据量小，经常使用Excel的朋友应该都发现过这个问题，当Excel的数据量过大的时候，其查询和计算速度会有明显的下降，会大大影响工作效率。
2、数据分析功能弱小，复杂的分析很难实现。
2、SPSS（适合入门）
软件介绍：
SPSS非常容易使用，对初学者比较友好。它有一个可以点击的交互界面，能够使用下拉菜单来选择所需要执行的命令。SPSS可以说是一个傻瓜操作软件，只要认识了软件基本界面和功能，然后把你的数据准备好，输进去，点击需要进行分析的功能，软件会自动给你算出分析结果，并不需要写代码或者程序。
SPSS优点：
1、提供丰富的统计分析方法，例如方差、标准方差、正态分布、F检验等。
2、提供完美的图形处理功能帮助使用者在数据分析过程中直观的了解数据分布特征。
3、支持多种数据准备技术。
4、与SPSS modeler的无缝集成，可以嵌入modeler的节点（SPSS modeler就是题主提到的Clementine）
SPSS统计功能远较Excel易用且强大，并且SPSS非常适合于统计软件的初学者。
总的来说，Excel做一些简单的统计没问题，但是如果数据量比较大，SPSS的处理效率会远高于Excel，而且比Excel更专业；如果只是用作简单的数据计算和作图，Excel比SPSS更灵活更方便。
3、SAS （专业性强，适合进阶）
软件介绍：SAS最开始发源于北卡罗来纳州立大学，1976年SAS的成套软件从学校分离出来进入公司。用户可以使用SAS数据挖掘商业软件发掘数据集的模式，其描述性和预测性模型为用户更深入的理解数据提供了基础。
SAS优点：用户不需要写任何代码，SAS提供易于使用的GUI，并提供从数据处理、集群到最终环节的自动化工具，用户可以从中得出最佳结果做出正确决策。另外SAS包含很多高端的工具，包括自动化、密集像算法、建模、数据可视化等等。
SAS相对来说，是一款专业性比较强的商业分析工具，在上手方面相对比较难，而且价格比较贵。
4、RapidMiner（适合入门）
软件介绍：
RapidMiner是一个开源的数据挖掘软件，由Java语言编写而成，提供一些可扩展的数据分析挖掘算法的实现，旨在帮助开发人员更加方便快捷地创建智能应用程序。该款工具最大的好处就是，用户无需写任何代码。它是作为一个服务提供，而不是一款本地软件。
RapidMiner优点：
RapidMiner除了可以做数据挖掘，还能实现数据预处理和数据可视化、预测分析和统计建模、评估和部署等功能。
RapidMiner 有很方便及很丰富的数据可视化功能，尤其是可以通过鼠标拖拽等操作，从不同角度观察数据结果。
RapidMiner已经具备了相当完整的数据挖掘组件体系，结合帮助文档进行学习，对于理解数据分析的套路很有用。
5、KNIME（适合进阶）
软件介绍：
KNIME是一个开源的企业级分析平台，专为数据科学家而设计。KNIME的可视化界面包含从提取到呈现数据的所有节点，并强调统计模型。
KNIME优点：
1、Knime软件开源，有大量带数据案例可以学习。
2、Knime支持图形界面，细分非常小的节点和过程。
3、knime支持Python、R和Weka语言，当然还有原生的Java编程，很容易语言集成。
4、Knime有社区和实验室，Community Nodes和Knime Labs 不断更新处理新事物。
二、语言类
1. R语言（适合进阶）
语言介绍：
R语言是业界领先的分析工具，广泛用于数据统计和数据建模。通过R软件可以将一堆原始数据进行处理、运算，以得到我们想要的数值结果或者图形。R语言支持在各种平台上运行，即-UNIX，Windows和MacOS。它有11,556个包，允许您按类别浏览包。R语言还提供了根据用户要求自动安装所有软件包的工具，也可以使用大数据进行组装。
R语言优点：
1、统计分析方面工作。R提供了各种各样的数据处理和分析技术，几乎任何数据分析过程都可以在R中完成。相比R语言，SPSS、MINITAB、MATLAB等数据分析软件更加适合于已经处理好的、规范的数据，而对于还未完成处理过程，或者在分析中仍需大量与处理过程的数据而言，它们可能会显得繁琐一些。
2、R具有顶尖的绘图功能。尤其对于复杂数据的可视化问题，R的优势更加明显。一方面，R中各种绘图函数和绘图参数的综合使用，可以得到各式各样的图形结果，无论对于常用的直方图、饼图、条形图等，还是复杂的组合图、地图、热图、动画，以及自己脑子里突然想到的其他图形展现方式，都可以采用R语言实现。
另一方面，从数值计算到得到图形结果的过程灵活，一旦程序写好后，如果需要修改数据或者调整图形，只需要修改几个参数或者直接替换原始数据即可，不用重复劳动。这对需要绘制大量同类图形的用户比较适用。
如果你主要从事统计分析工作或学习，R绝对是一门利器。当然，各种统计软件各有优劣，并没有绝对最好的分析工具，只有适合自己的才是最好的。在更多的时候，配合不同软件的优势可能会是更好的选择。
如对于小型数据，可以先用EXCEL进行初步预处理，再使用R进行更复杂的数据分析工作；如对于超大型数据，一般的操作是用数据库管理系统存储这些数据，再用R抽取需要的部分进行分析。
2.Python（适合进阶）
语言介绍：
Python是一门面向对象的编程语言，编译速度超快，从诞生到现在已经25个年头了。它具有丰富和强大的库，常被称为“胶水语言”，能够把用其他语言编写的各种模块（尤其是C/C++）很轻松地联结在一起。其特点在于灵活运用，因为其拥有大量第三方库，所以开发人员不必重复造轮子，就像搭积木一样，只要擅于利用这些库就可以完成绝大部分工作。
Python的优点：
Python在数据分析和交互、探索性计算以及数据可视化等方面都有非常成熟的库和活跃的社区，使python成为数据处理任务重要解决方案。
在科学计算方面，python拥有numpy与scipy、pandas、matplotlib、scikit-learn等等一系列非常优秀的库和工具，特别是pandas在处理中型数据方面可以说有着无与伦比的优势。下面具体介绍这几个包：
Numpy与Scipy
NumPy 来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多，本身是由C语言开发。这个是很基础的扩展，其余的扩展都是以此为基础。
Scipy基于Numpy，提供方法(函数库)直接计算结果，封装了一些高阶抽象和物理模型。比方说做个傅立叶变换，这是纯数学的，用Numpy；做个滤波器，这属于信号处理模型了，在Scipy里找。
Pandas
基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。最具有统计意味的工具包，某些方面优于R软件。
Matplotlib
Python中最著名的绘图系统，很多其他的绘图例如seaborn（针对pandas绘图而来）也是由其封装而成。绘制的图形可以大致按照ggplot的颜色显示，但是还是感觉很鸡肋。但是matplotlib的复杂给其带来了很强的定制性。其具有面向对象的方式及Pyplot的经典高层封装。
另外相比R语言，python不仅在数据分析方面能力强大，在爬虫、web、自动化运维甚至游戏等等很多领域都有广泛的应用。这就使公司使用一种技术完成全部服务成为可能，有利于各个技术组之间的业务融合。
以上就是常见的几款数据分析工具，大家可以根据自身需求选择适合自己的软件。