python执行效率不高，在处理大数据的时候，效率不高； 10亿级别以上的数据Python效率低。
python执行效率不高，在处理大数据的时候，效率不高。Python的优势：python的优势不在于运行效率，而在于开发效率和高可维护性。
Python语言在大数据领域扮演着核心角色。Python的简洁易读、高效开发和强大的数据处理能力使其成为大数据领域的首选语言。在大数据分析中，Python可以进行数据清洗、数据挖掘、机器学习等任务。此外，Python的许多库如Pandas、NumPy、SciPy和Matplotlib等为其在数据处理和可视化方面提供了强大的支持。
题主所谓的大数据量，不知到底有多大的数据量呢？按照我的经验，Python处理个几亿条数据还是绰绰有余的。但，倘若题主想要处理PB级别的数据，单纯依靠Python是不行的，还需要一些分布式算法来进行辅助。其实，大多数公司的数据量并不大，就拿我们数据分析师行业来说。
可视化能力 数据可视化是大数据智能分析最基本的要求，通过可视化可以直观的展示数据，让数据动起来，让数据自己说话。智能分析技术产品化能力 数据产业发展至今，数据分析技术已不再是护城河。
技术性 大数据智能分析能够处理来自多个源头的数据，满足不同场景的应用需求，这体现了其高度的技术性。权威性 基于权威、合法和一手的多源数据资源，大数据智能分析的结果展示和发布的数据具有权威性，具有指导作用。
Data Mining Algorithms（数据挖掘算法）可视化是给人看的，数据挖掘就是给机器看的。集群、分割、孤立点分析还有其他的算法让我们深入数据内部，挖掘价值。这些算法不仅要处理大数据的量，也要处理大数据的速度。
差异性 与单一来源数据智能分析相比，大数据实现了集多端口、多行业、多来源的综合性数据融合，在数据来源、数据结构、产生时间、使用场所、代码协议等方面具有较大的差异性。
、大数据可视化：处理完的数据需要以简单易懂的方式呈现出来。人脑对大规模数据或文本数据的处理是缓慢的，因此企业可使用可视化工具提升对数据认知、洞察的能力。（远标-ITjob）（4）、大数据分析技术：可视化数据应被解读正确地解读。企业应尽量避免错误的数据解读对认知造成的偏差。
大数据规划有五个步骤，首先从业务驱动的角度，相关部门选择要解决和产生的业务场景。针对需求处理和采取整合这些场景需要的大数据。当然选择的重点是怎么使信息快速产生价值。场景因需求不同而包罗万象：例如企业在精确营销方面提升业务增长，对于其客户在购买哪些产品前的黄金路径统计分析等等。
将数据库中的数据经过抽取、清洗、转换将分散、零乱、标准不统一的数据整合到一起，通过在分析数据库中建模数据来提高查询性能。合并来自多个来源的数据，构建复杂的连接和聚合，以创建数据的可视化图标使用户能更直观获得数据价值。为内部商业智能系统提供动力，为您的业务提供有价值的见解。
一方面它可以汇通企业的各个业务系统，从源头打通数据资源，另一方面也可以实现从数据提取、集成到数据清洗、加工、可视化的一站式分析，帮助企业真正从数据中提取价值，提高企业的经营能力。
数据挖掘算法。大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。