数据挖掘是深层次的数据分析，数据分析是浅层次的数据挖掘，数据挖掘更偏重于探索性数据分析，因为数据挖掘的重点是从数据中发现知识规律。
它们的具体区别如下：
（1）数据分析处理的数据量可能不大；而数据挖掘处理的数据量极大， 并且特别擅长处理大数据，尤其是几十万行、几百万行，甚至更多的数据。
（2）数据分析往往是从一个假设出发，需要自行建立方程或模型来与假设吻合；而数据挖掘不需要假设，可以自动建立方程，比如关联规则和聚类分析。
（3）数据分析往往处理数值型数据；而数据挖掘能够处理不同类型的数据，比如声音、文本等。
（4）数据分析主要侧重于通过观察数据来对历史数据进行统计学分析；而数据挖掘通过从数据中发现“知识规律”来对未来的某些可能性做出预测分析，其更注重分析数据间的内在联系。
（5）数据分析与数据挖掘的区别更多地体现在职业方向上。相对数据挖掘工程师，数据分析师与业务方的工作衔接更多，理解与梳理业务诉求、 明确业务目的和指导模型搭建是数据分析师的主要工作；而模型搭建与参数调优则是数据挖掘工程师的工作。
其实，在很多情况下，数据分析与数据挖掘是“同源同根”的。也就是说，数据分析与数据挖掘没有明确的界限。
如果想从数据中提取一定的规律（即认知），则往往需要将数据分析和数据挖掘结合使用。因为在计算机中，数据都是以0和1的形式进行存储的，从这个层面上讲，数据分析的范畴更大一些。
而在以上区别（5）中所说的两者不同的分工也是在大公司中会分得比较明确，如果是在中小公司中，（5）中所说的工作都是由一个人完成的。
所以，想要学习数据挖掘肯定还是需要有相关的数据分析基础。
那么，怎样可以高效快速地掌握数据分析和数据挖掘呢？
大家在搜索学习方法时，肯定会发现要学习的东西很多，不仅要掌握分析工具、分析语言，还要学习统计学、机器学习算法等等。
虽然这些确实是需要掌握的内容，但也都只是实现某种业务目的的工具。想要真正做好数据分析和数据挖掘，使其真正赋能实际业务，具备良好的数据思维才是关键。
《数据分析与挖掘算法：Python实战》一书便深刻阐述了数据思维的重要性，并将数据思维上升到哲学高度。
此外，本书也对从数据处理到数据分析进行了全流程说明，对经典的数据挖掘算法从理论到Python实践逐步深入讲解，使读者不仅知其然知其所以然，也使读者可以联系生活中的例子进行实操。
一本书，讲明了数据分析与挖掘的重点，帮你从底层扎实地建立起知识框架，带你快速体验实践数据分析与挖掘的乐趣，非常值得想要学习数据分析与挖掘的读者入手！
