打开文件，再点击左上角工具栏，你选择数字，再点击到里面就这个可以你选保留数字位数
我猜楼主问这个问题，主要那就对数据分析技术不太了解
先说结论：
要是你是想堆建求全部的数据分析解决方案，从存储，数据处理和清洗，讲，可视化，那就用java，要知道java这块解决方案和框架相对多，诸如hadoop,spark,flink等
如果不是你只不过是纯数据分析，数据集都很单个体，比如想急速在excel或数据库中，检索，网上查询，提炼自己想要的数据，就用python
我们来去看看目前企业对数据分析的需求吧：
20%的数据可以发挥着80%的业务价值；
80%的数据请求只对于20%的数据。
从目前来看，反正是数据存储处理、分析肯定挖掘，最发下和晚熟的生态圈那就基于条件关系型数据库，例如报表、联机分析等工具；另那就是数据分析人员更侧重于网站查询分析语言如sql、r、python数据分析包而又不是编程语言。
企业大数据建设的二八原则是，将20%最有价值的数据——以结构化的形式读取在关系型数据库中供业务人员进行查询和分析；而将80%的数据——以非结构化、各种形式读取在相对于廉价的hadoop等平台上，供有当然数据挖掘技术的数据分析师或数据工程师参与下一步怎么办数据处理。经加工的数据这个可以以数据集市或数据模型的形式存储在nosql数据库中，这都是后面要讲过的“离线”与“在线”数据。
数据库到数据仓库，是事务型数据到分析型数据的转变，总结型数据不需要包括的是：总结的主题、数据的维度和层次，以及数据的历史变化等等。而对大数据平台来说，对分析的需求会最细，除了：
网站查询：快速响应配对组合条件查询、模糊查询、标签
搜索：以及对非结构化文档的搜索、返回结果的排序
统计数据：实时动态思想活动变化，如电商平台的在线销售订单与发货换算出的库存显示
挖掘：接受挖掘算法、机器学习的训练集
根据完全不同的数据处理需求，可能需要设计差别的数据存储，还要决定如何飞快地将数据剪切粘贴到随机的存储点并进行比较好的结构转换，以供分析人员快速响应业务的需求。
java技术栈：
hadoop三个分布式系统基础架构。
帮忙解决了大数据（大到一台计算机没能并且存储，一台计算机不能在具体的要求的时间内参与处理）的可靠存储(hdfs)和处理(mapreduce)。
hive是建立在hadoop之上的，不使用hadoop才是底层存储的批处理系统。（也可以表述为mapreduce的一层壳）
hive是替下降mapreducejobs的c语言设计工作。
hbasehbase是一种key/value系统，它启动在hdfs之上。
hbase是目的是解决hadoop的实时性需求。
spark和stormspark和storm全是不分地区的并行计算框架。
解决的办法hadoop只适用于离线数据处理，而不能不能需要提供实时数据处理能力的问题。
区别：
1.spark基于条件这样的理念，当数据庞大时，把计算过程传信给数据要比把数据传信给换算过程要更富效率。而storm是把数据传信给计算过程。
2.实现设计理念的不同，其应用领域也相同。spark工作于2个装甲旅的数据全集（如hadoop数据）也被导入spark集群，spark设计和实现intomemory管理可以不通过快讯扫描，并最大化窗口迭代算法的全局i/o不能操作。storm在闪图一次性处理内的生成的“小数据块”上要更好（诸如在twitter数据流上实时计算一些汇聚功能或分析）。
python技术栈
几张图一切都搞定
python技术栈
.jpg)
