Python เบื้องต้นสำหรับ Data Analyst (ต่อยอดจาก Google Sheets)

หลังจากบทความ 10 สูตรใน Google Sheets ที่ Data Analyst ใช้แล้วใช้อีก มีหลายคนทักมาถามแอดคำถามเดียวกันเลยว่า

“แล้วทีนี้ Python ล่ะครับ ต้องเริ่มยังไง ?”

ผมเข้าใจความรู้สึกนี้ดีครับ เพราะ Google Sheets มันเห็นผลลัพธ์ทันทีที่คลิก แต่ Python ต้องพิมพ์โค้ด แค่คิดก็ขี้เกียจละ (55555)

แต่ข่าวดีคือ ถ้าคุณใช้ Pivot Table หรือ SUMIF ใน Google Sheets เป็นอยู่แล้ว คุณไม่ได้เริ่มจากศูนย์เลยครับ เพราะแนวคิดเบื้องหลังมันคล้ายกันมากๆ แค่เปลี่ยนภาษาที่ใช้สั่งเท่านั้นเอง

บทความนี้ผมจะพาไปดูว่า Python เกี่ยวข้องกับงาน Data Analytics ยังไง ทำไมคนในสายนี้ถึงยังต้องรู้ไว้แม้จะมี AI ช่วยเขียนโค้ดได้แล้ว และจะเริ่มต้นแบบไม่เจ็บตัวได้ยังไงบ้างครับ

ทำไม Data Analyst ยังต้องรู้ Python ในยุคที่ AI เขียนโค้ดให้ได้

คำถามนี้แฟร์มากครับ เพราะทุกวันนี้พิมพ์ prompt สั้นๆ ก็ได้โค้ดมาเป็นสิบบรรทัดแล้ว

แต่ประเด็นคือ ปริมาณข้อมูลในโลกธุรกิจตอนนี้มันเกินกว่าที่ Google Sheets จะรับไหวครับ ลองนึกภาพไฟล์ยอดขายที่มีเป็นล้านแถว Sheets จะหมุนติ้วจนเครื่องค้าง แต่ Python จัดการได้ในไม่กี่วินาที นี่คือเหตุผลหลักเลยที่ทำให้ Python ยังคงเป็นภาษาที่ถูกใช้มากที่สุดในสาย AI และ Data ตามผลสำรวจ Stack Overflow Developer Survey 2025 ที่ระบุว่าการใช้งาน Python เติบโตขึ้นถึง 7 จุดในปีเดียว ซึ่งมาจากแรงหนุนของงานสาย AI และ data pipeline โดยเฉพาะ

อีกเหตุผลที่สำคัญไม่แพ้กันคือ ถ้าคุณไม่รู้ Python เลย คุณจะไม่มีทางรู้ว่าโค้ดที่ AI เขียนให้นั้น “ถูกต้อง” จริงไหม เหมือนที่ผมเคยพูดไว้ในบทความเรื่อง SQL ครับ หลักการเดียวกันเป๊ะ — AI ช่วยพิมพ์ได้เร็ว แต่คนที่ตรวจสอบและเข้าใจ logic ยังต้องเป็นคุณอยู่ดี

Python vs Google Sheets ต่างกันตรงไหนกันแน่

ผมชอบเปรียบเทียบแบบนี้ครับ

Google Sheets เหมือนครัวขนาดเล็กที่ทุกอย่างมองเห็นตรงหน้า หยิบจับได้ทันที เหมาะกับงานด่วน ข้อมูลไม่เยอะมาก

Python เหมือนครัวโรงแรมที่มีระบบจัดการชัดเจน ทำอาหารทีละหลักพันจานได้ ทำซ้ำได้แบบไม่มีพลาด (Automation) และจัดการวัตถุดิบสกปรกยุ่งเหยิงได้ดีกว่ามาก

ตารางเทียบง่ายๆ ให้เห็นภาพครับ

งานที่ทำ	Google Sheets	Python
ดูยอดขายรวมตามเมนู	=SUMIF()	df.groupby('เมนู')['ยอดขาย'].sum()
กรองข้อมูลตามเงื่อนไข	Filter view	df[df['ยอดขาย'] > 1000]
จัดการไฟล์ 500,000 แถว	ช้ามาก / ค้าง	เร็ว ไม่มีปัญหา
ทำซ้ำทุกวันอัตโนมัติ	ทำยาก ต้องเปิดเอง	เขียน script รันเองได้

เห็นไหมครับว่าโครงสร้างความคิดมันคล้ายกันมาก แค่เปลี่ยนจากคลิกเมาส์เป็นพิมพ์คำสั่ง

เริ่มต้นยังไงโดยไม่ต้องติดตั้งอะไรเลยสักอย่าง

จุดที่มือใหม่ท้อที่สุดคือขั้นตอนติดตั้งครับ เอาจริงๆ ข้ามได้เลย

วิธีที่ผมแนะนำที่สุดสำหรับคนเพิ่งเริ่ม คือใช้ Google Colab เพราะมันคือ Python ที่รันบนเบราว์เซอร์ ไม่ต้องติดตั้งอะไรทั้งนั้น แถมยังเป็นของ Google ระบบเดียวกับ Sheets ที่คุณคุ้นเคยอยู่แล้วด้วย

ถ้าอยากติดตั้งลงเครื่องจริงจังทีหลัง ก็โหลดได้ที่ python.org ซึ่งเป็นเว็บทางการครับ

Pandas คือ Excel เวอร์ชันที่ทรงพลังกว่า

พอเปิด Python มาเปล่าๆ มันทำอะไรกับตารางข้อมูลไม่ได้เลยครับ ต้องมี “library” หรือชุดเครื่องมือเสริมเข้ามาช่วย และตัวที่ Data Analyst ทุกคนต้องรู้จักคือ Pandas

Pandas ถูกสร้างขึ้นมาโดย Wes McKinney ตั้งแต่ปี 2008 เพื่อจัดการข้อมูลแบบตาราง (คล้าย Excel/Sheets เป๊ะๆ) และตอนนี้กลายเป็นเครื่องมือมาตรฐานที่นักวิเคราะห์ข้อมูลทั่วโลกใช้กัน ดูรายละเอียดเพิ่มเติมได้ที่ เอกสารทางการของ Pandas เลยครับ ละเอียดมากและฟรี

ลองดูตัวอย่างโค้ดง่ายๆ ที่ทำงานเดียวกับที่คุณเคยทำใน Sheets ครับ

เปิดไฟล์ CSV มาดู (เหมือนเปิดไฟล์ Sheets)

import pandas as pd
df = pd.read_csv('ยอดขาย.csv')

ดูข้อมูล 5 แถวแรก (เหมือน scroll ดูตารางคร่าวๆ)

df.head()

รวมยอดขายตามเมนู (เหมือนทำ Pivot Table)

df.groupby('เมนู')['ยอดขาย'].sum()

กรองเฉพาะแถวที่ยอดขายเกิน 1,000 บาท (เหมือน Filter view)

df[df['ยอดขาย'] > 1000]

เห็นไหมครับว่าไม่ได้น่ากลัวเลย มันคือการพิมพ์สิ่งที่คุณคิดออกมาเป็นภาษาอังกฤษง่ายๆ นั่นแหละ

เส้นทางเรียนรู้ที่แนะนำ ไม่ต้องรีบ

ผมแนะนำลำดับนี้ครับ ไม่ต้องข้ามขั้นเดี๋ยวงง

1. พื้นฐาน Python 1-2 สัปดาห์ — ตัวแปร, list, dictionary, loop ง่ายๆ พอ ไม่ต้องลึก
2. Pandas พื้นฐาน 2-3 สัปดาห์ — เปิดไฟล์, ดูข้อมูล, filter, groupby แค่นี้ใช้งานได้ 80% ของงานจริงแล้ว
3. Visualization เบื้องต้น — ลองใช้ library อย่าง Matplotlib วาดกราฟง่ายๆ จากข้อมูลที่มี
4. เอาไปจับกับงานจริง — เอาไฟล์ยอดขายจริงของตัวเอง หรือธุรกิจที่บ้านมาลองทำเลย จะเข้าใจเร็วกว่าดูตัวอย่างในคอร์สมาก

ข้อผิดพลาดที่คนส่วนใหญ่ทำคือพยายามเรียนให้ “ครบ” ก่อนเริ่มใช้งานจริง ซึ่งเป็นวิธีที่ทำให้ท้อเร็วที่สุดครับ เรียนแค่พอใช้ แล้วไปลงมือทำเลยดีกว่า ผิดค่อยกลับมาแก้

สรุป — Python ไม่ได้มาแทน Google Sheets แต่มาต่อยอด

ผมอยากให้ทุกคนเลิกคิดว่า “ต้องเลือกอย่างใดอย่างหนึ่ง” ครับ เพราะในงานจริง Data Analyst ที่เก่งมักใช้ทั้งคู่สลับกันไปตามสถานการณ์

ข้อมูลเล็ก ต้องดูด่วน แชร์ให้คนอื่นดูง่ายๆ ➜ Google Sheets ข้อมูลใหญ่ ต้องทำซ้ำบ่อยๆ หรือ logic ซับซ้อน ➜ Python

จุดเริ่มต้นที่ดีที่สุดของคุณคือวันนี้เลยครับ ไม่ต้องรอให้พร้อม เปิด Google Colab แล้วลองพิมพ์สามบรรทัดที่ผมให้ไปข้างบนดูเลย

รับรองว่าพอเห็นผลลัพธ์ครั้งแรกออกมา คุณจะรู้สึกเหมือนตอนที่พิมพ์สูตร VLOOKUP ถูกครั้งแรกเป๊ะๆ เลยครับ

Nut Khuannaen

---

อ้างอิง (References)

• Stack Overflow. 2025 Developer Survey — Technology. https://survey.stackoverflow.co/2025/technology
• Pandas Development Team. Getting started — pandas documentation. https://pandas.pydata.org/docs/getting_started/index.html
• Python Software Foundation. Download Python. https://www.python.org/downloads/
• Google. Google Colaboratory. https://colab.research.google.com/