数据获取涉及获得包含来自各种输入器件的数据源、从器件中提取数据，以及将其转换为适于进一步处理的表示方式。

数据的三个主要来源是：因特网、数据库、以及本地文件。某些本地文件可能是通过Python程序生成，包括序列化的【pickled】数据。

数据格式多种多样：

• 自然语言的非机构化纯文本（比如英文、汉文）
• 数据库中的表格数据
• 使用超文本标记语言（HTML）或更一般的可扩展标记语言（XML）的标记数据
• JavaScript对象表示法（JSON）中的标记数据

自动化数据处理流程（获取、清洗和变换原始数据、描述性和探索性数据分析、数据建模和预测）自然产生了可重用的代码：任何人都可以执行的Python脚本。这些脚本可以将原始数据转换为报告中描述的最终结果；在理想情况下，这一过程不需要任何额外的人机交互。其他研究人员能使用可重用的代码对模型和结果进行验证，并应用你开发的程序解决他们遇到的问题。