数据挖掘专业中常用的软件包括：

Python

特点：简单易学的语法，强大的数据处理和分析能力，丰富的库和框架支持（如Pandas、NumPy、Scikit-learn、TensorFlow、Keras、Matplotlib、Seaborn）。

适用场景：数据清洗、数据预处理、建模、可视化、深度学习等。

R

特点：专门为统计分析和数据挖掘设计的编程语言，拥有丰富的统计和图形工具（如ggplot2、dplyr、tidyr），CRAN提供了大量的包和函数。

适用场景：数据探索、建模、可视化、统计建模等。

SQL

特点：用于管理和操作关系型数据库的语言，常用于数据的提取、筛选和聚合。

适用场景：数据预处理、ETL（提取、转换、加载）。

Tableau

特点：强大的数据可视化工具，易于上手，支持多种数据源和数据类型。

适用场景：数据可视化、报表生成、商业智能等。

KNIME

特点：开源的数据分析、报告和集成平台，模块化设计，易于扩展。

适用场景：数据集成、分析、报告生成等。

Weka

特点：专为机器学习和数据挖掘设计的开源软件，提供多种数据预处理工具、分类和回归算法、聚类技术以及关联规则挖掘方法。

适用场景：数据挖掘、机器学习、数据预处理等。

Hadoop

特点：用于处理大规模数据集的分布式计算框架。

适用场景：大数据处理、分布式存储、分布式计算等。

Excel

特点：电子表格软件，内置一些数据分析工具。

适用场景：基础数据分析、报表制作等。

SAS

特点：商业化的统计分析软件，提供全面的数据挖掘和统计分析功能。

适用场景：商业分析、数据挖掘、预测分析等。

SPSS

特点：用户友好的统计软件，适合数据可视化和基础数据挖掘功能。

适用场景：数据可视化、统计分析、基础数据挖掘等。

RapidMiner

特点：开源的数据科学平台，支持数据预处理、机器学习、深度学习、文本挖掘等多种功能。

适用场景：数据分析、机器学习、预测分析等。

MATLAB

特点：用于科学计算和数据可视化的高级编程语言和环境，提供丰富的工具箱和函数。

适用场景：科学计算、数据分析、图像处理、机器学习等。

这些软件各有特点，选择合适的工具可以根据具体需求和项目特点来决定。例如，Python和R在数据挖掘领域非常流行，适合需要深度学习和统计分析的场景；而Tableau和KNIME则更适合数据可视化和报告生成。对于大规模数据处理，Hadoop和Spark也是重要的工具。