我觉得楼主之所以问这个问题，就是很多教程和回复其实对于初学者很抽象很陡峭，他听不懂啊！我在这里用土话讲点没啥高水平的例子，同时也避免拿西瓜大米举例子。既然楼主说，做数据和机器学习，那咱考虑这么个但凡用 Python 搞数据都逃不开的玩意儿：numpy

numpy 里所有的进行操作的对象，都来自于一个叫 numpy.ndarray 的类。有了 OOP 的概念，我们这样用：
import numpy as np
a = np.array([1, 2, 3])
print(a.shape)
b = np.transpose(a)

如果你不走 OOP，用函数，那么：
a 定义好之后，它什么功能都没有。你想看 a.shape （看 a 是几乘几的数列）？需要自己去调用某些函数。想对 a 用 transpose()？要重新定义一个很麻烦很麻烦的 transpose 函数，因为你的 a 不是一个标准模版的产物，你要明确告诉 transpose()这个 a 的数据结构是什么样的。

从 numpy 这个位置，横向展开说，scipy，scikit-learn，matplotlib，pandas，pytorch 这些库，都是基于 OOP 的概念做的。纵向往底层说，Python 里的一切东西都是对象。纵向往高层说，你自己对不同的数据集写很多很长的代码之后，不管是用 jupyterlab，pycharm 之类的 IDE 还是 Vim 之类的 text editor，有一个想法会自然产生：每天做的事，好像都能整个模版？有些功能不一样？那就整一个有层级的模版。

对于为了做数据而学习 Python 的人来说，模版可以说是 Python 最吸引人的地方。几百行的类似的代码，统统扔进一个文件里作为 module，module 里面把你常做的数据结构写成类的数据属性，常用的函数写成方法。然后遇到新的数据，一两行初始化，完事。

再想一个问题，为什么人们一说，诶我想快速学习数据处理，都会想到 Python ？难道因为它快？那是笑话，C 和 Fortran 才是为计算而生的。用 Python 就是因为它从上到下都是对象，方便套模版呀。出于这个原因，numpy 之类的高端模版库也被创造出来了，机器学习的模版也被创造出来了，都是为了让人写几行程序就能初始化，直接思考数学上的事情，仅此而已。所以要避免一个误区，就是 Python 是适合机器学习的，并不是，它就是省力，社区繁荣。

楼主说“只用 python 做数据挖掘，机器学习，会用到面向对象的编程方法么？”如果你想上来就干活，那你反而是“只用面向对象的编程”，你不管底层实现，那些都在模版里了。底层实现的东西来自各种地方，比如 matplotlib 来自 matlab ； scipy 很多方法来自 fortran ；机器学习用显卡加速都是用的 CUDA，CUDA 在设计上是用来和 C/C++/Fortran 对话的，你能用 Python 多亏了 tensorflow，pytorch 之类的模版里面把这些都包进去了。