首先说一下为什么会出现Anaconda这个工具。在初学者来说，装最新版本的python及用到的第三方库是没有问题的，因为没有什么情况是必须用老版本的。
但是在真实的工程场景下，在写python程序时会调用多个第三方库（比如你提到的PyQT5之类的）。但是第三方库会时不时升级，甚至有些接口出现变化。往往，在新版本的第三方库下就不能运行了。也就是说，你写的程序可能依赖于特定版本的第三方库。
而且，很多用户往往有不止一个项目，每个项目依赖的包不一样。比如，你有一个爬虫项目，装了些例如Selenium之类的包；另一个项目是做一个小游戏，你用到了PyGame之类的。某些情况下，会出现包冲突的情况。比如一个项目你装了最新版本的基于python3.8的第三方库，但是另一个项目用到的第三方库因为更新不及时，还只能在python3.6下运行。
这种情况下，一种方法是，在不同位置装多个python。显然，这种方法有些笨拙。因此，有人专门为了解决这种问题写了创建和管理python虚拟环境的库，比如pipenv和virtualenv。Anaconda则是更为方便和强大的虚拟环境管理工具。
讲到数据分析，我可以给你提供一个真实发生的场景，说明为什么必须用到包管理。三年前，我写了一些Python程序分析了一些生物学数据。前一段时间，我想调整一些参数重新分析一下数据，但是因为电脑升级等原因，之前写的python程序因为依赖于老版本的第三方库，已经不能运行了。这时候，有两种解决方案，一种是把老版本的库重装一遍（实际上，使用anaconda重装一个虚拟环境非常简单）；另一种是，我把整个程序针对新版本修改和升级。对于年代久远的代码，重新梳理和升级显然会花费很多时间。
数据分析过程中，有时你需要和别人交流，把代码发给别人，别人不一定就能运行，你必须告诉别人，你用了哪些第三方库，具体是什么版本。（比如用pip freeze生成requirements.txt）
总之，即使不用Anaconda，也应该用pipenv或者virtualenv，在虚拟环境上工作，避免经常重装python或者装多个版本的python。
Anaconda或者miniconda实际上不仅可以管理python的虚拟环境，还可以管理R语言的虚拟环境，数据分析领域，还会经常用到R的包。
具体安装Anaconda/miniconda，可以看这里：
如果实在要用pip安装Spyder，看这里：
不过，正如官方文档所说：
【官方警告】使用pip安装会碰到大量tricky的问题。如果不想在这上面折腾，强烈建议不要用pip来安装。
这也是为什么他们捆绑Anaconda安装的原因，因为Anaconda帮你解决了所有潜在的包依赖、编译、安装的问题。
另外，与你的印象不同，Anaconda不是一个软件商店，它是一个开发环境管理工具，只解决开发环境相关的问题。
