數(shù)據(jù)是新的石油，不過要想開采石油需要有熟練的工程師才行。數(shù)據(jù)科學(xué)家就是干這個的。但是要想成為一名數(shù)據(jù)科學(xué)家，你得掌握特定技能才行。哪些才是對數(shù)據(jù)科學(xué)家最迫切的技能呢？讓Jeff Hale告訴我們答案。最難能可貴的是，其對需求最迫切技能的研究分析也體現(xiàn)出了一位數(shù)據(jù)科學(xué)家的素養(yǎng)。這個分析過程本身就非常的嚴(yán)謹(jǐn)，值得學(xué)習(xí)借鑒。

大家對數(shù)據(jù)科學(xué)家的預(yù)期是應(yīng)該懂很多——機(jī)器學(xué)習(xí)、計算機(jī)科學(xué)、統(tǒng)計、數(shù)學(xué)、數(shù)據(jù)可視化、溝通，以及深度學(xué)習(xí)。這些領(lǐng)域牽涉到很多的語言、框架以及技術(shù)的學(xué)習(xí)。數(shù)據(jù)科學(xué)家要想成為雇主想要的那種人才的話，應(yīng)該把學(xué)習(xí)的精力放在哪些地方呢？

我到求職網(wǎng)站去尋找對數(shù)據(jù)科學(xué)家最迫切的技能需求是什么。我看了一般的數(shù)據(jù)科學(xué)技能，也分別看了對語言和工具的要求。2018年10月10日，我在LinkedIn、Indeed、SimplyHired、Monster以及AngelList上面搜索了求職列表。下面這張圖列出了每個網(wǎng)站對數(shù)據(jù)科學(xué)家的需求數(shù)量。

我看了很多求職列表和調(diào)查以找出最常見的技能。像管理這類的術(shù)語就不進(jìn)行比較了，因為可以用到的場合太多了。

所有的搜索都是針對美國，使用了“data scientist（數(shù)據(jù)科學(xué)家）”、“[keyword]”作為搜索關(guān)鍵字。采用精確匹配以減少搜索結(jié)果數(shù)。然而，這個方法確保了結(jié)果對數(shù)據(jù)科學(xué)家職位是相關(guān)的，并且對所有搜索術(shù)語都產(chǎn)生類似的作用。

AngelList提供的是列出數(shù)據(jù)科學(xué)家崗位的公司數(shù)而不是崗位數(shù)。我把AngelList從所有分析里面排除掉了，因為其搜索算法似乎按照OR型的邏輯搜索進(jìn)行，沒有辦法改成AND。如果你尋找的是“數(shù)據(jù)科學(xué)家”“TensorFlow”的話，AngelList也沒問題，因為這只能在數(shù)據(jù)科學(xué)家崗位里面找到，但如果你的關(guān)鍵字是“數(shù)據(jù)科學(xué)家”“react.js”的話，它返回的結(jié)果就太多了，其中會包括一大堆非數(shù)據(jù)科學(xué)家的崗位列表。

Glassdoor也被排除在我的分析之外。該網(wǎng)站聲稱在美國有26263個“數(shù)據(jù)科學(xué)家”職位，但是顯示出來的卻不超過900個。此外，它上面的數(shù)據(jù)科學(xué)家崗位數(shù)超過任何其他主流平臺3倍以上似乎極不可能。

LinkedIn上超過400個崗位列表都提到的通用技能以及超過200個崗位列表都提到的特別技術(shù)被納入到最終分析里面。當(dāng)然，這兩者之間會有一些交叉。結(jié)果已經(jīng)被記錄進(jìn)這張Google Sheet里面。

我下載了.csv文件并且導(dǎo)入到JupyterLab。然后我計算了出現(xiàn)比例并求出求職網(wǎng)站之間的平均數(shù)。

我還將軟件結(jié)果跟GlassDoor的一項研究（2017年上半年，針對數(shù)據(jù)科學(xué)家崗位列表）進(jìn)行了對比。再結(jié)合KDNuggets使用情況調(diào)查的信息，似乎一些技能正在變得越來月重要，而其他一些的相關(guān)性則在下降。后面我們會細(xì)談。

互動式圖表可以到我的Kaggle Kernel上面去看，額外分析可參見此處。可視化我用的是Plotly。為了本文結(jié)合使用Plotly和JupyterLab可費了一點功夫——相關(guān)指令可到我的Kaggle Kernel找，另外這里也有Plotly的腳本。

通用技能

下面這張圖反映的是雇主尋找最頻繁的數(shù)據(jù)科學(xué)家通用技能。

結(jié)果表明，分析和機(jī)器學(xué)習(xí)是數(shù)據(jù)科學(xué)家崗位的核心技能。從數(shù)據(jù)中發(fā)現(xiàn)洞察是數(shù)據(jù)科學(xué)的主要職能。機(jī)器學(xué)習(xí)則是要創(chuàng)建系統(tǒng)來預(yù)測表現(xiàn)，這是非常亟需的技能。

數(shù)據(jù)科學(xué)需要統(tǒng)計和計算機(jī)科學(xué)技能——這一點并不出奇。統(tǒng)計分析、計算機(jī)科學(xué)以及數(shù)學(xué)也是大學(xué)的專業(yè)，這大概對其出現(xiàn)頻率有幫助。

有趣的是溝通在將近一般的崗位列表中被提到。數(shù)據(jù)科學(xué)家需要將洞察與工作與他人進(jìn)行溝通。

AI和深度學(xué)習(xí)的出現(xiàn)頻率沒有其他一些屬于那么頻繁。然而，它們都屬于機(jī)器學(xué)習(xí)的子集。機(jī)器學(xué)習(xí)過去由其他算法執(zhí)行的任務(wù)正在被越來越多的深度學(xué)習(xí)算法替代。比方說，大多數(shù)自然語言處理問題最好的機(jī)器學(xué)習(xí)算法現(xiàn)在都是深度學(xué)習(xí)算法。我預(yù)計深度學(xué)習(xí)技能在未來的需求會更加迫切，而機(jī)器學(xué)習(xí)也將日益變成深度學(xué)習(xí)的同義詞。

此外，哪些數(shù)據(jù)科學(xué)家的軟件工具是雇主想要尋求的呢？下面我們就來看看這個問題的答案。

技術(shù)技能

以下是雇主希望數(shù)據(jù)科學(xué)家掌握的排名靠前的20種語言、庫以及技術(shù)工具。

我們大概看一下其中最常見的技術(shù)技能。

Python

Python是需求最旺盛的語言。這門開源語言的流行度已經(jīng)被很多人注意到。它對初學(xué)者很友好，有許多支持資源。絕大部分新的數(shù)據(jù)科學(xué)工具都兼容它。Python是數(shù)據(jù)科學(xué)家的主要語言。

R

R語言并不比Python落后多少。它一度是數(shù)據(jù)科學(xué)的主要語言。我反而對它的需求依然如此旺盛感到吃驚。這門開源語言的根在統(tǒng)計，至今在統(tǒng)計學(xué)家那里仍非常流行。

Python或者R幾乎是每一個數(shù)據(jù)科學(xué)家崗位的必須。

SQL

SQL的需求也很高。SQL即結(jié)構(gòu)化查詢語言（Structured Query Language），是與關(guān)系式數(shù)據(jù)庫的主要交互方式。SQL有時候會被數(shù)據(jù)科學(xué)界忽視，但這是一門值得掌握的技能，如果你打算切入求職市場的話。

Hadoop、Spark

接下來是Hadoop和Spark，這兩個都是出自Apache的大數(shù)據(jù)開源工具。

Apache Hadoop是一個利用商品化硬件搭建的計算機(jī)集群對超大規(guī)模數(shù)據(jù)集進(jìn)行分布式存儲和分布式處理的開源軟件平臺。

Apache Spark是一個有著優(yōu)雅的、富有表現(xiàn)力的API，可讓數(shù)據(jù)工作者高效執(zhí)行需要對數(shù)據(jù)集進(jìn)行快速迭代存取的流處理、機(jī)器學(xué)習(xí)或者SQL負(fù)載的快速內(nèi)存數(shù)據(jù)處理引擎。

相對于其他，這些工具在Medium和教程中被提及的次數(shù)少了點。我猜具備這些技能的求職者要比具備Python、R和SQL技能的求職者少得多。如果你掌握了一定Hadoop和Spark經(jīng)驗的話，應(yīng)該可以在競爭中獲得優(yōu)勢。

Java、SAS

然后是Java和SAS。這兩門語言地位這么高倒是出乎我的意料。其背后都有大公司的支持，支持至少都提供了一些免費的產(chǎn)品。不過Java和SAS在數(shù)據(jù)科學(xué)社區(qū)受到的關(guān)注都很少。

Tableau

對Tableau的需求次之。這個分析平臺和可視化工具非常強(qiáng)大，易用，而且越來越流行。它有一個免費的公共版本，但是如果你想數(shù)據(jù)保持私有的話得花錢。

如果你對Tableau不熟悉的話，到Udemy上一門Tableau 10 A-Z快速了解一下絕對是值得的。聲明一下啊，我這么建議可不是拿了傭金的——那是因為我上過這門課之后發(fā)現(xiàn)它的確有用。

下面這張表反映的是更大范圍內(nèi)的語言、框架等數(shù)據(jù)科學(xué)軟件工具的需求情況。

歷史對比

GlassDoor對2017年1月到7月間數(shù)據(jù)科學(xué)家10大最常見的軟件技能進(jìn)行了分析。以下是那些術(shù)語出現(xiàn)的頻度相對2018年10月在LinkedIn、Indeed、SimplyHired及Monster上出現(xiàn)頻度平均數(shù)的對比。

結(jié)果相當(dāng)類似。我的分析和GlassDoor的分析都發(fā)現(xiàn)Python、R及SQL都是需求最旺盛的技能。兩份分析發(fā)現(xiàn)的需求前9大技術(shù)技能都是一樣的，盡管順序方面略有不同。

結(jié)果表明，相對于2017年上半年，R、Hadoop、Java、SAS及MatLab現(xiàn)在的需求略微下降，而對Tableau的需求則在上升。加上KDnuggets開發(fā)者調(diào)查這類的輔助性結(jié)果，我想這就是我預(yù)期的結(jié)論。R、Hadoop、Java和SAS均呈現(xiàn)出多年的下降趨勢，而則顯示出明顯的上升勢頭。

建議

基于這些分析的結(jié)果，以下是對當(dāng)前和想要成為數(shù)據(jù)科學(xué)家的人提供的提升自我價值的建議。

證明你可以進(jìn)行數(shù)據(jù)分析并且專注機(jī)器學(xué)習(xí)，要變得非常擅長。

對你的溝通技能進(jìn)行投資。我建議去讀讀《Made to Stick（讓創(chuàng)意更有粘性）》這本書來讓你的想法產(chǎn)生更大影響。此外還可以用Hemmingway Editor這款app改進(jìn)寫作的清晰性。

掌握一種深度學(xué)習(xí)框架。精通一種深度學(xué)習(xí)框架在精通機(jī)器學(xué)習(xí)中占據(jù)了越來越大的部分。深度學(xué)習(xí)框架在使用情況、流行度等方面的對比情況可以看我的這篇文章。

如果你要走學(xué)習(xí)Python和R語言之間做選擇的話，選Python。如果你對Python不感冒，那就選擇R。如果你也懂R的話在市場上一定會更加搶手。

當(dāng)雇主尋找懂Python技能的數(shù)據(jù)科學(xué)家時，他們可能也會預(yù)期應(yīng)征者了解常見的python數(shù)據(jù)庫庫：numpy、pandas、scikit-learn以及matplotlib等。如果你想學(xué)習(xí)這里提到的工具的話，我建議你看看以下這些資源：

DataCamp及DataQuest——均為定價合理的在線SaaS數(shù)據(jù)科學(xué)教育產(chǎn)品，可以一邊編碼一邊學(xué)習(xí)。這兩個都教若干的技術(shù)工具。

Data School上面有各種資源，其中就包括了一套很好的YouTube視頻，里面解釋了數(shù)據(jù)科學(xué)的概念。

McKinney的《Python for Data Analysis》。這本書是pandas庫的主要作者寫的，聚焦的是pandas，同時也討論了python基礎(chǔ)、numpy以及scikit-learn的數(shù)據(jù)科學(xué)功能。

Müller & Guido的《Introduction to Machine Leaning with Python》。Müller是scikit-learn的主要維護(hù)者之一。這本書非常優(yōu)秀，是學(xué)習(xí)用scikit-learn做機(jī)器學(xué)習(xí)的好讀物。

如果你尋求去學(xué)習(xí)深度學(xué)習(xí)的話，我建議先從Keras或者FastAI開始，然后再轉(zhuǎn)到TensorFlow或者PyTorch。Chollet的《Deep Learning with Python》是學(xué)習(xí)Keras的好資源。

除了這些推薦以外，我還建議你學(xué)習(xí)自己感興趣的東西，盡管在決定如何分配學(xué)習(xí)時間方面顯然有很多考慮因素。

LinkedIn

如果你要通過在線門戶找數(shù)據(jù)科學(xué)家崗位的話，我建議你從LinkedIn開始——這個地方總是有最多的結(jié)果。

如果你在求職網(wǎng)站上尋找工作或者職位的話，關(guān)鍵字很重要。每個網(wǎng)站搜“數(shù)據(jù)科學(xué)”返回的結(jié)果數(shù)幾乎是“數(shù)據(jù)科學(xué)家”的3倍。但如果你要找的就是數(shù)據(jù)科學(xué)家的工作的話，最好還是搜索“數(shù)據(jù)科學(xué)家”。

無論你去哪里找，我建議你要制作一份在線作品集來證明你擅長許多亟需的技能。我也建議你在LinkedIn檔案上展示你的技能。