數據科學家-21世紀最性感的工作-可以說是每個數據分析師的最終目標，既然拿到的Stack Overflow調查問卷中含有數據分析師和數據科學家的數據，那本次報告的任務就是橫向對比一下數據分析師與數據科學家，讓大家對自己的未來的技能樹選擇能有多一點的數據支持。

假設問題

• 目前處在或者即將處在數據分析師職位的朋友應該打磨自己的哪項技能?
• 數據分析師為自己未來的數據科學家之路應該如何擴充自己的技能樹?

問題解析

本次報告嘗試橫向對比數據分析師與數據科學家，將在兩個職業的比較中回答假設問題，這樣做的好處是使兩種職業更飽滿的展現在讀者面前，因為問題的針對性比較強，對比的過程中也可以很清晰的解答問題，所以本次報告以這樣的形式展現出來

數據分析師與數據科學家

人物畫像

上圖中的語言與學歷均以占比從高到低排列

薪資

首先拿到這個數據，自然要從大家最關心的工資說起：

首先可以看出來，兩個職業在接觸編程人員中都有中等的工資水平，數據科學家更是擠進了前十，總的來說是相當不錯的薪資水平了

更細致的來看數據分析師與數據科學家的工資情況，科學家工資不管是均值還是中位數都穩超分析師，且高工資處分析師的離散程度遠遠大于科學家，也就是說數據科學家在高工資處的分布集中度更高

性別

對比前一章報告：Stack Overflow 用戶畫像分析(https://github.com/AAAlvin/Project_Folder/blob/數據之道%20-%20Stack的用戶畫像分析.md)，不難看出，這兩個職業的女性從業率都超過了編程行業的女性(4.8%)均值，且數據科學家甚至達到了兩倍的樣子，可以說是對女性非常友好的編程相關職業了，其中的原因有可能是很多專業是學習數學或者統計的朋友跨行業自學編程來到數據行業

從不同性別的薪資來看，首先對比其他職業可以看出這兩個行業男女工資基本上已經持平，跟其他行業中男性比女性工資高很多的情況形成強烈對比;隨后從兩個職業的對比中可以看出，從數據分析師進階到數據科學家，兩個職業女性的工資上漲幅度遠超男性，女性工資均值和中位數上漲了50%和70%，而男性上漲只有45%和16%

編程語言

分析師與科學家

輸出了數據分析師與數據科學家使用語言蝴蝶圖，將目前比較火的R和Python標亮顯示，從中可以得出的東西還是非常多的：

首先看數據分析師這邊，基本都是使用SQL和R，其次是使用EXCEL中的VBA，而python使用的情況只有不到6%，這和我現在了解到的數據分析師的情況大致相符，基本是多用SQL做數據提取工作，小數據使用EXCEL，數據量比較大的才考慮使用R或python，目前從數據看來，使用R的占了比較大的比重

再從數據科學家這邊看，基本上使用python的比例激增到40%，大家應當熟知Python是機器學習的利器，多看中預測結果的準確性，而R多用作統計推斷的語言，所以從語言使用占比來說，在科學家這邊，機器學習一定是一個繞不開的技能，不然Python激增這么多很難有合理的解釋

不難看出的還有一點就是，SQL在科學家中基本不在使用了，而VBA卻仍有不小的比例，看來簡單的取數據的工作要么科學家已經交給分析師來做，或者自己動手使用python爬蟲，而小量的數據仍有可能使用VBA進行前期分析

目前來看處在分析師職位的朋友應當吧更多的精力放在SQL和R上，然后盡力不要丟掉EXCEL，畢竟這個是基礎技能而且還非常耐用，然后在為數據科學家做準備的時候，Python是一定要深入學習的語言，同時深刻了解業務和機器學習，這些應該是從該數據集中展現出來的方向

學歷

學歷柱狀圖最明顯的一點莫過于數據科學家的博士學位明顯高于數據分析師和其他職業，可以說是門檻超高的一個職業了，大部分的科學家都接受了相當好的教育，本科以上的學歷高達91%

數據分析師的學歷基本屬于平均偏上的水平，可以看到在碩士學位處35%的占比也很高的

綜上數據分析師的學歷門檻比較高，而科學家的門檻更高，分析師準備轉行科學家的時候，磨練自己技術的同時還需要加強自己的專業知識也就是提升學歷，邊上班研究業務知識，邊申請在職研究生或者博士課程也是可以選在的方向

編程時間相關

從兩個行業在不同編程年齡的柱狀圖來看，編程時間在6年以下的以數據分析師居多，而接觸編程語言超過6年后，當熟練掌握了算法和業務之后轉行科學家的比例不斷上升，看來6年之內分析師們是需要為自己的數據科學家做好技能規劃

從上班使用電腦時間來看，基本兩者相差不大，都屬于業界平均水平，只不過在科學家在5-8小時的時候稍微多一點，超過12小時時候稍微少一點

總結與結論

人物畫像

數據分析師對自己目前的規劃與未來的計劃：

• 目前扎實掌握SQL與VBA，掌握業務相關知識與R語言，嘗試對數據庫有更多的了解;
• 技能樹深化Python的學習，機器學習或深度學習需要提上日程;
• 有條件的情況下嘗試在職研究生，學習統計學知識，掌握更全面、系統的理論知識;