Kaggle 是重要的數據建模和數據分析競賽平臺。近日，Kaggle 發布了第四次年度報告，試圖從中一窺社區趨勢。該調查涉及 20036 名 Kaggle 會員，此報告主要聚焦其中當前職位為「數據科學家」的受訪者，約占 13%（2675 名）。

值得注意的是，想要成為參與調查并獲得所設獎項，必須滿足以下條件：

• 年滿 18 歲（或滿足你所居住地區的成年年齡）；
• 不是克里米亞、古巴、伊朗、敘利亞、朝鮮或蘇丹的居民；
• 不是受美國出口管控條例制裁的個人 / 實體代表。

因此，這份報告可能會缺少相當一部分來自中國的 Kaggle 數據科學家的情況。

在眾多回答中，Kaggle 總結了以下要點：

群體畫像

• 數據科學領域仍然存在嚴重的性別不均衡，大部分從業人員為男性；
• 大部分數據科學家年齡在 35 歲以下；
• 過半數據科學家有碩士學位。

教育和雇傭情況

• 大多數數據科學家在正式教育之外繼續學習；
• 大多數數據科學家碼齡不超過十年；
• 過半數據科學家具備三年以下的機器學習經驗；
• 美國的數據科學家比其他國家的同行掙更多錢。

技術

• 與 2019 年的調查結果相比，2020 年更多的數據科學家使用云計算；
• scikit-learn 是 2020 年最流行的機器學習工具，超過五分之四的數據科學家使用 scikit-learn；
• Tableau 和 PowerBI 是最流行的商業智能工具。

下面，我們來看每個層面的具體細節。

數據科學家群體畫像

性別

數據科學領域仍然存在較大的性別差距，82% 為男性，相比去年的 84%，略有下降。

年齡

與去年的調查結果類似，數據科學家多為 30 歲左右，約 60% 的受訪者年齡在 22-34 歲，只有 1/5 的職業數據科學家是 40 歲及以上。

國家

在本次報告中，印度開發者所占的比例最多（21.8%），美國緊隨其后（14.5%），再往下是巴西和英國。

教育

高等教育

數據科學家大多有碩士學位，68% 獲得了碩士或博士文憑，不到 5% 的學歷在高中及以下。

終生學習

數據科學和機器學習是快速變化的領域，90% 以上的 Kaggle 數據科學家保持終生學習的習慣。其中約 30% 接受的是傳統高等教育課程，更多是通過線上材料學習。線上學習渠道中最常用的媒介是 Coursera、Udemy 和 Kaggle Learn。受訪者中很多數據科學家選擇多個學習渠道，平均數量為 2.8。

數據科學和機器學習經驗

編程經驗

大多數 Kaggle 數據科學家都有編程經驗。有 20 年以上編程經驗的數據科學家僅有大約 8%，去年才開始編程的數據科學家占比約 9%。只有不到 2% 表示自己從未寫過代碼。

與全球受訪者相比，美國數據科學家的編程經驗要多得多。在美國，編程經驗超過 10 年的占比 27%，而全球范圍內這一比例僅為 22%。

機器學習經驗

大多數 Kaggle 數據科學家都是機器學習領域的新手。約 55% 的數據科學家機器學習經驗不到三年，具備十年及以上機器學習經驗的數據科學家占比不到 6%。

薪資水平

調查結果顯示，在國家 / 地區的最常見工資中，美國公司可能支付的金額更高，德國和日本緊隨其后。地區差別是存在的，比如來自印度的受訪群體 90% 表示年收入不足 5 萬美元，美國公司最有可能支付六位數的薪水。

技術

交互開發環境

基于 Jupyter 的 IDE 仍然是數據科學家的首選工具，大約 75% 的 Kaggle 數據科學家都在用它，但與去年的 83% 相比有所下降。VS Code 位居第二，僅占約 33%。這是它與 Visual Studio 分離的第一年，兩者今年合計占比超過 43%，而 2019 年不足 30%。

方法 & 算法

數據科學家最常用的算法是線性回歸和 logistic 回歸，緊隨其后是決策樹和隨機森林。在更加復雜的方法中，梯度提升和卷積神經網絡是最受歡迎的方法。

基于 Python 的工具仍然在機器學習框架這一項上占據主導，從統計結果可以看出，scikit-learn 適用于大部分項目，82.8% 的數據科學家都在使用它。各有 50% 左右的數據科學家使用過 TensorFlow 和 Keras，尤其是用于深度學習項目之中。

梯度提升庫 xgboost 排名第四，使用率和 2019 年相似。排名第五的 PyTorch 從 2019 年的 26% 左右上升到了 30% 以上。在今年的調查中，最受歡迎的工具是基于 R 的 Tidymodels，占比達到 7% 以上。

企業云計算

這個領域有三個主要成員（不難猜），它們是 AWS、谷歌云平臺、微軟 Azure。值得注意的是，越來越多的數據科學家開始采用全部上云的方式。在 2019 年的調查中，大約 25% 的人沒有使用云計算，但在 2020 年，這一比例下降到了 17%。

在云服務用戶中，如果問到他們使用的特定產品，最常見的答案是計算云服務器，其次是無服務器技術，約有五分之一的人未提到云產品。

在使用 AWS 等云服務的用戶中，有一半以上表示自己沒有使用云上的機器學習工具，而使用的群體中，Amazon SageMaker 是最受歡迎的選項，其次是 Google Cloud AI/ML。

企業大數據

在數據庫方面，數據科學家并沒有明顯的偏好。最常被提及的是 MySQL（35.6%），其次是 PostgreSQL (28.86%) 和 SQL Server (24.93%)。

報告鏈接：https://www.kaggle.com/c/kaggle-survey-2020