數據科學家和數據分析師的區別在哪兒?

　　數據科學家和數據分析師的區別在哪兒？數據科學家和數據分析師在所用程式語言、平臺/工具，以及所解決的問題方面都有共同之處。這些工具包括但不限於SQL、Tableau，以及相似的分析流程，定義問題、分析數據和輸出結果；一部分差異在分析的自動化上，數據科學家專注於使用Python等語言編寫算法，進行自動化分析和預測;而數據分析師則使用靜態的或者過往的數據，在某些情況下會使用Tableau和SQL等工具去做預測。

　　有人會說，要成為一名數據科學家，要先從數據分析的工作做起。數據科學與數據分析用完全不一樣的工具和程式語言，數據科學是數據分析的一種形式，因為最終你是在與數據打交道轉換格式，進行可視化得出可用的結論。　　一、數據科學家的主要職責　　數據科學家主要職責：與有關部門一起定義要解決的問題；獲取數據(使用SQL)；探索性的數據分析、特徵工程、模型構建、預測(使用Python、Jupyter Notebook、各種算法)；根據工作場景，將代碼編製成.py文件和/或用於部署的模型。實施自動化統計的行業，使用各種模型來進行分類和預測。成為一名數據科學家必備技能：Python 或者 R、SQL、Jupyter Notebook。　　算法/建模　　1、Python，大部分公司傾向於用Python而不是R作為主要程式語言。雖然職位描述裡可能會同時列出兩者;但是，我猜你身邊的大多數人——比如機器學習工程師、數據工程師和軟體工程師——都不怎麼熟悉R。因此，要想成為一名更全面的數據科學家，Python應該更有用。　　2、SQL，SQL是你從事數據科學必備的技能。工作中數據集往往不會直接發給你的，這跟學術界不同，你需要通過SQL獲得自己的數據集。現在有很多SQL的分支，比如PostgreSQL、MySQL、Microsoft SQL Server T-SQL，以及Oracle SQL。它們都屬於同一種查詢語言，形式接近，但平臺不同。因此，會其中任何一種就行，換到另一種SQL很容易。　　3、Jupyter Notebook既可以用於編程也可以建模。你可以把Jupyter當作一個研究工具，你可以編程，寫代碼，注釋掉代碼，調用sklearn、pandas和numpy這些庫來建模和測試。　　4、算法，數據科學家的主要職責是用算法來快速準確地預測、分類，以及根據數據來給建議。每當你用新的數據來訓練模型，就會得到一些新的結果。關鍵的算法通常分成兩大類：無監督學習和有監督學習。　　二、數據分析師的主要職責　　數據分析師主要職能：與相關部門定義要解決的業務問題；獲取數據(使用SQL)；探索性的數據分析、趨勢分析和可視化(使用Excel和Tableau)——根據工作場景，向有關部門展示從數據中獲得的發現，並提供可行性的建議。　　數據分析師與業務分析師、商業情報分析師，甚至Tableau開發人員有著相似的頭銜。數據分析的重點是描述和可視化數據所包含的信息，然後向非技術用戶傳達並做進一步的解釋說明。做預測分析的數據分析師跟數據科學家的工作有很多重疊部分，與數據科學家有更多相似之處，但不是通過自動化、算法化的方法來輸出預測的。　　數據分析師需要具備的技能有：SQL、Excel、Tableau等。　　1、SQL，前文提到過數據科學家如何使用SQL，數據分析師也會進行類似的操作。但是，SQL對數據分析師更重要。數據科學家可能只是簡單地從表單中選擇列就可以了，而數據分析師卻要執行更為複雜的查詢操作(例如，常用的表單表達式，數據透視表，窗口函數，子查詢)。不同公司情況不同，有時候數據分析師更接近數據工程師，而非數據科學家。　　2、Excel，很老派，但依然很強大，你甚至可以用它做預測分析和趨勢分析。主要的坑爹之處是跟Python比速度太慢。　　3、Tableau，可視化工具，但根據我的經驗，大多數公司都把它明確列為數據分析師的必備技能。在Tableau中可以拖放數據到預設圖表，簡單強大;還有更多複雜的高級功能，比如計算欄位，連接到一個實時的SQL資料庫而非基於靜態的Excel表單進行分析。　　數據科學和機器學習兩個領域很容易混淆，從職責描述上這兩個職位都差不多，數據科學和數據分析這兩個職位更容易區分。