DS数据科学家和DA数据分析师：要学习什么不同内容？

引言

数据科学家和数据分析师的工作职责存在许多共同之处，但在日常工作中也存在很大的区别。当然，一家公司可以称某个岗位为数据科学家，他们主要从事数据分析师的工作，反之，对数据分析师也可以这样说，虽然该这样的情况很少见，但确实存在。例如，一家著名的科技公司的数据科学家职位描述中，并不需要机器学习算法经验。

这个例子很重要，因为这也可以说明，你的学习经历有多重要。但是，你最好去了解每个职位的工作内容，以及你在每个领域的特定兴趣——例如，数据科学家的自然语言处理 (NLP) 将是你可以专攻的特定领域。下面，让我们用一些例子说明数据科学家或数据分析师的学习区别。如果你想了解更多数据分析相关内容，可以阅读以下这些文章：
新兴数据职位：应用数据科学家的工作职能
DS vs DE：数据科学家与数据工程师的薪资对比
Pandas和SQL，数据科学家应该用哪个？
如何准备DS数据科学家面试?

数据科学家（Data scientist）

岗位对教育程度和工作经验的要求一直在改变，对于数据科学家来说，更是如此。数据科学可以走传统路线，同时也可以走一条更新、更快的路线。下面，我将讨论这些路线，并举例说明你在开始数据科学职业生涯时可以遵循的方法。

传统路线（Traditional Route）

• A → 实际上，大多数职业走的都是传统路线，但数据科学领域这种现象并不普遍。尤其是最近一段时间，传统路线普遍要求数据相关的本科学位。
• B → 在数据科学领域，研究生学位更受欢迎。目前大部分人都走的这条路线，他们在数学、商业、经济学、甚至生物学等学科的毕业生拿到本科学位，然后在原学科领域工作后，决定尝试一些新东西，即数据科学研究生学位。这并不一定意味着你需要学习 6 年的数据科学（本科加研究生），实际上可能只需要 1-2 年。

现代路线（Modern Route）

• A → 软件工程和数据分析的在线训练营已经存在了一段时间，但最近，数据科学家训练营的欢迎度在直线上升。如果你想要在最短时间内花最少的钱得到辅导，这种方法非常再适合不过了。你可能会觉得，跟正规学校获得的学位相比，在线训练营没那么可靠，但我认为，情况已经变了，雇主并不在乎你的学习方式，他们更注重的是你学到了什么，并通过面试、take home项目，和编程考试来测试你的相关知识。
• B → 在有技术背景的基础之上，参加在线训练营。此路线适用于已经拥有数据分析、软件工程或数据工程背景的人，他们可以参加时间更短的 BootCamp ，或同时参加在线课程和认证，以最快的速度开始数据科学职业生涯（这种情况仅适用于你之前调查过技术/数据职位）。

现在，我们已经讨论了数据科学家可以采取的 4 条的学习路线，接下来，我们可以研究数据分析师可以采取的具体路线。但首先，我们快速总结一下上面讨论过的路线：

• 1. 传统的数据科学（或软件工程）本科学位路线
• 2. 传统的数据科学研究生学位路线
• 3. 现代的长期在线数据科学训练营路线
• 4. 现代的、短期数据科学训练营/课程/认证路线

数据分析师（Data Analyst）

数据分析师这个职位已经存在相当一段时间了，非常受欢迎，但传统路线并不多。我们仍然可以研究传统路线，就像研究数据科学一样，同时再分析一些现代路线。

传统路线（Traditional Route）

• A → 实际上，最传统的路线并不是数据分析学位，而是获得商业、经济学或统计学的本科学位。
• B → 最近，数据分析领域又出现了一种传统路线——研究生学位。我认为接下来的发展趋势如下：数据科学和数据分析领域首先会要求研究生学位，然后降至本科学位。这会让你怀疑，是否真的有必要上四年制学校，因为在你研究生期间1-2年的工作经验中已经证明了这一点。

现代路线（Modern Route）

• A → 数据分析的在线训练营，课程通常讲述你在日常工作中最常用的技能，例如 SQL 和数据可视化等等。
• B → 在有技术背景的基础之上，参加在线训练营。此路线适用于已经拥有软件工程、数据工程甚至产品管理背景的人，他们可以参加为其更短的 BootCamp， 或同时参加在线课程和认证，以最快的速度开始你的数据分析职业生涯（这种情况仅适用于你之前调查过技术/数据职位）。

就像上述对数据科学家学习路线进行的分析一样，下面，我们总结一下你可以采取的数据分析学习路线：

• 1. 传统的商业、经济学、统计学等本科学位路线
• 2. 传统的数据分析研究生学位路线
• 3. 现代的长期在线数据分析训练营路线
• 4. 现代的短期数据分析训练营/课程/认证

共同点Vs.不同点

现在，无论你是数据科学家还是数据分析家，可以采取的学习路线背景都在不断优化。（是的，还有无数的路线，但我个人认为这些路线是最常见的），现在，我们来更深入地了解一些这些职位的异同。

共同点

• 两者都学习业务方面的知识，例如 领域里的KPI（关键绩效指标）
• 两者都要学习数据可视化知识
• 两者都要学习如何交流（向非技术受众传达技术概念）

不同点

• 数据科学家通常会学习 Python（面向对象编程），而很多数据分析师会学习 R语言
• 数据分析师会特别学习SQL
• 数据分析师会学习 Tableau/Looker 或类似知识
• 数据科学家更专注于机器学习算法
• 数据科学家更专注于机器学习操作（部署等）

再次强调一遍，不论哪个职业，没有哪个路线是完美的，可以满足每个人的期望和要求。然而，最终取决于你想在这些领域中学到什么。这些决定还会影响到你可以获得的职位，例如，你选择关注的某项技能，可以帮助你开启专业化之路。

总结

如你所见，无论是 4 年制学位，还是为期几个月的在线认证课程，数据科学家和数据分析师都可以选择不同的路线。有些人喜欢更快的学习方式，而有些人则喜欢在更长的时间内专注于学习更多知识。而选择哪条学习路线取决于你自己——但首先，重要的是要知道你有哪些选项，这就是我写这篇文章的原因。

总而言之，以下是数据科学家和数据分析师可以采取的路线：

• 1. 传统的本科学位路线
• 2. 传统的研究生学位路线
• 3. 现代的长期在线训练营路线
• 4. 现代的短期的分析训练营/课程/认证

希望这篇文章在有趣的同时可以帮到你。在学习方面，你认为还需要指出哪些重要因素？我当然可以进行更深层次的解释，但我希望可以阐明数据科学家和数据分析师学习路线之间的异同。

感谢你的阅读！你还可以订阅我们的YouTube频道，观看大量数据科学相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/

原文作者：Matt Przybyla
翻译作者：Lia
美工编辑：过儿
校对审稿：Jiawei Tong
原文链接：https://towardsdatascience.com/data-scientist-vs-data-analyst-education-99814eefc11e