怎么做数据分析？spssau在线数据分析

本文转载自互联网，如有侵权，联系删除

CDA数据分析师 出品

根据《韦氏词典》，数据指的是用作推理、讨论或计算基础的事实信息。

基于这个定义，我们可以进一步得出：数据可以理解为是收集到的任何信息，可以使用、进一步处理和分析以获得见解。而且通常与计算机联系在一起，因为数据通常是在计算机中生成和存储的，然而数据存在的时间比我们想象的要长得多。

人类存储和分析数据的最早例子可以追溯到公元前18000年，当时人们发现史前人类使用计数棒进行初步计算。这些旧石器时代部落的人在木棍和骨头上刻上刻痕，以记录人类的活动，比如交易和监控物资。到公元前2400年，在巴比伦发明出了用于计算的算盘。

纵观历史，数据收集、处理和分析的不断发展是通过石板、粘土、纸莎草、木头和纸卷上的大量文字来体现的。最终，随着更多形式的数据被发现，处理、收集、存储和分析数据的需求也在不断发展。

随着人类社会的进步，对数据处理的要求也越来越高。

19世纪，在美国开始人口普查进行。人口普查中的数据点数量呈指数增长，美国人口普查局估计，收集和分析人口普查中的所有数据需要几年甚至几十年的时间。

这是个很大的问题，因为只有在下一次人口普查即将开始时，才会完成对当前人口普查数据的汇编和分析。

幸运的是，一位名叫赫尔曼·霍勒里斯的年轻工程师和发明家开发了霍勒里斯制表机。这是一种机电式制表机，将收集和分析人口普查数据所需的时间从几年缩短到仅仅几个月。正因为如此，霍勒里思被视为现代自动计算之父，后来因创立IBM而闻名。

快进到20世纪，计算机出现了。随着功能更强大的计算机的出现，对数据存储的要求也越来越高。

德国-奥地利工程师弗里茨·普夫勒默发明了一种在磁带上磁性存储信息的方法。他的一些发明原理至今仍被用于数字数据存储。

在这个时代，“商业智能”一词越来越流行，因为对新兴软件以及用于分析商业和运营绩效的系统的需求迅速增加。

1989年，蒂姆·伯纳斯·李创建了万维网（又称互联网），数据革命发生了真正的变化。这导致了全世界人民之间的自动信息共享。这意味着今天有更多的数据被共享、创建和存储，从而产生了收集、使用和分析数据的新方法。

由于20世纪90年代互联网的惊人增长以及个人电脑和计算设备的稳定发展，在线设备的数量以及由此产生的数据量迅速增长。

虽然大数据的概念早在20世纪90年代就已经存在，但直到2005年罗杰·穆加拉斯才正式给它贴上标签。他将其描述为"使用传统商业智能工具几乎无法管理和处理的大量数据"。

大数据是一个用来描述大量数据的术语，包括结构化数据和非结构化数据，这些数据每天都会淹没企业。它包括信息量、创建和收集信息的速度，以及所覆盖数据点的种类或范围。

考虑到大数据的规模和复杂性，收集、组织和分析它以发现模式和其他有用信息的过程已经成为帮助许多组织做出商业决策的一部分。这反过来又催生了数据科学——一个跨学科领域，它使用科学方法、流程、算法和系统从大量数据中发现模式，并使商业领袖能够获得见解。

根据IBM的说法，数据科学是一种多学科方法，可以从当今组织收集和创建的大量且不断增加的数据中提取可操作的见解。

该领域通常需要计算机科学和纯科学技能，因为数据科学家在其方法中应用科学方法，并使用预测分析和人工智能从数据中提取见解。

如今，“数据科学”经常被企业和组织用作处理大量数据的通用术语，无论是准备、清理、分析数据还是可视化数据以揭示模式。

以下我们列出了可从事的七种数据相关职业：

数据科学家需要能够应用数学、统计学和科学方法。

使用多种工具和技术来清理和准备数据；进行预测分析和人工智能；并解释如何利用这些结果来为商业问题提供数据驱动的解决方案。数据科学家需要的技能比数据分析师多得多。

数据分析师收集、处理和执行统计数据分析，为组织得出有意义的结论。

数据分析师将大型数据集转化并处理成可用的形式，如报告或演示。他们还通过研究重要的模式来帮助决策过程，并从数据中收集洞察力，然后有效地传达给组织领导，以帮助商业决策。

数据工程师负责准备、处理和管理收集和存储的数据，用于分析或操作用途。

像传统的工程师一样，数据工程师建立和维护数据 "管道"，将数据从一个系统连接到另一个系统，使数据科学家能够获得信息。正因为如此，数据工程师被要求了解数据科学中使用的几种编程语言，如Python、R和SQL。

数据架构师主要是设计和创建数据管理系统的蓝图，然后由数据工程师建立。

类似于传统的建筑师，数据架构师是 "远见者"，因为他们负责可视化和设计一个组织的数据管理框架。此外，数据架构师改善现有系统的性能，确保数据库管理员和分析师能够使用这些系统。

05、商业智能(BI)开发人员

商业智能开发者是专门的工程师，他们使用软件工具将数据转化为有用的见解，以帮助商业决策。

他们负责简化技术信息，让公司里的其他人都能轻松理解。简而言之，他们创建和运行包含他们使用商业智能工具找到的数据的报告，并将信息转化为更通俗的术语。

鉴于统计学是数据科学的主要基础之一，许多统计学家可以轻松地过渡到数据科学领域。

统计学家主要负责数据的收集和处理。他们决定需要什么数据以及如何收集数据。此外，他们设计实验，分析和解释数据，并报告结论。

机器学习工程师是另一组专业工程师，他们专注于研究、构建和设计人工智能和机器学习系统，以实现预测模型的自动化。

基本上，他们开发的算法使用输入数据并利用统计模型预测输出，同时在新数据可用时不断更新输出。

下面我们看看以上这些数据科学职业的最受欢迎程度。下图显示了2021年12月8日美国的职位空缺情况。

数据架构师是最受欢迎的数据科学职业道路，因为他们在创建其他数据科学专业人员随后使用的数据管理系统方面非常重要。

接下来是机器学习工程师，考虑到利用人工智能预测许多科技公司结果的重要性。

需求最少的是统计人员，主要是因为许多传统的统计学家现在正在成为数据科学家。统计学家从纯统计学转向数据科学相对简单是，他们已经拥有成为一名成熟的数据科学家所需的基础知识。

数据科学的发展速度并不慢

毫无疑问，数据科学如今非常流行，但更好的问题是，它在未来还会如此流行吗？根据就业预测，情况似乎的确如此。

美国劳工统计局就业预测的数据显示，数据科学职业，包括统计学、数据科学以及数据工程等其他基于数学和科学的职业，从2020年到2030年的百分比变化来看，将呈现出非常高的增长率。统计学家总体排名第14位，而数据科学家和其他数学科学职业在数据中包含的790个职位中总体排名第31位。

尽管统计学家和数据科学家在总劳动力中所占的份额与其他职业相比很小，但随着数据科学职业道路变得越来越流行，这些数字预计将在未来几年增加。

下图显示了统计学家、数据科学家和其他数学科学职业与其他预计增长率较高的职业的对比情况。

数据相关职业备受欢迎的一个主要原因在于其收入高。

下图显示了纽约市10种不同职业--包括数据科学家和数据分析师的工资范围。这些数据来自Teleport，该网站汇总了不同城市的生活条件，如工资的数据。

根据Teleport的数据，数据科学家的年薪中位数在纽约市排名第四，为114105美元，仅次于企业高管和医护人员。事实上，在马尼拉等其他一些城市，数据科学家的排名高达第二，仅次于企业高管。

数据分析师的薪资也很可观，数据分析师的年薪中位数为61818美元，仍然相当于纽约市的平均家庭收入。

数据科学受欢迎的另一个主要原因是，如今的企业将数据科学的原理整合到日常运作中。下图显示了工作中涉及数据科学的前10个行业，其中涉及到8000家公司的样本数据。

毫不奇怪，包括谷歌、苹果和优步等科技公司占据了榜首。毕竟，大数据的激增是由互联网的诞生引起的，互联网与软件和技术密切相关。数据科学实际上是使用各种工具和技术处理大量信息。

接下来是金融服务公司，这是金融科技公司崛起带来的。作为“金融”和“技术”的门户，金融科技公司将技术和创新整合到其服务和产品中，以改善其对客户的交付，扰乱传统金融服务。由于它涉及处理大量数据，如客户信息，金融服务公司看到了数据科学工具的潜力，可以帮助简化和优化流程，改进服务。

数据科学是一条非常有发展的职业道路，而且没有放缓的迹象。在未来的许多年里，它将继续塑造和影响企业和组织的运作方式。

至于你应该走哪条特定的数据科学职业道路，这主要取决于你的个人优势和总体兴趣。重要的是，上述任何职业都是值得的。

特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

一、大数据分析的五个基本方面

大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。

大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。

大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。

大数据分析广泛应用于网络数据挖掘，可从用户的搜索关键词、标签关键词、或其他输入语义，分析，判断用户需求，从而实现更好的用户体验和广告匹配。

5.数据质量和数据管理

大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。 大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。

二、如何选择适合的数据分析工具

要明白分析什么数据，大数据要分析的数据类型主要有四大类：

大数据平台能够获取时间跨度更大、更海量的结构化交易数据，这样就可以对更广泛的交易数据类型进行分析，不仅仅包括POS或电子商务购物数据，还包括行为交易数据，例如Web服务器记录的互联网点击流数据日志。

非结构数据广泛存在于电子邮件、文档、图片、音频、视频，以及通过博客、维基，尤其是社交媒体产生的数据流。这些数据为使用文本分析功能进行分析提供了丰富的数据源泉。

能够上网的智能手机和平板越来越普遍。这些移动设备上的App都能够追踪和沟通无数事件，从App内的交易数据（如搜索产品的记录事件）到个人信息资料或状态报告事件（如地点变更即报告一个新的地理编码）。

这包括功能设备创建或生成的数据，例如智能电表、智能温度控制器、工厂机器和连接互联网的家用电器。这些设备可以配置为与互联网络中的其他节点通信，还可以自动向中央服务器传输数据，这样就可以对数据进行分析。机器和传感器数据是来自新兴的物联网（IoT）所产生的主要例子。来自物联网的数据可以用于构建分析模型，连续监测预测性行为（如当传感器值表示有问题时进行识别），提供规定的指令（如警示技术人员在真正出问题之前检查设备）。

数据分析工具达到哪些要求和目的？

能应用高级的分析算法和模型提供分析以大数据平台为引擎，比如Hadoop或其他高性能分析系统能够适用于多种数据源的结构化和非结构化数据随着用于分析模型的数据的增加，能够实现扩展分析模型可以，或者已经集成到数据可视化工具能够和其他技术集成

另外，工具必须包含必备的一些功能，包括集成算法和支持数据挖掘技术，包括（但不限于）：

把一个大的实体分割拥有共同特征的小团体。比如分析收集来的客户，确定更细分的目标市场。

把数据组织进预定类别。比如根据细分模型决定客户改如何进行分类。

用于恢复从属变量和一个及一个以上独立变量之间的关系，帮助决定从属变量如何根据独立变量的变化而变化。比如使用地理数据、净收入、夏日平均温度和占地面积预测财产的未来走向。

4.联合和项目集挖掘：

在大数据集中寻找变量之间的相关关系。比如它可以帮助呼叫中心代表提供基于呼叫者客户细分、关系和投诉类型的更精准的信息。

用于非直接的集群算法。相似性积分算法可用于决定备用集群中实体的相似性。

用于机器学习的非直接分析。

人们通过数据分析工具了解什么

数据科学家们，他们想使用更复杂的数据类型实现更复杂的分析，熟知如何设计，如何应用基础模型来评估内在倾向性或偏差。

业务分析师，他们更像是随性的用户，想要用数据来实现主动数据发现，或者实现现有信息和部分预测分析的可视化。

企业经理，他们想要了解模型和结论。

IT开发人员，他们为以上所有类用户提供支持。

如何选择最适合的大数据分析软件

分析师的专业知识和技能。有些工具的目标受众是新手用户，有的是专业数据分析师，有的则是针对这两种受众设计的。IT开发人员，他们为以上所有类用户提供支持。

根据不同的用户案例和应用，企业用户可能需要支持不同类型的分析功能，使用特定类型的建模（例如回归、聚类、分割、行为建模和决策树）。这些功能已经能够广泛支持高水平、不同形式的分析建模，但是还是有一些厂商投入数十年的精力，调整不同版本的算法，增加更加高级的功能。理解哪些模型与企业面临的问题最相关，根据产品如何最好地满足用户的业务需求进行产品评估，这些都非常重要。

要分析的数据范围涉及很多方面，如结构化和非结构化信息，传统的本地数据库和数据仓库、基于云端的数据源，大数据平台（如Hadoop）上的数据管理等。但是，不同产品对非传统数据湖（在Hadoop内或其他用于提供横向扩展的NoSQL数据管理系统内）上的数据管理提供的支持程度不一。如何选择产品，企业必须考虑获取和处理数据量及数据种类的特定需求。

企业规模越大，越有可能需要跨部门、在诸多分析师之间分享分析、模型和应用。企业如果有很多分析师分布在各部门，对结果如何进行解释和分析，可能会需要增加更多的共享模型和协作的方法。

几乎所有厂商的产品都分不同的版本，购买费用和整个运营成本各不相同。许可证书费用与特性、功能、对分析数据的量或者产品可使用的节点数的限制成正比。易用性。没有统计背景的商业分析师是否也能够轻松地开发分析和应用呢？确定产品是否提供了方便开发和分析的可视化方法。

确认产品能够使用不同类型的非结构化数据（文档、电子邮件、图像、视频、演示文稿、社交媒体渠道信息等），并且能够解析和利用收到的信息。

随着数据量的不断增长和数据管理平台的不断扩展，要评估不同的分析产品如何跟随处理与存储容量的增长而增长。

三、如何区分三个大数据热门职业——数据科学家、数据工程师、数据分析师

随着大数据的愈演愈热，相关大数据的职业也成为热门，给人才发展带来带来了很多机会。数据科学家、数据工程师、数据分析师已经成为大数据行业最热门的职位。它们是如何定义的？具体是做什么工作的？需要哪些技能？让我们一起来看看吧。

这3个职业是如何定位的？

数据科学家是个什么样的存在

数据科学家是指能采用科学方法、运用数据挖掘工具对复杂多量的数字、符号、文字、网址、音频或视频等信息进行数字化重现与认识，并能寻找新的数据洞察的工程师或专家(不同于统计学家或分析师)。

数据工程师是如何定义的

数据工程师一般被定义成“深刻理解统计学科的明星软件工程师”。如果你正为一个商业问题烦恼，那么你需要一个数据工程师。他们的核心价值在于他们借由清晰数据创建数据管道的能力。充分了解文件系统，分布式计算与数据库是成为一位优秀数据工程师的必要技能。 数据工程师对演算法有相当好的理解。因此，数据工程师理应能运行基本数据模型。商业需求的高端化催生了演算高度复杂化的需求。很多时候，这些需求超过了数据工程师掌握知识范围，这个时候你就需要打电话寻求数据科学家的帮助。

数据分析师指的是不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。他们知道如何提出正确的问题，非常善于数据分析，数据可视化和数据呈现。

这3个职业具体有什么职责

数据科学家倾向于用探索数据的方式来看待周围的世界。把大量散乱的数据变成结构化的可供分析的数据，还要找出丰富的数据源，整合其他可能不完整的数据源，并清理成结果数据集。新的竞争环境中，挑战不断地变化，新数据不断地流入，数据科学家需要帮助决策者穿梭于各种分析，从临时数据分析到持续的数据交互分析。当他们有所发现，便交流他们的发现，建议新的业务方向。他们很有创造力的展示视觉化的信息，也让找到的模式清晰而有说服力。把蕴含在数据中的规律建议给Boss，从而影响产品，流程和决策。

分析历史、预测未来、优化选择，这是大数据工程师在“玩数据”时最重要的三大任务。通过这三个工作方向，他们帮助企业做出更好的商业决策。

大数据工程师一个很重要的工作，就是通过分析数据来找出过去事件的特征。比如，腾讯的数据团队正在搭建一个数据仓库，把公司所有网络平台上数量庞大、不规整的数据信息进行梳理，总结出可供查询的特征，来支持公司各类业务对数据的需求，包括广告投放、游戏开发、社交网络等。

找出过去事件的特征，最大的作用是可以帮助企业更好地认识消费者。通过分析用户以往的行为轨迹，就能够了解这个人，并预测他的行为。

通过引入关键因素，大数据工程师可以预测未来的消费趋势。在阿里妈妈的营销平台上，工程师正试图通过引入气象数据来帮助淘宝卖家做生意。比如今年夏天不热，很可能某些产品就没有去年畅销，除了空调、电扇，背心、游泳衣等都可能会受其影响。那么我们就会建立气象数据和销售数据之间的关系，找到与之相关的品类，提前警示卖家周转库存。

根据不同企业的业务性质，大数据工程师可以通过数据分析来达到不同的目的。以腾讯来说，能反映大数据工程师工作的最简单直接的例子就是选项测试（AB Test），即帮助产品经理在A、B两个备选方案中做出选择。在过去，决策者只能依据经验进行判断，但如今大数据工程师可以通过大范围地实时测试—比如，在社交网络产品的例子中，让一半用户看到A界面，另一半使用B界面，观察统计一段时间内的点击率和转化率，以此帮助市场部做出最终选择。

互联网本身具有数字化和互动性的特征，这种属性特征给数据搜集、整理、研究带来了革命性的突破。以往“原子世界”中数据分析师要花较高的成本（资金、资源和时间）获取支撑研究、分析的数据，数据的丰富性、全面性、连续性和及时性都比互联网时代差很多。

与传统的数据分析师相比，互联网时代的数据分析师面临的不是数据匮乏，而是数据过剩。因此，互联网时代的数据分析师必须学会借助技术手段进行高效的数据处理。更为重要的是，互联网时代的数据分析师要不断在数据研究的方法论方面进行创新和突破。

就行业而言，数据分析师的价值与此类似。就新闻出版行业而言，无论在任何时代，媒体运营者能否准确、详细和及时地了解受众状况和变化趋势，都是媒体成败的关键。

此外，对于新闻出版等内容产业来说，更为关键的是，数据分析师可以发挥内容消费者数据分析的职能，这是支撑新闻出版机构改善客户服务的关键职能。

想要从事这3个职业需要掌握什么技能？

A. 数据科学家需要掌握的技能

一般来说，数据科学家大多要求具备编程、计算机科学相关的专业背景。简单来说，就是对处理大数据所必需的hadoop、Mahout等大规模并行处理技术与机器学习相关的技能。

2.数学、统计、数据挖掘等

除了数学、统计方面的素养之外，还需要具备使用SPSS、SAS等主流统计分析软件的技能。其中，面向统计分析的开源编程语言及其运行环境“R”最近备受瞩目。R的强项不仅在于其包含了丰富的统计分析库，而且具备将结果进行可视化的高品质图表生成功能，并可以通过简单的命令来运行。此外，它还具备称为CRAN(The Comprehensive R Archive Network)的包扩展机制，通过导入扩展包就可以使用标准状态下所不支持的函数和数据集。

信息的质量很大程度上依赖于其表达方式。对数字罗列所组成的数据中所包含的意义进行分析，开发Web原型，使用外部API将图表、地图、Dashboard等其他服务统一起来，从而使分析结果可视化，这是对于数据科学家来说十分重要的技能之一。

B. 数据工程师需要掌握的技能

1.数学及统计学相关的背景

对于大数据工程师的要求都是希望是统计学和数学背景的硕士或博士学历。缺乏理论背景的数据工作者，更容易进入一个技能上的危险区域（Danger Zone）—一堆数字，按照不同的数据模型和算法总能捯饬出一些结果来，但如果你不知道那代表什么，就并不是真正有意义的结果，并且那样的结果还容易误导你。只有具备一定的理论知识，才能理解模型、复用模型甚至创新模型，来解决实际问题。

实际开发能力和大规模的数据处理能力是作为大数据工程师的一些必备要素。因为许多数据的价值来自于挖掘的过程，你必须亲自动手才能发现金子的价值。举例来说，现在人们在社交网络上所产生的许多记录都是非结构化的数据，如何从这些毫无头绪的文字、语音、图像甚至视频中攫取有意义的信息就需要大数据工程师亲自挖掘。即使在某些团队中，大数据工程师的职责以商业分析为主，但也要熟悉计算机处理大数据的方式。

3.对特定应用领域或行业的知识

大数据工程师这个角色很重要的一点是，不能脱离市场，因为大数据只有和特定领域的应用结合起来才能产生价值。所以，在某个或多个垂直行业的经历能为应聘者积累对行业的认知，对于之后成为大数据工程师有很大帮助，因此这也是应聘这个岗位时较有说服力的加分项。

C. 数据分析师需要掌握的技能

1.懂业务。从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。

2.懂管理。一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建数据分析的框架，后续的数据分析也很难进行。另一方面的作用是针对数据分析结论提出有指导意义的分析建议。

3.懂分析。指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。基本的分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。

4.懂工具。指掌握数据分析相关的常用工具。数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。

5.懂设计。懂设计是指运用图表有效表达数据分析师的分析观点，使分析结果一目了然。图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。

四、从菜鸟成为数据科学家的 9步养成方案

首先，各个公司对数据科学家的定义各不相同，当前还没有统一的定义。但在一般情况下，一个数据科学家结合了软件工程师与统计学家的技能，并且在他或者她希望工作的领域投入了大量行业知识。

大约90%的数据科学家至少有大学教育经历，甚至到博士以及获得博士学位，当然，他们获得的学位的领域非常广泛。一些招聘者甚至发现人文专业的人们有所需的创造力，他们能教别人一些关键技能。

因此，排除一个数据科学的学位计划(世界各地的著名大学雨后春笋般的出现着)，你需要采取什么措施，成为一个数据科学家?

1.复习你的数学和统计技能

一个好的数据科学家必须能够理解数据告诉你的内容，做到这一点，你必须有扎实的基本线性代数，对算法和统计技能的理解。在某些特定场合可能需要高等数学，但这是一个好的开始场合。

2.了解机器学习的概念

机器学习是下一个新兴词，却和大数据有着千丝万缕的联系。机器学习使用人工智能算法将数据转化为价值，并且无需显式编程。

数据科学家必须知道如何调整代码，以便告诉计算机如何分析数据。从一个开放源码的语言如Python那里开始吧。

4.了解数据库、数据池及分布式存储

数据存储在数据库、数据池或整个分布式网络中。以及如何建设这些数据的存储库取决于你如何访问、使用、并分析这些数据。如果当你建设你的数据存储时没有整体架构或者超前规划，那后续对你的影响将十分深远。

5.学习数据修改和数据清洗技术

数据修改是将原始数据到另一种更容易访问和分析的格式。数据清理有助于消除重复和“坏”数据。两者都是数据科学家工具箱中的必备工具。

6.了解良好的数据可视化和报告的基本知识

你不必成为一个平面设计师，但你确实需要深谙如何创建数据报告，便于外行的人比如你的经理或CEO可以理解。

7.添加更多的工具到您的工具箱

一旦你掌握了以上技巧，是时候扩大你的数据科学工具箱了，包括Hadoop、R语言和Spark。这些工具的使用经验和知识将让你处于大量数据科学求职者之上。

在你在新的领域有一个工作之前，你如何练习成为数据科学家?使用开源代码开发一个你喜欢的项目、参加比赛、成为网络工作数据科学家、参加训练营、志愿者或实习生。最好的数据科学家在数据领域将拥有经验和直觉，能够展示自己的作品，以成为应聘者。

跟着同行业中的思想领袖，阅读行业博客和网站，参与，提出问题，并随时了解时事新闻和理论。