关于数据科学，科技界有很多炒作。有许多初创公司成为企业的分析解决方案提供商。许多IT专业人员将他们的职业转向数据科学。那么，数据科学究竟是什么呢？数据科学家做了什么工作？本简短指南旨在回答这些问题。

数据科学是一个多学科领域，工程师，软件开发人员，统计学家利用数据来绘制有用的商业见解。这些见解可以通过可视化数据模式，数据中隐藏模式或未来价值预测的形式出现。

以下是数据科学问题中涉及的典型步骤

1. 数据收集 - 数据是数据科学的主要组成部分。没有数据就不可能进行数据科学。可以从各种来源收集数据。它可以随时下载，它可以从数据库中提取，有时数据不容易获得，在这种情况下，数据科学家需要从网上获取数据。
2. 数据清理 - 由于数据来自各种来源，因此可能无法直接用于分析目的。常见的公共数据需要清理，缺失值处理，异常处理，验证和转换。其中一些步骤可以在SQL或Excel的帮助下完成。但是对于更复杂的操作，需要编程知识。
3. 探索性数据分析 - 此步骤涉及数据可视化，创建摘要，分段以及查找其他业务问题的答案。这里需要可以创建摘要，组合变量以形成复合变量，绘制实用程序等的工具。需要Excel，Matlab，R，Python或具有这些功能的任何其他工具。
4. 预测分析 - 许多业务问题（并非所有）都需要预测未来的价值。它可以是销售，流失者或任何其他变量。此步骤涉及特征工程，特征选择，机器学习模型选择等。因此需要了解机器学习算法。Python，R等为机器学习提供了高效的库。
5. 沟通 - 完成数据探索和预测后，最后一步是传达结果。数据科学家创建摘要，图表，图表，以便轻松地向利益相关者讲述故事。帮助他们了解因果变量以及他们如何改善业务。数据科学家将告诉业务关键绩效指标和预测。

数据科学家使用的工具

• Excel，SQL，SAS等用于数据探索。
• Python，Java，C ++等用于数据收集，数据抓取。
• 用于数据可视化的Matplotlib，R，Matlab，Tableau，D3等。
• scikit-learn，R，tensorflow，torch等，用于机器学习。
• Hive，Spark，Hadoop等用于大数据处理。

数据科学家使用许多不同的工具进行工作。从上面的观点可以看出，数据科学家使用哪种工具并不重要。任何有助于处理数据的工具都可以使用。重要的是，数据科学家需要强大的分析技能才能擅长数据科学。