“数据科学家”一词早在2008年已经出现，据传是由杰夫·哈默贝切（JeffHammerbacher）和DJ·帕蒂尔（DJ Patil）提出的。

自此之后，数据科学家连续四年居于美国高端工作岗位之首（数据来源于《哈佛商业评论》和Glassdoor网站报道等权威渠道）。

去年，我们对1,001份 LinkedIn个人资料进行研究，描绘出“典型”的数据科学家形象。在某种程度上，研究结果不仅证实了其他相关研究和民意调查，也揭示了数据科学家之所以能成为数据科学家的其他方面。

这项研究的不同之处在于，虽然数据由科学家自行提供，但我们已从求职者处收集了他们向雇主展示自己的方式。

我们调查了1,001位数据科学家在职业社交网站领英（LinkedIn）上发布的个人资料。与其他数据收集方法（如招聘广告）不同，我们认为专业人员自己发布的数据可以更好地反映实际简历。

样本比例必须与去年保持一致，这点至关重要。因此，在我们所获得的个人资料中，40％来自财富500强企业，剩下的60％来自其他企业。不同国家的抽样比例也保持相同，40％来自美国，30％来自英国，15％来自印度，另有15％来自其他国家。由于数据访问有限制，本研究采取了任意抽样法。

那么，今年的“典型”数据科学家与上一年相比有何不同呢？

乍一看，似乎并无太大不同。该领域仍由男性主导，比去年仅下降1％（2019年为69％，2018年为70％）；样本中四分之三的数据科学家拥有硕士或博士学位（同样略有减少，可忽略不计）; 该岗位的平均工作经验从2年增至2.3年。

但有一普遍变化值得注意：去年，数据科学家的平均工作年限为4.5年，而目前这一数值变为8年。这意味着，更多人选择在年龄较大时改变职业，或者更有可能的是，统计学家、数据挖掘者、计量经济学家以及其他职业的从事者已进化为（也有可能获得新技能）并接受了新的职业名称：数据科学家。

当然，这并非我们唯一的发现。在进一步细分数据后，有了关于2019年数据科学家的有趣发现。

综合技能

可以说，数据科学家最重要的一个方面就是所掌握的技能。

在调查了每位数据科学家最重视的三样工具后，我们发现，同去年一样，数据科学家工具箱中最常见的工具就是编程语言（而非像Tableau或SAS这样的软件）。

R语言和Python仍然是科学家最重视的工具。2018年，支持这两种技能的数据科学家均为53%。而今年，Python的发展势头令R语言望尘莫及（或如Gregory Piatetsky-Shapiro所说，Python会继续蚕食掉R语言的用户领域）。在样本中，认为Python是顶级技能之一的数据科学家占54％，而在R语言中，这一比例只有45％。

数据科学家们最重视工具的第三名仍是SQL（本次调查中SQL的支持率为36％，仅比去年下降4％）。与2018年相比，排名前6位的最后3种编程语言次序无变化。MATLAB和Java用户比例甚至与去年相同（分别为19％和18％），但我们观察到C / C++程序员数量下降显著，达到10％（从18％降至8％）。

最后，在去年研究了行业技能，今年再次重复该研究分析是十分有意义的。我们发现，整个行业的编程语言分布与2018年的趋势非常接近。最重要的是，仅这一项研究结果基本上反映了我们所认为的整体趋势，即Python正主导着所有行业。

行业就业

数据科学家的最大雇主仍然是技术/ IT行业，其在该行业的就业率自去年以来增长了1％（2019年为43％，2018年为42％）。科技行业数据科学家人数仍然最多，工业部门的数据科学家人数也由37％上升到39％。金融部门保持16％不变，而医疗保健行业则从5％变为2％（值得注意的是，与其他行业相比，医疗保健行业中数据科学家的占比微不足道，但这一减少可能是由抽取样本的局限性导致的）。

在数据科学家的就业领域，每年的调查结果并未特别显示出巨大变化，但如果按国家划分这些行业，会有什么新发现呢？

与去年一样，除英国外，大多数国家的结果与总体相似。与其他国家相比，英国更偏好金融业。尽管伦敦作为欧洲金融中心的前景尚不明朗，但英国的一些金融机构似乎早已在数据科学领域投入大量资金。

然而，最为突出的变化发生在印度。印度科技行业的数据科学家占比从较高比例63％减少至47％，更接近平均水平。部分数据科学家从科技行业进入工业部门，该部门数据科学家占印度数据科学家总数的30％，而去年占比为21.4％。印度金融业的数据科学家占比增加了13％（2018年为8.3％，2019年为21％），这似乎表明印度有意效仿英国。众所周知，印度通过承接外包服确立了其在科技领域的地位，数据科学领域也在齐头并进。我们十分期待并将继续关注印度在该领域的发展。

结论

本研究重申了成为数据科学家的必需条件。数据科学家所需的编程语言比以往更为明确，对Python和R语言之间的偏好差距继续扩大。本研究是对有志成为数据科学家的自我检查，帮助他们明智地选择所要关注的技能，当然具体技能还要取决于所处的国家和行业。

本研究得出的2018年到2019年的变化，可能不像研究人员所想的那样具有革命性，但这些变化确实证明了目前的发展趋势。由于数据科学比以往更加强大，我们期望从这些数据科学家的档案中，获取更多的确定性。虽然数据科学尚未成熟，但其仍在不断发展，与时俱进同以往一样重要。