Telemarketing Leads

数据科学家工作流程

数据科学与数据工程：语言、工具和软件
当然，这种技能上的差异会转化为双方使用的语言、工具和软件的差异。以下摘要包括商业和开源替代方案。

尽管双方使用的工具很大程度上取决于在公司环境中如何构思角色，但数据工程师通常使用 SAP、Oracle、Cassandra、MySQL、Redis、Riak、PostgreSQL、MongoDB、Neo4j、Hive 和斯库普。

数据科学家将使用 SPSS、 R、Python、SAS、Stata 和 Julia等语言来构 玻利维亚 电话数据 建模型。这里最受欢迎的工具无疑是 Python 和 R。当使用 Python 和 R 进行数据科学时，您最常会使用 ggplot2 等软件包来在 R 或操作库 Python Pandas 数据中进行令人惊叹的数据可视化。当然，在处理数据科学项目时，还有更多有用的软件包，例如 scikit-learn、NumPy、Matplotlib、Statsmodels 等。

在工业中，您还会发现商业 SAS 和 SPSS 运行良好，但Tableau 、Rapidminer、Matlab、Excel 和 Gephi等其他工具将进入数据科学家的工具箱。

您再次看到，数据工程师和数据科学家之间的主要区别之一，，反映在所提到的工具中。

你可能已经猜到了，Scala、Java 和 C# 是双方共同的工具、语言和软件。

数据科学语言工具和软件

这些语言不一定在数据科学家和工程师中流行。有人可能会说，Scala 在数据工程师中更受欢迎，因为它与 Spark 的集成对于设置大型 ETL 管道特别方便。

Java 语言也是如此：目前，它在数据科学家中越来越受欢迎，但总的来说，专业人士的日常使用并不广泛。但总的来说，你会看到这些语言出现在这两个职位的工作机会中。对于双方可能拥有的共同工具，例如 Hadoop、Storm 和 Spark，也是如此。

当然，工具、语言和软件的比较必须放在工作的具体环境以及如何解释所讨论的数据科学的功能中来看待；在某些特定情况下，数据科学和数据工程可以紧密联系在一起，事实上，数据科学和数据工程团队之间的区别很小，有时它们会合并两个团队。

这是否是一个好主意，足以进行另一场辩论，这超出了今天博客的范围。