[[198656]]

數(shù)據(jù)分析是一項綜合技術(shù)。它既包含hardcore的編程技術(shù)，也包含諸多分析邏輯的軟知識。

對于數(shù)據(jù)科學(xué)家而言，Excel只是自己技能圖表里很小的一部分。雖然數(shù)據(jù)科學(xué)家流派眾多，成長路徑也各異，很難用短短一篇文章概括成長過程中碰到的所有“里程碑”。但是，依舊有一些東西是共通的。這篇文章就嘗試歸納一些我心目中的數(shù)據(jù)科學(xué)“里程碑”。

什么是里程碑?

①“里程碑”是一套知識體系中的重要環(huán)節(jié)，無論用哪個教程、如何展開學(xué)習(xí)，它總會是你必須面對的一關(guān)。有可能它并不難，但是如果想要在能力上更進一步，這個里程碑是繞不開的。

②跨越“里程碑”，技術(shù)就能獲得質(zhì)的飛躍，比如學(xué)會vlookup這項不算太難的技能，Excel工作效率就能大幅提升。而如果掌握VBA，就能用Excel做很多原先不可能的事情。

里程碑1：理解是什么造就了大數(shù)據(jù)時代

想必每一位系統(tǒng)學(xué)習(xí)過數(shù)據(jù)科學(xué)的同學(xué)，都會對“大數(shù)據(jù)”這個詞嗤之以鼻。

不只是因為這個詞被用濫了，更是因為它言之無物。大數(shù)據(jù)究竟是什么?至今仍然沒有一個明確的定義。

但是，大數(shù)據(jù)時代卻是真實存在的。與數(shù)據(jù)相關(guān)的科技創(chuàng)新和產(chǎn)業(yè)如今已經(jīng)開展的如火如荼，雖然它們形式各不相同，但放在“大數(shù)據(jù)時代”的框架下，并沒有什么毛病。

這就牽扯到一個很宏觀的問題——大數(shù)據(jù)時代的核心是什么?為什么數(shù)據(jù)相關(guān)的產(chǎn)業(yè)能夠突然爆發(fā)，蓬勃發(fā)展?對于這個問題的回答可能會直接影響到數(shù)據(jù)科學(xué)家的職業(yè)規(guī)劃和世界觀。

我個人的理解是：大數(shù)據(jù)時代，是海量數(shù)據(jù)+算法+運算能力的共同爆發(fā)。

海量數(shù)據(jù)——如今信息技術(shù)的發(fā)展，讓原始數(shù)據(jù)的記錄能力大幅提升。從宏觀的經(jīng)濟金融數(shù)據(jù)，到微觀的產(chǎn)業(yè)內(nèi)部數(shù)據(jù);從傳統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)，到圖像、聲音和文本數(shù)據(jù)。原始數(shù)據(jù)的大幅增長，為人們理解世界、探索世界打開了更大的窗口。

算法——每一個數(shù)據(jù)分析用到的算法，都可以說是人類智慧的結(jié)晶。他們大多歷史悠久，譬如當(dāng)下最熱的深度學(xué)習(xí)，DNN的算法最早可以追溯到1956年羅森布拉特發(fā)明的感知機，而DNN中最核心的BP算法在1975年也已經(jīng)予以發(fā)表。在合適的算法產(chǎn)生之前，計算機的優(yōu)良運算性能并不能用于解決特定的數(shù)據(jù)分析問題。但到了現(xiàn)在，為特定業(yè)務(wù)需求而設(shè)計的不同算法已經(jīng)極為豐富，在性能和效果上都有了極大的提升。

運算能力——運算能力是大數(shù)據(jù)時代爆發(fā)的***一環(huán)，可以說是壓死駱駝的***一根稻草。硬件方面，超級計算機、CPU與GPU的發(fā)展、存儲與數(shù)據(jù)性能的提升貢獻良多;軟件方面，分布式運算的部署思路、mapreduce的計算框架將速度進一步提升，從R到Python再到Golang等等高級語言的誕生，以及層出不窮的軟件包，把數(shù)據(jù)分析的“控制臺”做的越來越人性化。

三者缺一不可，但運算能力無疑是最前沿的開拓者。世界上先有少量數(shù)據(jù)和算法，于是我們可以進行初步的統(tǒng)計分析，但還遠遠沒有達到創(chuàng)造新時代的程度。唯有數(shù)據(jù)量大幅爆發(fā)，加上運算能力突破瓶頸，才能讓整個產(chǎn)業(yè)的規(guī)模開始指數(shù)增長。

私以為，只有理解了大數(shù)據(jù)時代的起源，才能擺明自己在時代浪潮中的位置。

里程碑2：R/Python

兩年前，大家在討論“應(yīng)該用什么軟件來做統(tǒng)計分析”。當(dāng)時的選項有很多，SPSS，SAS，R，Python，Excel，Eviews，Stata，C++，Java……數(shù)都數(shù)不過來。

一年前，大家在討論“究竟應(yīng)該學(xué)R還是Python”。那時候已經(jīng)是兩者二分天下的時代，上面列出來的軟件也偶有聲援者，但是已經(jīng)翻不起太大的浪花了。

現(xiàn)在，大家討論的只剩下“該怎么入門Python”。

兩年過去，大量的老牌軟件逐漸淡出數(shù)據(jù)科學(xué)家的視野。這些工具軟件的死亡姿勢，我可以簡單概括為下面幾種。

1. 軟件的功能天花板太低。典型代表是Eviews、SPSS之類的界面軟件。曾經(jīng)，他們成名于操作方便快捷的界面，最終卻因為界面能夠提供的功能有限，軟件天花板太低，被新時代拋棄。

2. 非開源。典型代表就是SAS，最早SAS曾是大數(shù)據(jù)分析的最終解決方案，也是唯一解決方案。它采用硬盤讀寫模式，是當(dāng)時唯一能克服海量數(shù)據(jù)運算時內(nèi)存空間不足的軟件;同時由于SAS內(nèi)置了大量的統(tǒng)計軟件庫，只需要少量代碼就能完成復(fù)雜的分析，輸出一份專業(yè)完善的報表。但是SAS敗在了它老舊的語法系統(tǒng)和非開源兩點上。SAS語法非常令人頭疼，既不是面向?qū)ο笠膊皇呛瘮?shù)式編程，新手需要花很長時間適應(yīng)它的語法結(jié)構(gòu);更重要的是，SAS公司的產(chǎn)品不開源，沒有外部package可供調(diào)用，根本跟不上算法的快速發(fā)展。如今SAS漸漸已經(jīng)被數(shù)據(jù)科學(xué)家遺忘，只在生物醫(yī)藥和銀行系統(tǒng)里還保持著絕對優(yōu)勢(然而這僅僅是因為政策壁壘或是行業(yè)慣性)。

3. 太難。這里指的就是C++和Java，他們的代碼過于底層。好處是運算速度很快，壞處是開發(fā)起來很費時間。為了完成一個數(shù)據(jù)分析，運算速度其實可以適當(dāng)犧牲，讓位給開發(fā)時間。或者，完成初期的分析和算法開發(fā)以后，把算法交給后端來用C++或Java實現(xiàn)。在業(yè)務(wù)中，客戶和數(shù)據(jù)分析師都沒有太多精力去等輪子慢慢造出來，大家想要的是一個方便好學(xué)的高級語言——顯然，只剩下R和Python了。

4. 死于來自深度學(xué)習(xí)的不明AOE。很長時間內(nèi)，R本來還和Python并駕齊驅(qū)難分高下。但自從AlphaGo刷屏，深度學(xué)習(xí)變得炙手可熱以來，R開始面臨危機，因為目前深度學(xué)習(xí)的Tensorflow框架、keras包等等基本全部搭建在Python上面。這就很尷尬了，R直接錯過了深度學(xué)習(xí)的浪潮。直到近期，有大神把深度學(xué)習(xí)的框架轉(zhuǎn)移到了R上面，但是似乎已經(jīng)晚了，Python已經(jīng)在數(shù)據(jù)分析***工具排行榜上一騎絕塵。當(dāng)然R還不至于消亡，由于學(xué)術(shù)界對R的使用頻率極高，幾乎所有學(xué)界研究出的新算法都在R平臺進行模擬測試，所以R的算法包儲備是Python無法替代的。

所以我們其實可以發(fā)現(xiàn)，當(dāng)一門數(shù)據(jù)分析工具誕生之初，它的命運幾乎就已經(jīng)注定了。R和Python由于命令行+開源+高級語言的多重特點，幾乎是笑到了***。而對于數(shù)據(jù)科學(xué)家來講，這兩門語言注定會是他們***的朋友，每個數(shù)據(jù)科學(xué)家都應(yīng)該至少將其中一個作為自己的主語言。

這便是數(shù)據(jù)科學(xué)家的一大里程碑。不管之前你的基礎(chǔ)如何，當(dāng)你***次開始著手學(xué)習(xí)R或Python，你才算是真正用起了最適合大數(shù)據(jù)時代的數(shù)據(jù)分析工具，跨入了新的世界。

值得一提的是，未來這一列表上可能還會加上Golang，畢竟這一門由谷歌開發(fā)并倡導(dǎo)的數(shù)據(jù)科學(xué)新工具自從誕生以來，發(fā)展一直十分迅猛。但能否加入豪華套餐，既要考慮到Golang自身的奮斗，也要考慮到歷史的行程。

里程碑3：Spark

這兩年，大數(shù)據(jù)工程師們有一項共識：自己所有技能列表里，Spark是對于薪資提升最有效的幫手。

Spark具有鮮明的特色。一方面，它是目前最快的數(shù)據(jù)分析平臺，完全實現(xiàn)了對于Hadoop和Mapreduce框架的繼承與超越。另一方面，它的抽象程度比較高，需要大量使用lambda函數(shù)進行函數(shù)式編程，所以非常麻煩;而且Spark的社區(qū)完善度遠遠不及R和Python，雖然Spark基于Scala構(gòu)建，能夠調(diào)用Scala和java的軟件包，但是它依舊很麻煩;更不用提搭建Spark的分布式計算平臺甚至都不是一件簡單的事情。

上面那段話里可能出現(xiàn)了很多大家看不懂的詞匯。不過沒關(guān)系，總結(jié)起來，關(guān)于Spark其實只需要知道兩點：

1. Spark特別快!Spark特別快!Spark特別快!

2. Spark特別難!Spark特別難!Spark特別難!

毫無疑問，Spark就屬于那種非常不好跨越的里程碑。不過收益與付出并存，至少在我看來，Spark也沒有那么難。當(dāng)適應(yīng)了用lambda函數(shù)寫map和reduce之后，甚至?xí)凵线@種感覺。同時，如果有一定java基礎(chǔ)的話，Spark也會變得容易很多。

里程碑4：從需求出發(fā)思考模型，而非將模型生搬硬套。

當(dāng)前，數(shù)據(jù)科學(xué)家往往分為三派。

統(tǒng)計派：統(tǒng)計背景的數(shù)據(jù)科學(xué)家，往往喜歡用數(shù)學(xué)方法解決問題，格外關(guān)注數(shù)據(jù)分析中每一步的邏輯性，非常喜歡做假設(shè)檢驗。由于進行了大量的參數(shù)統(tǒng)計訓(xùn)練，對于他們來講，每一個模型參數(shù)都是不可信的，甚至于每一個模型本身都很不可信——直到做出合理的數(shù)學(xué)證明，并對每個參數(shù)進行檢驗。統(tǒng)計派最初接觸機器學(xué)習(xí)時，往往會非常不適應(yīng)于其“黑箱”的模式，然而***往往也只能嘆服于模型優(yōu)越的預(yù)測能力。

計算機派：CS出身的數(shù)據(jù)科學(xué)家?guī)в袧庵氐墓た粕鷼赓|(zhì)，習(xí)慣的思維方式是模塊化、按部就班的工程思維。他們更加關(guān)心機器學(xué)習(xí)的步驟與結(jié)果，而非每一步的邏輯。好處在于，他們在學(xué)習(xí)數(shù)據(jù)分析時不用克服自己的某種慣性，只需要用工程思維做出一個好的模型。壞處就是，有時會太注重模型本身，忽略其適用條件。

業(yè)務(wù)派：這一派的數(shù)據(jù)科學(xué)家背景可以說是三教九流，但無論怎樣，總歸是和數(shù)據(jù)沾點邊。他們的思維特點是從業(yè)務(wù)邏輯出發(fā)，特別重視模型構(gòu)建的前期過程，尤其特征工程。并且，他們始終期待模型輸出與他們猜測相符的結(jié)果，否則可能就要大發(fā)雷霆。

三派人都將成為優(yōu)秀的數(shù)據(jù)科學(xué)家，但在他們發(fā)育完全之前，往往會碰到一些麻煩。這些麻煩我可以歸納為——不看需求，只管模型。

統(tǒng)計派的模型可能是多元線性回歸、時間序列分析和非參數(shù)統(tǒng)計，計算機派則可能是***的DNN、SVM，業(yè)務(wù)派的模型就是他們的業(yè)務(wù)邏輯。三者都免不了把自己最習(xí)慣的思維方式代入多變的現(xiàn)實問題中去。比如分析房價數(shù)據(jù)，統(tǒng)計派往往一定要給數(shù)據(jù)做個回歸或是時間序列分析，計算機派喜歡給數(shù)據(jù)設(shè)定Classification標(biāo)準(zhǔn)然后套用分類算法，業(yè)務(wù)派則一定得先把房價數(shù)據(jù)的邏輯分析一通，提出一大堆假設(shè)，卻找不到好的模型來套用自己的假設(shè)。

這都不是***的處理方法。好的數(shù)據(jù)分析應(yīng)該是三者觀念的結(jié)合，即——首先，像業(yè)務(wù)派一樣分析原始數(shù)據(jù)，做好探索性分析和特征工程;隨后像統(tǒng)計派一樣謹慎分析模型適用性，選用合理的模型假設(shè);***像計算機派一樣大膽建模，積極調(diào)參，向著過擬合的方向不斷前進。

總結(jié)下來，最重要的，還是要拋棄自己腦海里固有的幾套思維模式，從數(shù)據(jù)本身的分析需求出發(fā)，選擇最合適的分析方法、數(shù)據(jù)清洗思路、特征工程和模型。

可惜，這個里程碑是一個玄學(xué)里程碑。大部分人可能知道這個里程碑的存在，卻不知道自己是不是真的跨過去了。但毫無疑問，能夠明白自己要從需求出發(fā)，就已經(jīng)非常難得了。

里程碑5：學(xué)會開始改善自己的代碼

統(tǒng)計派和業(yè)務(wù)派***的里程碑，可能就是理解代碼也有代碼的美學(xué)。

金融從業(yè)者可能非常熟悉怎樣做出一套漂亮的ppt，統(tǒng)計學(xué)家可能非常熟悉怎樣寫出簡練明晰的證明過程。但是，到了代碼這里，大部分人還是愿意把自己的IDE當(dāng)成“草稿本”，覺得把想要的東西做出來就可以了。更不用說對代碼本身的改進，就像許多R新人會在代碼里寫大量的for循環(huán)，而且是循環(huán)套循環(huán)，導(dǎo)致運行時間成倍增長。

事實上也不能全怪他們。數(shù)據(jù)分析的代碼一般不太好寫，需要反復(fù)嘗試，期間代碼非常容易寫的過于隨性，亂七八糟。***如果偷懶不做整合，也就這么亂下去了。

但是在實際工作中，數(shù)據(jù)分析的代碼依舊需要保證可讀性，否則后端改寫如何讀你的算法?做文檔和ppt的公關(guān)人員怎么解讀你的代碼?甚至，你自己能不能在一個月后認出你的代碼?

當(dāng)有這種現(xiàn)實需要的時候，數(shù)據(jù)科學(xué)家才會開始尋找代碼的美感。

讓代碼變得整齊漂亮，還只是***方面。需要做的是調(diào)整好縮進、認真寫注釋、做好代碼的分塊、限制每一行的字符數(shù)等等。但在這之后，還需要學(xué)會怎樣提高代碼的運行速度(就比如R語言的***大tip：用apply系函數(shù)替代for循環(huán))，如何將代碼寫的更加具有可讀性(比如將常用功能定義為函數(shù))，不一而足。代碼的美學(xué)是無窮無盡的，值得每一位數(shù)據(jù)科學(xué)家去探索。

沒頭沒腦寫了這么一堆，也不知道看官們是否受用。

里程碑是非常重要的，我們用里程碑來標(biāo)注過去的成就，新人則用前人的里程碑來作為自己努力的方向。每個人在自己領(lǐng)域里，都能列出諸多的“里程碑”，把它們寫出來給新人看看，會是一件挺不錯的事情。