0x0F 大数据职位，数据场技能(下)

来自： http://www.jianshu.com/p/5b0b881ae46d

摘要：成为数据极客，建立自己的数据场需要哪些技能呢？遇到普通的数据，通过SQL做分析。如果数据量比较大，可以使用Hadoop等大数据框架处理。在深入挖掘上，可用Python或者R语言进行编程。

01 数据极客

上回书说到，数据科学家是具有数据相关的完整理论和知识的人，自然境界很高。做作一个普通的IT界码农，成为数据科学家需要漫长的过程。那这个……，做不到数据科学家，我们还可以做个数据极客（Data Geek）嘛，挑战数据极限，也是挑战自己的极限。

那么，成为数据极客，建立自己的数据场需要哪些技能呢？且不说那高深复杂的理论，仅从实用的角度来分析一下，建立数据场的七个方面。

02 七大技能

2.1 SQL与NoSQL技能

二维表格数据是最常用形式了，对二维数据的处理分析也是最基本的。传统的SQL工具与大数据环境下的NoSQL工具中，以关系型的MySQL为代表，以文档型的MongoDB为代表，以大数据环境下的Hive代表。这都是数据分析的基础而强大利器，在很多场合下都能快速的解决问题。

扩展的，还会有内存型数据库Redis，图数据库Neo4j，还有全文索引的ElasticSearch和Solr，还有Hbase和Cassandra，这些根据具体的业务，选择性的掌握其中一部分。

学到什么程度并无定论，重点在具体的数据环境下，不至于永远只知道MySQL这一个工具，在不同的场景，其它的数据库能发挥出强大的优势。

总结起来说，重点不是工具，而是数据。不仅要能处理结构化数据，还要处理半结构化数据，不仅能单机处理，还要在集群环境下处理。

2.2 Linux工具集

Shell, AWK, sed, grep等基本工具集，这是很多数据简单处理的得力助手，包含数据文件编码，数据合并，数据拆分，数据规范，格式验证等等。

Linux脚本能力，简单服务配置能力，正则表达式能力，Vim或者Emacs编辑能力，文件系统常用操作命令，远程登录ssh等等，这些都能快速的处理很多问题。任何的分析或挖掘都会依托与一个系统，而Linux是其中最常用的，尤其是在服务器环境。熟悉一个系统，能让自己的数据科学工作事半功倍。

简单的数据收集与处理，很多时候也会依赖于Linux系统或者基于其上的一系列工具，比如常用的Web服务器引擎Nginx及其产生的日志，常用的文件传输scp或者rsync，常用的定时任务crontab等等这些工具，稳定又实用。

2.3 Python或者R语言生态

掌握一门分析专用语言，很有必要。其中以R语言和Python语言为代表。R起源于统计学，如今在数据科学领域也占有强大的阵地。Python更是一门完整的编程语言，不论是Web开发、自动化运维、云计算，还是数据科学领域，都有众多的用户。两者在数据分析中都有完整的生态圈，而且其它环境对这两者的支持也是非常好的。

无意于争端，全看个人喜好。本人只熟悉Python这块生态，因此只讨论这一块相关的。最为大众熟悉的一些包为：Numpy，Scipy, Pandas和Scikit-learn，Keras，解决了从数据分析到机器学习和深度学习的几乎所有任务。

2.4 Hadoop与Spark生态

大数据平台，无疑是以Hadoop和Spark为代表，无论在线处理还是离线分析。Hadoop比较适合离线处理。而在线处理中，Storm就是比较有名的。如果需要自己实现Map-Reduce或者对接数据之类的开发，编程语言中以Java和Scala为代表。

在线搜索相关，估计会用前面说过的ElasticSearch或者Solr。当然，区别于hadoop的Map-Reduce流程，Spark提供的弹性数据集RDD，能作用于RDD上的算子非常多，使得数据处理与分析更加方便。除此之外，Spark还提供了实时任务的Streaming，能实时的对数据进行处理与获取结果。还有Spark SQL功能，尤其以其中的DataFrame重为重要。另外，ML与MLlib也是分布式机器学习的重要部分。

Spark是Hadoop生态圈中的有力补充，并非替代品，如果要说替代，那也只是替代了MapReduce分布式计算框架而已，分布式调试与管理依然用Yarn，文件系统依然会使用HDFS。

Hadoop发行版中，主要以三大厂商的Hadoop的为代表。Cloudera发行的CDH，Hortonworks发行的HDP，这两个是目前各种大数据框架支持的主流，另外一家是修改了核心的MapR。

2.5 概率、统计与线性代数

对数据进行统计与分析，是需要统计学的基础知识。另外，很多问题都可以转化为一个概率问题，并不是要完全确定的结果，只要概率达满足即可。概率论方面的主要是贝叶斯统计，隐马尔可夫模型等之类的。这些都是深入理解算法的基础。

对数据的运算，很多时候就是直接矩阵运算，而涉及矩阵的各种运算也正是线性代数相关相关的问题。

机器学习之所以有效，是因为模型对数据的处理，最后都会变成一系列的数学优化问题，而且主要和凸优化知识相关。机器学习的各种计算，都是和数学密切相关。除了上面的概率、统计与线性代数，还会和微积分有一定的关系。

当然，但除非你深入研究算法的核心原理或者写学术论文需要，也不要被数学吓到了。在机器学习应用过程中，并不会用到太多的数学知识。而且，也并不需要完全把上面这些课程学好了再来进行机器学习。计算机基于数学，但应用型的算法，并不需要特别深厚的数学功底。如果以前课程学得不好也没有太大的关系，很多知识到了关键时刻再补一下也不迟。

2.6 机器学习与深度学习

数据挖掘与人工智能中和算法相关的部分，常用的分类算法，聚类算法是基础。推广开来，就是监督算法与非监督算法，监督算法中，除了分类，还有回归。非监督算法中，除了聚类，还有数据降维，还有用于个性推荐的关联规则。另外，专门处理自然语言的机器学习也即NLP，或者文本数据挖掘，是另外一个侧重方向。

对算法的理解，需要前面的统计与概率等等数学知识，还需要结合编码能力，最好能自己实现一些演示算法流程的Demo程序来辅助理解。实际应用中，最好以第三方库为准，它们经过大量人员的测试，无论是性能还是算法完整性上都会更好，自己实现的程序仅仅用于理解算法流程即可。除非你对算法理解很彻底，并且编码能力也非常强，而且觉得现有的框架不能满足你的使用。

除了算法及其参数调优外，还有另外两个重要的内容，特征提取与模型评估。如何从原始数据中提取出用于算法的特征是很关键的。很多时候，不同算法在性能差异上并不明显，但不同的特征提取方法，却能产生比较大的差距。

在某种特征上应用特定的算法，还需要做的就是模型评估，如果评估一个模型是好还是坏，在一定程度上也体现了机器学习是否有效的依据。在特征提取上，一个比较火热的领域自然是深度学习了。源于多层神经网络，是一种非监督的特征提取方法，更好的用于图片、语音与视觉处理。值得一提的是，深度学习在很多地方的性能已经超过传统的机器学习算法。

2.7 业务及杂项

除上上面的纯技术外，还有一些非技术上的技能。业务理解，商业洞察，沟通与交流能力，尤其以业务的理解能力为重要。数据是死的，无法更好的理解业务中的问题，也就无法更好的利用现有数据，甚至无法更好的解读其中的结论。

理解业务通常需要一些专业的领域知识，比如做网络安全的，需要安全的一些基础知识；做电商的，需要理解其中各个指标对当前销售的影响；做二手车估值的，需要对二手车残值评估有一定的了解。

除了业务知识外，还需要一定的文档与报表技能，比如Word、PPT与Markdown工具的使用，只有完整的文档与良好的表达，才更好体现数据所展现出来的效果。

另外，英文能力与写作也同样重要，需要经常阅读一些英文文章。阅读的主要目的，就是随时更新自己的技能，扩展知识面。而写作，就是自己知识积累的一种方式，将纸上的东西，变成自己的技能。

03 结尾

这儿列出的七项主要技能，和上一篇文章的7大技能基本相同。对于高级信号处理，主要用于特征提取，个人感觉目前可能通过学习神经网络与深度学习来解决，深度学习是专为解决特征提取的问题而来。

七大技能，总结起来，就是熟悉一门Linux系统及其上的常用工具，遇到普通的数据，可以通过SQL来做简单分析或者聚合。如果数据量比较大，可以使用Hadoop等大数据框架处理。在深入挖掘上，可用Python或者R语言进行编程，应用以概率统计为支撑的机器学习算法。

要做好数据极客，只有在各种工具与技能基础上，再加强自己的业务兴趣点，配合个人的悟性而修行。果能如此，持之以恒，则天下定有你的天地。