建立數據場的七大技能

成為數據極客，建立自己的數據場需要哪些技能呢?遇到普通的數據，通過SQL做分析。如果數據量比較大，可以使用Hadoop等大數據框架處理。在深入挖掘上，可用Python或者R語言進行編程。

01 數據極客

上回書說到，數據科學家是具有數據相關的完整理論和知識的人，自然境界很高。做作一個普通的IT界碼農，成為數據科學家需要漫長的過程。那這個……，做不到數據科學家，我們還可以做個數據極客(Data Geek)嘛，挑戰數據極限，也是挑戰自己的極限。

那么，成為數據極客，建立自己的數據場需要哪些技能呢?且不說那高深復雜的理論，僅從實用的角度來分析一下，建立數據場的七個方面。

02 七大技能

2.1 SQL與NoSQL技能

二維表格數據是最常用形式了，對二維數據的處理分析也是最基本的。傳統的SQL工具與大數據環境下的NoSQL工具中，以關系型的MySQL為代表，以文檔型的MongoDB為代表，以大數據環境下的Hive代表。這都是數據分析的基礎而強大利器，在很多場合下都能快速的解決問題。

擴展的，還會有內存型數據庫Redis，圖數據庫Neo4j，還有全文索引的ElasticSearch和Solr，還有Hbase和Cassandra，這些根據具體的業務，選擇性的掌握其中一部分。

學到什么程度并無定論，重點在具體的數據環境下，不至于永遠只知道MySQL這一個工具，在不同的場景，其它的數據庫能發揮出強大的優勢。

總結起來說，重點不是工具，而是數據。不僅要能處理結構化數據，還要處理半結構化數據，不僅能單機處理，還要在集群環境下處理。

2.2 Linux工具集

Shell, AWK, sed, grep等基本工具集，這是很多數據簡單處理的得力助手，包含數據文件編碼，數據合并，數據拆分，數據規范，格式驗證等等。

Linux腳本能力，簡單服務配置能力，正則表達式能力，Vim或者Emacs編輯能力，文件系統常用操作命令，遠程登錄ssh等等，這些都能快速的處理很多問題。任何的分析或挖掘都會依托與一個系統，而Linux是其中最常用的，尤其是在服務器環境。熟悉一個系統，能讓自己的數據科學工作事半功倍。

簡單的數據收集與處理，很多時候也會依賴于Linux系統或者基于其上的一系列工具，比如常用的Web服務器引擎Nginx及其產生的日志，常用的文件傳輸scp或者rsync，常用的定時任務crontab等等這些工具，穩定又實用。

2.3 Python或者R語言生態

掌握一門分析專用語言，很有必要。其中以R語言和Python語言為代表。R起源于統計學，如今在數據科學領域也占有強大的陣地。Python更是一門完整的編程語言，不論是Web開發、自動化運維、云計算，還是數據科學領域，都有眾多的用戶。兩者在數據分析中都有完整的生態圈，而且其它環境對這兩者的支持也是非常好的。

無意于爭端，全看個人喜好。本人只熟悉Python這塊生態，因此只討論這一塊相關的。最為大眾熟悉的一些包為：Numpy，Scipy, Pandas和Scikit-learn，Keras，解決了從數據分析到機器學習和深度學習的幾乎所有任務。

2.4 Hadoop與Spark生態

大數據平臺，無疑是以Hadoop和Spark為代表，無論在線處理還是離線分析。Hadoop比較適合離線處理。而在線處理中，Storm就是比較有名的。如果需要自己實現Map-Reduce或者對接數據之類的開發，編程語言中以Java和Scala為代表。

在線搜索相關，估計會用前面說過的ElasticSearch或者Solr。當然，區別于hadoop的Map-Reduce流程，Spark提供的彈性數據集RDD，能作用于RDD上的算子非常多，使得數據處理與分析更加方便。除此之外，Spark還提供了實時任務的Streaming，能實時的對數據進行處理與獲取結果。還有Spark SQL功能，尤其以其中的DataFrame重為重要。另外，ML與MLlib也是分布式機器學習的重要部分。

Spark是Hadoop生態圈中的有力補充，并非替代品，如果要說替代，那也只是替代了MapReduce分布式計算框架而已，分布式調試與管理依然用Yarn，文件系統依然會使用HDFS。

Hadoop發行版中，主要以三大廠商的Hadoop的為代表。Cloudera發行的CDH，Hortonworks發行的HDP，這兩個是目前各種大數據框架支持的主流，另外一家是修改了核心的MapR。

2.5 概率、統計與線性代數

對數據進行統計與分析，是需要統計學的基礎知識。另外，很多問題都可以轉化為一個概率問題，并不是要完全確定的結果，只要概率達滿足即可。概率論方面的主要是貝葉斯統計，隱馬爾可夫模型等之類的。這些都是深入理解算法的基礎。

對數據的運算，很多時候就是直接矩陣運算，而涉及矩陣的各種運算也正是線性代數相關相關的問題。

機器學習之所以有效，是因為模型對數據的處理，最后都會變成一系列的數學優化問題，而且主要和凸優化知識相關。機器學習的各種計算，都是和數學密切相關。除了上面的概率、統計與線性代數，還會和微積分有一定的關系。

當然，但除非你深入研究算法的核心原理或者寫學術論文需要，也不要被數學嚇到了。在機器學習應用過程中，并不會用到太多的數學知識。而且，也并不需要完全把上面這些課程學好了再來進行機器學習。計算機基于數學，但應用型的算法，并不需要特別深厚的數學功底。如果以前課程學得不好也沒有太大的關系，很多知識到了關鍵時刻再補一下也不遲。

2.6 機器學習與深度學習

數據挖掘與人工智能中和算法相關的部分，常用的分類算法，聚類算法是基礎。推廣開來，就是監督算法與非監督算法，監督算法中，除了分類，還有回歸。非監督算法中，除了聚類，還有數據降維，還有用于個性推薦的關聯規則。另外，專門處理自然語言的機器學習也即NLP，或者文本數據挖掘，是另外一個側重方向。

對算法的理解，需要前面的統計與概率等等數學知識，還需要結合編碼能力，最好能自己實現一些演示算法流程的Demo程序來輔助理解。實際應用中，最好以第三方庫為準，它們經過大量人員的測試，無論是性能還是算法完整性上都會更好，自己實現的程序僅僅用于理解算法流程即可。除非你對算法理解很徹底，并且編碼能力也非常強，而且覺得現有的框架不能滿足你的使用。

除了算法及其參數調優外，還有另外兩個重要的內容，特征提取與模型評估。如何從原始數據中提取出用于算法的特征是很關鍵的。很多時候，不同算法在性能差異上并不明顯，但不同的特征提取方法，卻能產生比較大的差距。

在某種特征上應用特定的算法，還需要做的就是模型評估，如果評估一個模型是好還是壞，在一定程度上也體現了機器學習是否有效的依據。在特征提取上，一個比較火熱的領域自然是深度學習了。源于多層神經網絡，是一種非監督的特征提取方法，更好的用于圖片、語音與視覺處理。值得一提的是，深度學習在很多地方的性能已經超過傳統的機器學習算法。

2.7 業務及雜項

除上上面的純技術外，還有一些非技術上的技能。業務理解，商業洞察，溝通與交流能力，尤其以業務的理解能力為重要。數據是死的，無法更好的理解業務中的問題，也就無法更好的利用現有數據，甚至無法更好的解讀其中的結論。

理解業務通常需要一些專業的領域知識，比如做網絡安全的，需要安全的一些基礎知識;做電商的，需要理解其中各個指標對當前銷售的影響;做二手車估值的，需要對二手車殘值評估有一定的了解。

除了業務知識外，還需要一定的文檔與報表技能，比如Word、PPT與Markdown工具的使用，只有完整的文檔與良好的表達，才更好體現數據所展現出來的效果。

另外，英文能力與寫作也同樣重要，需要經常閱讀一些英文文章。閱讀的主要目的，就是隨時更新自己的技能，擴展知識面。而寫作，就是自己知識積累的一種方式，將紙上的東西，變成自己的技能。

03 結尾

這兒列出的七項主要技能，和上一篇文章的7大技能基本相同。對于高級信號處理，主要用于特征提取，個人感覺目前可能通過學習神經網絡與深度學習來解決，深度學習是專為解決特征提取的問題而來。

七大技能，總結起來，就是熟悉一門Linux系統及其上的常用工具，遇到普通的數據，可以通過SQL來做簡單分析或者聚合。如果數據量比較大，可以使用Hadoop等大數據框架處理。在深入挖掘上，可用Python或者R語言進行編程，應用以概率統計為支撐的機器學習算法。

要做好數據極客，只有在各種工具與技能基礎上，再加強自己的業務興趣點，配合個人的悟性而修行。果能如此，持之以恒，則天下定有你的天地。