我只想說，你是選擇數據科學還是數據工程，最終應該取決于你的興趣和你的激情所在。然而，如果你坐在籬笆上，不確定該選擇哪一個，因為他們是同樣感興趣的，那么繼續閱讀！

數據科學一時成為熱門話題，但一個新的叢林之王已經到來--數據工程師。在本文中，我將與您分享幾個原因，為什么您可能希望考慮使用數據工程而不是數據科學。

請注意，這是一篇固執己見的文章，并從中獲取您想要的內容。話雖如此，我希望你喜歡！

1.從根本上說，數據工程比數據科學更重要。

我們都聽過“垃圾進，垃圾出”這句話，但直到現在，公司才開始真正理解這句話的含義。機器學習和深度學習可能是強大的，但只有在非常特殊的情況下。除了需要大量的數據和ML和DL的實際使用之外，公司還需要自下而上地滿足數據需求層次結構。

就像我們在社交需求（即關系需求）之前有物理需求（即食物和水）一樣，公司需要滿足幾個通常屬于數據工程傘的需求。請注意數據科學，特別是機器學習和深度學習，是最重要的東西。

簡單地說，沒有數據工程就沒有數據科學。數據工程是一個成功的數據驅動公司的基礎。

2.對數據工程師的需求正在增長……增長了很多。

正如我之前所說的，公司正在意識到對數據工程師的需求。因此，目前對數據工程師的需求越來越大，這是有證據的。

根據ToIntegrated Query的數據科學面試報告，2019年至2020年，數據科學面試數量僅增長了10%，而同期數據工程面試數量增長了40%！

此外，Mihail Eric對Y-Combinator的職位發布進行了一項分析，發現的數據工程角色比的數據科學家角色多70%。

你可能會想，“當然增長要高得多，但就絕對數字而言呢？”

我冒昧地從Indeuts、Monster和SimplyHired上搜索了所有數據科學家和數據工程師的職位，發現這兩個職位列表的數量都差不多！

總共有16577份數據科學家工作清單和16262份數據工程師工作清單。

3.作為一名數據科學家，數據工程技能非常有用。

在更成熟的公司中，工作通常是分開的，這樣數據科學家可以專注于數據科學工作，而數據工程師可以專注于數據工程工作。

但大多數公司通常不是這樣。我想說，大多數公司實際上都要求他們的數據科學家了解一些數據工程技能。

許多數據科學家最終需要數據工程技能。

作為一名數據科學家，了解數據工程技能也是非常有益的，我將舉一個例子：如果您是一名不懂SQL的業務分析師，那么每次想要收集見解時，您都必須要求數據分析師查詢信息，這在您的工作流程中造成了瓶頸。類似地，如果您是一名數據科學家，沒有數據工程師的基本知識，那么您肯定會不得不依賴其他人來修復ETL管道或清理數據，而不是自己完成。

4.數據科學比數據工程更容易學習。

在我看來，作為一名數據工程師學習數據科學比作為一名數據科學家學習數據工程技能容易得多。為什么？數據科學有更多的可用資源，有許多工具和庫被構建來使數據科學變得更容易。

因此，如果你正在開始你的職業生涯，我個人認為花時間學習數據工程比數據科學更值得，因為你有更多的時間可以投入。當你從事一份全職工作，進入職業生涯幾年后，你可能會發現你沒有能力或精力在學習上投入那么多時間。所以從這個角度來看，我認為最好先學比較難的領域。

5.它包括一個尚未開發的機會市場。

我不只是在談論工作機會，而是通過新的工具和方法來創新和使數據工程變得更容易的機會。

當數據科學最初被大肆宣傳時，人們發現了學習數據科學的幾個障礙，比如數據建模和模型部署。后來出現了像PyCaret和Gradio這樣的公司來解決這些問題。

目前，我們正處于數據工程的初始階段，我預見到許多使數據工程變得更容易的機會。

感謝閱讀！

雖然這是一篇固執己見的文章，但我希望這能讓您了解為什么想成為一名數據工程師。我想重申，你是選擇數據科學還是數據工程，最終應該取決于你的興趣和你的激情所在。我一如既往地祝你在你的努力中好運！

不知道接下來要讀什么？我為您挑選了另一篇文章:

4個你不應該成為數據科學家的理由
為什么數據科學工作不適合你

和另一個！

想成為一名數據科學家嗎？不要從機器學習開始。
有抱負的數據科學家最大的誤解