如果你有python入門基礎，在考慮資料分析崗，這篇文章將帶你瞭解：資料分析人才的薪資水平，資料人應該掌握的技術棧。

首先來看看，我在搜尋資料分析招聘時，各大廠開出的薪資：

那各大廠在資料領域，偏好哪些崗位呢？

要集中在大資料分析師、資料管理專家、大資料演算法工程師、資料產品經理這些崗位，在各個大廠的招聘需求中最常見到，而且開出的薪資待遇非常誘人。

如今大資料工程師人才高度稀缺，在工作年限相同的前提下，大資料工程

師的薪資普遍更高，待遇漲幅也高於其他崗位，現在入局大資料，是個不錯的選擇。

各大網際網路公司都在高價搶奪資料人才，為了謀求長期發展、獲取高薪，很多人也在考慮轉行大資料領域。作為專業性極強的一個領域，轉行如何學？學習重點在哪裡？很多人不知道。

我很早之前就認同一個觀點：一個優秀的資料人應該是思維、業務、分析和工程能力的綜合體，談思維、業務等能力很多人可能覺得飄在空中。確實，在我一開始接觸資料行業的時候，我也有這樣的感覺，為什麼那些大佬老是跟我吹產品Sense、業務感等等。

我們就拋開這些，就說工程能力，再具體一點，說說資料人應該掌握的技術棧。

1.關於精通python

雖然入行幾年，但我仍不敢說自己精通Pytho。我只是熟悉Python語法，相關的函式、模組和包以及一些面向物件的寫法等等。

想要成為合格的資料人，我覺得更重要的是去思考哪些問題可以利用Python擴充套件而來的一些程式庫處理，比如遇到大型矩陣的數值計算問題，你就應該想到Numpy來解決。

同理我會問，那Pandas呢？其實Pandas和SQL幾乎是一致的資料處理方式，都只是提供了快速便捷地處理資料的函式和方法，這也是Python為什麼會經常會被認為可以高效應用於資料分析原因之一了。

2.再說下資料架構

有些小夥伴應該是瞭解HiveSQL的，但如果要他說說Hive這類的問題，可能就有困難了，這樣其實是學不紮實的表現。

簡單來說，Hive是一個基於Hadoop的開源資料倉庫工具，用於存(HDFS)和處理(MapReduce)海量結構化資料。使用MapReduce計算，HDFS儲存。

雖然很多資料分析崗位不必精通Hadoop、MapReduce、HDFS，但是不代表不需要了解和學習，基礎是要打好的，而且Storm、Hbase、Flume、Spark、SparkSQL等等都是需要資料分析、資料探勘、資料演算法等崗位去學習和了解的。

Python不同方向核心資料下載

如果你想從事資料開發，那以上提到的技術棧是你應該熟練掌握的。（我個人建議是沒有專案經歷和工作經驗的不要輕易轉資料分析，因為真的HC少，可以考慮資料開發，很吃香，工資也高，競爭相對演算法和分析來說要小）

3.有必要學點資料探勘模型

某些業務場景的任務是不能用對比、交叉等分析解決的，例如分類、預測、文字挖掘等。

我之前提到說資料分析一般可以分成定量和定性的分析，定量的大家都比較清楚，也比較常見，但是定性的會去研究使用者的主動反饋意見，而這些一般都是文字，當資料量較大的時候，肯定不是一條條自己去分析使用者的情感、觀點等維度，這時候完全可以利用文字挖掘的方法快速準確的抽取出使用者觀點、主題和情感分析等等。

看到現在越來越多的人入行/轉行網際網路，我來說說我對這個領域的理解吧。

從業人員（除了高層）一般年齡在45歲以下，思維活躍、年輕，不像傳統行業等級森嚴，工作起來是比較愉悅的。任何人能入行這個領域，是因為網際網路對於沒有資源和背景的普通人是很包容的，比如它創造的很多新的工作機會，有些崗位之前是沒有的，因此不強求專業對口、要多少年的經驗等等，對於沒有資歷的普通人來說，網際網路很友好。

最重要的一點是，網際網路行業能和你適合的行業相結合，比如網際網路+金融、網際網路+餐飲，網際網路成為了一種業務模式，貫穿到了很多行業，在此基礎上去賺錢。

未來，網際網路會越來越滲透到各個行業，未來10年也必定是人工智慧、萬物互聯的時代。這也是我為什麼看準python的原因，因為python的優勢，就是對資料的處理。如果你也跟我一樣看好網際網路，看準python，那就利用好現在的時間，有效率的學習。我一直相信，生活會回報每一個為目標努力的人。