大家好！我是篱笆老师Iris。之前我们做过视频和大家聊过入门python的学习路线，视频出来之后呢有收到小伙伴的提问，说我知道python对数据分析来说是非常重要的技能之一，但是我到底要学到什么程度才能够达到日常工作的要求呢，只会用pandas够了么？今天我就想和大家聊一聊关于不同数据岗位对Python要求程度的话题。其实大的方向大家也都可以想到，不同的数据岗位对Python的要求程度可是各不相同的！我们来看看具体是怎么回事。
首先我们来看一下有哪些常见的数据岗位。大家最熟知的应该就是数据分析师了，数据分析师负责从数据中提取有用的信息和洞察，以支持业务决策和战略规划。另外还有商业分析师，商业分析师主要是研究市场趋势、行业竞争以及消费者行为等数据，以帮助企业做出战略决策，更加专注于商业和市场领域。其次是数据工程师，数据工程师负责数据基础设施的设计、开发和维护。他们构建数据管道（Data Pipeline）和数据仓库（Data Warehouse），来确保数据的高效流动和存储。最后是数据科学家，数据科学家主要来构建和部署复杂的机器学习模型，进行数据挖掘和预测分析。在这些岗位中，对python技能的要求程度各不相同，简单来说是：
数据工程师/数据科学家 ＞ 数据分析师 ＞ 商业分析师
下面我就为同学们分享一下为什么是这个顺序，并且为大家举几个具体的例子来说明。
首先，商业分析师通常更看重对业务和产品的了解，日常工作中经常和数据分析时（DA）/数据科学家（DS）合作，很多的数据需求是通过合作的da或者ds解决的，因此商业分析师对Python的要求相对较低， BA的面试大概率也不会考察python。
相比较而言，数据分析师需要掌握用Python进行数据分析的能力。他们在日常工作中处理各种类型和规模的数据，需要利用Python进行数据的预处理、分析和可视化，但值得注意的是，对数据分析师而言，并不需要你的python代码是非常高效简洁的，只要能够达到你分析的目的即可。 需要熟练掌握的包裹中最常见的有，pandas， seaborn, matplotlib等等。举个例子，商业分析师可能会使用Pandas库来清洗和整理销售数据，然后使用Matplotlib创建简单的趋势图或柱状图，以展示销售业绩的变化情况。对于他们来说，Python更多地是作为日常工具的角色存在。
接下来，我们来看看数据工程师对Python的技能要求，作为数据工程师，他们负责处理大量的数据并构建数据基础设施。 因此，他们对Python的要求更加深入和专精， 不同公司搭建数据管道使用的语言各有不同，常见的包括scala，python，sql等。在使用python处理数据和搭建数据管道的公司，数据工程师除了要能使用python从不同的数据源抓取，整合和处理大量数据，还要求你的代码是高效，简洁，易维护，能上线的，并且需要你能够写单元测试（unit test）。常见的需要掌握的包裹包括：apache-airflow, pyarrow, boto3, SQLAlchemy, kafka-python
最后我们介绍一下数据科学家，相比较数据分析师他们日常工作中需要更多的用到python，所以要求也比数据分析师要高一些。他们除了要掌握我们前面提到的编程、数据处理和可视化技能外，他们还需要掌握机器学习和深度学习库。除了pandas，matplotlib这类最基础的意外，数据科学家需要熟练掌握的库还包括： Numpy，Scikit-learn，TensorFlow，pytorch等。
这些库提供了强大的工具和算法，用于构建和训练机器学习模型。 在数据科学家岗位的面试中，一定会对python有所考察。
总的来说，Python就像是数据分析领域的一把瑞士军刀，可以帮助你解决各种各样的数据难题。不同的岗位对Python的要求程度就像是对这把军刀的使用技巧有所不同。大家如果感兴趣的话，下一期视频我们可以一起看一看不同数据分析岗位的python面试题，让大家有一个更具体的了解。 我们今天就聊到这里啦，希望对大家有所帮助，如果有其他想要了解的问题，欢迎留言告诉我。
