数据科学家 vs 数据工程师：主要区别
一开始，我以为数据工程只是数据科学的一部分，但在深入研究并开始我的数据科学学位后，我意识到两者其实差别不小。数据科学家和数据工程师都会使用数据，去发现各种行为和活动中的有价值洞察和模式。
虽然这两个角色都在把凌乱、原始的数据转化为有意义的东西，但他们的工作方式截然不同。对于任何考虑进入数据行业的人来说，弄清数据工程师和数据科学家之间的具体区别——包括他们做什么、收入如何、职业前景怎样——都会非常有帮助。
数据工程师是做什么的？
数据工程主要是搭建用来采集数据的工具和系统。数据工程师创建这些工具，让组织可以理解并利用自己收集到的数据。他们也会在数据中寻找趋势，并让数据更易于理解。工作内容包括使用编程语言处理数据、为预测任务准备数据、规划系统架构、提升数据质量，以及用数学方法优化整体流程等。
不过，数据工程师并不仅仅是“搭建东西”；他们也会看数据、找模式，从而弄清如何让杂乱的数据变得可用、可理解。
他们的工作包括：
使用编程语言处理和转换数据
为分析和建模准备数据
根据业务或客户需求规划数据系统架构
确保数据准确、可用且质量可靠
运用数学与专门方法优化性能和流程
可以把数据工程理解为为“理解数据”打地基的工作，因此非常重要。
数据科学家是做什么的？
数据工程师负责搭建采集与处理数据的系统，而数据科学家则负责解读这些数据。原始数据往往既庞大又抽象，可能只是一些文字、数字或符号。数据科学家依靠经验和方法，让这些数据“说话”。
有时，我们可以客观地直接解读数据；有时则需要基于数据提出假设和思路。他们会用到预测建模和机器学习等方法，而这些都建立在数据工程师搭建的系统之上。
数据科学家的典型工作包括：
构建和改进用于分析数据的模型
参与并推动预测建模
与团队中的工程师和其他角色协作
向项目相关人员展示和解释分析结果
核查数据是否准确、一致
对大型数据集进行清洗、特征工程和分析
确保用于决策的数据可靠可信
数据工程师 vs 数据科学家：职业前景
美国劳工统计局（BLS）目前单独统计的是数据科学家的岗位增长数据，而没有直接针对数据工程。但由于这两个角色高度相关、经常协同工作，数据工程的增长前景通常被认为和数据科学接近。
和其他职业一样，就业市场也会受到整体经济环境的影响。不过，数据工程师和数据科学家几乎遍布所有行业，因此岗位机会相对广泛。BLS 预测：2021–2031 年间，数据科学相关岗位将增长 36%，预计新增约 4 万个职位。
数据科学相关岗位主要集中在以下领域：
计算机系统设计
企业管理与咨询
技术顾问服务
科学研究
信贷与金融中介
加利福尼亚州的数据科学岗位最多，这既与人口规模相关，也与硅谷集群效应有关。根据最新 BLS 数据，纽约州、得克萨斯州、北卡罗来纳州和伊利诺伊州的数据科学岗位数量也位居前列。
数据科学是一个竞争很激烈的领域。过去七年里，数据科学家在招聘网站 Glassdoor 的“美国最佳职业”榜单中一直名列前茅，很大程度上是因为这个岗位的薪资水平普遍较高。
数据工程师 vs 数据科学家：薪资
数据工程师和数据科学家在薪酬方面都属于高收入群体。在美国，数据工程师的平均年薪大约为 137,000 美元；数据科学家的平均年薪约为 121,000 美元。
地区也会显著影响薪水水平。数据科学相关岗位收入最高的州包括：华盛顿州、加利福尼亚州、哥伦比亚特区、马萨诸塞州和马里兰州。
从城市层面看，圣何塞、旧金山湾区、西雅图、哥伦比亚特区都会区以及纽约三州都会区的数据科学相关薪资都处于全国前列（数据来源：BLS）。
数据科学家与数据工程师的关键区别
我该做数据科学家还是数据工程师？
在数据科学家和数据工程师之间做选择时，关键是看你的兴趣和优势。如果你更喜欢设计、搭建和优化用于采集与处理数据的系统，那么数据工程更适合你；如果你更享受用数据做分析、建模并产出业务洞察，那么数据科学可能更对胃口。
只要结合自己的兴趣、能力和长期职业目标来考虑，你就能在这个充满机遇的数据领域中，为自己找到一条合适的发展路径。
有想法或问题？欢迎在下方评论区留言交流！
