2017 年首份中美数据科学对比报告，美国数据工作者年薪中位数高达 11 万美金

导语

最新消息，Kaggle最近对机器学习及数据科学领域进行了全行业深度调查，调查共收到超过 16,000 份回复，受访内容包括最受欢迎的编程语言是什么，不同国家数据科学家的平均年龄是什么，不同国家的平均年薪是多少等。

不过，因为中国的数据收集不够全面，而美国数据也同样存在清洗不够的情况，所以，以下数据仅供参考。希望Kaggle下次能将数据做得更透彻更深入更全面。

以下为AI科技大本营对其进行的数据整理，并从中美数据科学和机器学习对比的角度呈现如下：

中美数据工作者概况对比

年龄

从世界范围来看，本次调查对象的平均年龄大约 30 岁，当然，这个值在各个国家之间有变动。

以下为中美调查对象的年龄对比：

[1509520105937_872_1509520154726.png]

中国

在中国，机器学习从业者年龄的中位数是25岁，从业者集中在20-30岁年龄段。这可能反映出中国从业者人群的大体分布，但鉴于Kaggle所统计到的数据量，其中的细节还值得商榷一番。

[1509520121072_150_1509520169479.png]

美国

在美国，机器学习从业者年龄的中位数是32岁，以20-30岁年龄段的人数最多。但令人意外的是，我们在图表中看到一位年满100岁的大牛，还有几位年龄接近0岁的小朋友。我们尚不清楚Kaggle这里数据清洗的细节，不过这几位大牛果真存在的话，务请联系AI科技大本营，我们对您的存在非常感兴趣。

中美就业状况对比

中国全职工作者占53.%%，美国则高达70.9%

[1509520142445_1426_1509520190920.png]

中国

[1509520155300_2236_1509520203703.png]

美国

中美数据科学具体职位对比图

数据科学领域可涵盖的工作非常多，包括机器学习工程师，数据分析师，数据科学家，软件开发人员，数据挖掘人员等。以下为中美在数据科学领域的对比图：

[1509520170907_3125_1509520219322.png]

中国

[1509520184289_5466_1509520232707.png]

美国

年薪

从全球来看，数据科学人员的年薪中位数为$55,441。在中国，数据科学家的年薪中位数为$29，835。美国则高达$110，000

[1509520199965_2837_1509520248355.png]

中国全职年薪

[1509520213070_9765_1509520261487.png]

美国全职年薪

最高学历

通常来讲，数据科学从业者中最普遍的学历是硕士，但一般来讲，博士学位能拿到（$150K - $200K 和 $200k+）的高薪。

就中国而言，硕士学位在总体占比为40.5%，博士仅11.2%，本科学位从业人数则高达39.5%，与硕士从业人数持平。

而美国，硕士学位只有44.5%，博士学位高达20.7%，本科从业者占比也高达26.5%。

总的来说，美国博士学位高达20.7%，从占比上来看，接近中国的两倍（中国为11.2%）。

[1509520269693_6799_1509520318089.png]

中国

[1509520282689_229_1509520331095.png]

美国

数据科学家到底是怎么工作的？

工作中使用什么样的方法？

Logistic回归是除了军事和国安领域外，最常用的数据科学研究方法。在军事和国防安全领域，神经网络使用地更多。

[1509520302311_725_1509520350750.png]

所有国家整体数据

数据工作中使用最多的工具语言是？

总体来说，Python是数据工作者使用最多的语言。同时，数据研究人员对R语言的忠诚度也很高。

[1509520319376_885_1509520367791.png]

所有国家整体数据

工作中使用什么类型的数据？

关系型数据市是最常用的数据类型。但在学术研究者和国防安全领域则更亲睐文本和图像。

[1509520336115_4709_1509520384554.png]

所有国家整体数据

工作中使用什么样的代码共享和托管方式？

大部分数据工作者使用Git分享代码。不过，大公司的工作者更喜欢将代码保留在本地，并将代码用邮件分享。初创公司则用更快捷的云分享方式。

[1509520352287_1925_1509520400674.png]

所有国家整体数据

工作中遇到了什么样的障碍？

脏数据（Dirty Data）是最大障碍。机器有侧重，但理解不同算法的能力不够也是一大困扰数据工作者的障碍。缺乏有效管理和资金支持是数据工作者面临的两大外在困境。

[1509520399204_2678_1509520447658.png]

数据科学新手如何在这个行业崭露头角？

根据你的经验，你会向数据科学新手推荐使用哪种语言？

这个因人而异。在Python和R两大使用群体最大的语言中，大部分人觉得Python更值得被推荐。

[1509520422352_7731_1509520470759.png]

你从哪里获得数据科学的学习资源？

数据科学是个变化极快的领域，业内人员需要不断更新知识体系，才可以在业内保持一定地位，不被时代淘汰。Stack Overflow Q&A，Conferences，和Podcasts是已从业者经常使用的学习平台。发布新软件时，一定记住阅读官方使用指南，并推荐去YouTube观看使用视频。

[1509520443188_936_1509520491613.png]

从哪里获得开放数据集？

没有数据就没有数据科学！当涉及到一些数据科学技巧时，知道如何找到练习所用的干净的开源数据集和项目非常重要。越来越多人开始使用我们的数据集聚合器（https://www.kaggle.com/datasets ）.

[1509520463670_6825_1509520512068.png]

通过什么渠道获得工作？

根据数据科学领域过来人的经验，以下这些方法可能会比在公司网站，招聘网站上投递简历更高效，比如通过建立自己在这个行业的关系网络。

[1509520480384_7148_1509520528770.png]

以上内容来自于kaggle网站。

本来来源于 AI科技大本营 微信公众号