对于学习大数据的新人，面对开发语言和分析软件时，该如何选择

大数据快速发展的今天，很多人选择加入大数据学习的阵营，课时从哪里入手，如何选择合适的开发语言来做与大数据相关的事，这个话题应该困扰了不少大数据学习的新人，在面对五花八门的「开发语言」和「分析软件」时，自己该如何选择？

先开门见山的给出结论：在职场中，学习任何一门技术，优先考虑工作需求本身，其次是职业发展所需，最后才是兴趣和好奇驱动。本末颠倒的话，不仅学习效率低下，而且还可能竹篮打水一场空，浪费时间成本。

就拿我自己说事，读书期间在做「数学建模」时，因为不是计算机软件相关的专业，唯一接触过的C语言（The C Programming Language）也只懂皮毛，所以每一次比赛为了去「收集数据、处理数据、分析数据和构建模型」，只能借助人力、Excel、Matlab和SPSS去操作。

当然，这些工具也足够去满足比赛的技能要求了，而且比赛的核心也不在于非要用更高级的编程语言，相反它们只是解决问题的一种形式罢了，关键在于要快速上手，要能解决需求痛点。

所以，在这样的一个情况之下，我并没有牺牲大量的学习成本，重新去提高C语言的编程能力，甚至是从0到1去学习Java语言。

临近秋招前，我开始去了解工业上常用的数据开发软件和开发语言，简直是琳琅满目，有Python、R、Eviews、SAS、SPSS、Tableau、水晶易表，一大堆。还有Java、C、C++、Hadoop各种词汇都浮现于眼前。

那时候就有点不知所措了，完全不知道该学什么，所以最后都选择接触了一遍，但结果真的是白费努力，浪费时间。

后面实习入职了一家互联网电商平台，部署了6~7个节点的分布式集群去做大数据计算，当时还以为自己终于能玩「大数据」了，可没想到最后用的最多的却是SQLHQL、Excel、PPT、SPSS。而且它们已经足够解决日常的工作需求了。

所以说，学习任何一门技术，最好能在实际工作中有所使用，毕竟你的工作时间限制了你的学习精力，否则你很难去达到熟练的程度，更别提深入专研。

但不管如何，从行业的发展趋势上，很多新技能是必须要学习和掌握的，如果工作中真的没有机会去接触和使用的话，那就只能换一个更合适的平台。

当初我就是这样去考虑的，毕竟「大数据」的热潮已经全面铺开了，再不抓紧就只有看夕阳西下了。

所以，在后面几年的工作经历中，我都是在接触Hadoop、Spark相关的开源软件，从0到1的去学过Python、Java、Hive、MapReduce（基于Java实现）、Shell 、Scala、Spark Streaming这些技能。

但是不管如何，这一切的新知识学习都是为了去适应工作环境，为了更快捷和更高效去解决工作需求的问题。同时因为工作中常常接触到，所以才能熟练起来，也才有机会去深入思考更底层的问题。

总而言之，我认为任何技术都是为了更好的服务于业务，业务是驱动技术发展的关键因素。

当然，从行业趋势上，我也打算在后期引入深度学习的计算框架，也会去考虑高并发的计算效率优化等等，但是回归本质都是为了提升业务模型的效果，解决更多业务需求痛点。

因此，要想去学习新技能，引入新技术，大前提是现有的业务需求已经得到有所解决，而且能够得到业务的支持和信任，这样在后期技术的推进上才能有时间去摸索，有机会去尝试。否则，你同样只能学个皮毛。

好了，讲述完了我自己，最后来谈谈大多数朋友的局面，这也是大家所关心的。

首先，作为数据小白，应该先学习什么数据技能？

毫无疑问，这时候你需要先把「入门」作为首要目标，不要过于浮躁，优先考虑去学习SQL、Excel、SPSS、PPT，这样你才有机会进入一个平台，能够接触数据，开始数据分析，尝试撰写报告。利用好这个跳板，你才能向「成长」进阶。

其次，作为业务人员（含分析师、产品经理），应该学习什么数据技能？

这时候你需要去进一步提高自己的专业技能，这样才有机会去更了解数据，训练数据感，写出更有深度的分析报告，甚至是以后的转岗。所以你需要一把利剑，我会优先推荐Python，节省以后学习其他语言（Java、Scala）的时间成本。

另外，作为数据开发，应该先学习什么数据技能？

我的建议是，你先去做好一个Java工程师，掌握一定的专业技能，再来考虑从事大数据开发呢。

当然，这样的时间成本或许挺高，而且现阶段开源这套技术框架基本稳定和易上手了。

最后，作为数据挖掘，应该先学习什么数据技能？

数据挖掘这个岗位，严格上区别于算法工程师，前者是一个偏业务、重数据、看实践的岗位，通俗易懂就是在探索海量数据中的经济价值。

所以，大部分数据挖掘工程师，首当其冲的痛点是需要思考一个问题：如何将以往熟练的这套技术和流程与「大数据」和「业务」相结合。

别想着利用PythonR去直连生产环境的数据做分析，很多平台都有堡垒机，也不允许本地环境与生产环境的直接交互。即使你load到了线上数据，但是只凭借DataFrame这样的操作，我认为很难去分析出什么数据价值，更别提能不能单机运算的效率。

所以，做数据挖掘工作时，除了思考模型的效果提升，也要考虑清楚自己的模型后期将如何去与线上业务结合，以及它的计算效率和自动化工作。

因此，我建议优先去考虑一下分布式集群的计算方式，如果平台缺乏团队和资金的话，要么考虑单独增加本机的计算资源和优化模型的计算效率，要么考虑换一个工作环境。

最后，对于大部分数据挖掘工程师来说，一定要加强SQL、Excel的使用，这是最基本，也是最重要的。

转载自网络 不用于商业宣传 版权归原作者所有，侵权删。