一种极其简化的帮助思考的方法是，Python 适合程序员，R 适合统计学家和数学家以及其他想要寻求基于编程的工具来执行数据分析的软件人员。SAS 适合制药、医疗保健、保险、金融领域的人们。世界上所有处理数据的职能角色，学习 Excel 的高级技术显然是一种美德。 请记住，简化并不总是准确的，但很有帮助。 数据科学中分析师角色的演变 数据科学 数据分析和数据科学 企业中数据的发展意味着角色的多样化。
这些组织需要能够了解其业务、参与识别组织各个级别的问题
Apache Spark 凭借其高性能流媒体和机器学习库，正在成为著名 富人人数数据 集群计算处理框架。Spark Core 通过支持多种语言（Java、Python、Scala 和 R）的应用程序编程接口公开其分布式任务分派、调度和基本 I/O 功能。 总结 总之，在没有背景的情况下选择技术来建立我们的数据科学家职业生涯是一个相当模糊的问题。决策需要基于背景、行业领域和前景。这些技术将继续发展，因为它们必须满足人类生成的数据的增长和复杂性的需求。值得注意的是，所有列出的技术都在行业中得到广泛应用，并且潜力巨大。
以功能和技术为基础；组织需要利用这些数据来开展业务。
使其具有强大的数据分析和机器学习功能，这意味着从软件专业人员转型为数据科学家已经在数 邮政银行 据科学领域得到广泛采用。 大数据技术的基础 著名的 5V 数据增长——容量（由互联世界驱动）、速度（每秒生成数）、多样性（从传统的结构化交易数据到文本、图片、视觉、视频形式的数据）、真实性（真实性）数据），从而产生最重要的结果驱动 V – 价值。基于 Hadoop 的框架越来越成为需要通过一系列支持大数据数据工程的工具来处理 2 个或更多 V 的组织的选择。
