数据科学资源平台旨在解决学习数据科学“第一公里”的问题，帮助学习者在短时间内完成思维模式塑造，掌握正确的学习方法，合理看待数据科学与其专业学科之间的关系，构建数

“数据科学”这一术语的流行要早于“大数据”的出现（就像“数据”一词要早于“计算机（computer）”400年出现）。1962年，当John W. Tukey写了《数据分析的未来》（The Future of Data

通俗来讲，凡是数据的采集、处理、分析、应用及管理，都属于数据科学的范畴。

 Seaborn利用了matplotlib，用简洁的代码来制作好看的图表。Seaborn跟matplotlib最大的区别就是它的默认绘图风格和色彩搭配都具有现代美感。由于Seaborn是构建在matplotlib的基础上的，你需要了解matplotlib从而来调整Seaborn的默认参数。

 Pygal 的名气就不那么大了，和其它常用的绘图包一样，它也是用图形框架语法来构建图像的。由于绘图目标比较简单，因此这是一个相对简单的绘图包。

 Plotly 非常强大，但用它设置和创建图形都要花费大量时间，而且都不直观。

 Matplotlib是Python中一个二维绘图包，能够非常简单的实现数据可视化。Matplotlib最早由John Hunter于2002年启动开发，其目的是为了构建一个Matlab式的绘图函数接口。

 Finebi是国内的可视化报表工具。

 Tableau是常用的可视化报表工具，但这款软件需要付费的。

 Power BI 是常用的可视化报表工具，相比于Excel，Power BI数据容量更强大，可连接数百个数据源，而且里面自带PP、PQ功能，在数据预处理上也是非常方便。

 Excel既是最简单又是最常用的可视化工具之一。

 数据科学给了我们一个得以接入不同领域的绝好入口。你必然需要花费时间去研究这些不同的领域，去了解其他人在做什么，以及思考如何可以把你的所学用在这些领域。

 首先需要做的是，证明你可以完成一些任务，然后证明你可以创造一些东西。

在你学会如何创造东西以后，你还需要学会如何讲故事，这样才能告诉大家你为什么想要做这个东西。

 基于数据和基础设施开发出来的工具和应用，会以大得多的一波浪潮来袭。越来愈多的垂直领域公司将会出现。

另一个可以努力的方向是社交数据。现阶段所有产出的社交数据都能以一种全新的方式去表征世界现象以及人们的行为。另一个关键点是智能手机也在不停地产生着海量数据。

 数据科学将会成为公司里辅助决策和产品开发的重要力量。为了让数据产生最大的影响力，数据科学要在产品开发的初期发挥作用，而不是在一切都完工了以后做一些小修小补。

同时数据科学的一个作用是给产品开发部门提供质量反馈，有关产品质量的数据可以被设计部署并采集过来，进而加以分析用来帮助未来的产品决策。

 数据科学家这个角色出现的最初，是需要人来解决社交网络中遇到的一些有挑战性问题。那个时候，很多软件公司旗下都有数个各自为政的小组。传统的R&D（Research&Develop）企业模型导致的结果是，在把一个点子从一个团队传递到另一个团队的时候，后者必须要重新开发实现，这就造成了大量不必要的开销浪费。

 尝试去做一个最符合你的优势技能的项目。总体上，我把数据科学家的工作分为三个板块：统计、代码以及讲故事/可视化。这三个板块中你最擅长的方面是哪个，你就尽量选择最需要这方面技能的项目。然后下一步，做一个着重点在你最不擅长的板块上的项目。这会帮助你尽快的成长，学到新的东西，并且搞清楚自己下一步的学习方向，然后顺水推舟地学下去就好。

 第一个问题是，我们能不能清楚地定义这个问题？用最简洁的语言描述它，写在一张白纸上，让所有人都明白我们想要做什么。

 1.当下这种野蛮生长、孤立无援的局面将不复存在。2.工具会更简单易用。3.数据文化会更流行。

 理解数据和用户体验。有时候，你可以通过简单而独具匠心的数据分析来聪明地解决一个用户体验问题。