Kaggle 是重要的数据建模和数据分析竞赛平台。近日，Kaggle 发布了第四次年度报告，试图从中一窥社区趋势。该调查涉及 20036 名 Kaggle 会员，此报告主要聚焦其中当前职位为「数据科学家」的受访者，约占 13%（2675 名）。
值得注意的是，想要成为参与调查并获得所设奖项，必须满足以下条件：
- 年满 18 岁（或满足你所居住地区的成年年龄）；
- 不是克里米亚、古巴、伊朗、叙利亚、朝鲜或苏丹的居民；
- 不是受美国出口管控条例制裁的个人 / 实体代表。
因此，这份报告可能会缺少相当一部分来自中国的 Kaggle 数据科学家的情况。
在众多回答中，Kaggle 总结了以下要点：
群体画像
- 数据科学领域仍然存在严重的性别不均衡，大部分从业人员为男性；
- 大部分数据科学家年龄在 35 岁以下；
- 过半数据科学家有硕士学位。
教育和雇佣情况
- 大多数数据科学家在正式教育之外继续学习；
- 大多数数据科学家码龄不超过十年；
- 过半数据科学家具备三年以下的机器学习经验；
- 美国的数据科学家比其他国家的同行挣更多钱。
技术
- 与 2019 年的调查结果相比，2020 年更多的数据科学家使用云计算；
- scikit-learn 是 2020 年最流行的机器学习工具，超过五分之四的数据科学家使用 scikit-learn；
- Tableau 和 PowerBI 是最流行的商业智能工具。
下面，我们来看每个层面的具体细节。
数据科学家群体画像
性别
数据科学领域仍然存在较大的性别差距，82% 为男性，相比去年的 84%，略有下降。
年龄
与去年的调查结果类似，数据科学家多为 30 岁左右，约 60% 的受访者年龄在 22-34 岁，只有 1/5 的职业数据科学家是 40 岁及以上。
国家
在本次报告中，印度开发者所占的比例最多（21.8%），美国紧随其后（14.5%），再往下是巴西和英国。
教育
高等教育
数据科学家大多有硕士学位，68% 获得了硕士或博士文凭，不到 5% 的学历在高中及以下。
终生学习
数据科学和机器学习是快速变化的领域，90% 以上的 Kaggle 数据科学家保持终生学习的习惯。其中约 30% 接受的是传统高等教育课程，更多是通过线上材料学习。线上学习渠道中最常用的媒介是 Coursera、Udemy 和 Kaggle Learn。受访者中很多数据科学家选择多个学习渠道，平均数量为 2.8。
数据科学和机器学习经验
编程经验
大多数 Kaggle 数据科学家都有编程经验。有 20 年以上编程经验的数据科学家仅有大约 8%，去年才开始编程的数据科学家占比约 9%。只有不到 2% 表示自己从未写过代码。
与全球受访者相比，美国数据科学家的编程经验要多得多。在美国，编程经验超过 10 年的占比 27%，而全球范围内这一比例仅为 22%。
机器学习经验
大多数 Kaggle 数据科学家都是机器学习领域的新手。约 55% 的数据科学家机器学习经验不到三年，具备十年及以上机器学习经验的数据科学家占比不到 6%。
薪资水平
调查结果显示，在国家 / 地区的最常见工资中，美国公司可能支付的金额更高，德国和日本紧随其后。地区差别是存在的，比如来自印度的受访群体 90% 表示年收入不足 5 万美元，美国公司最有可能支付六位数的薪水。
技术
交互开发环境
基于 Jupyter 的 IDE 仍然是数据科学家的首选工具，大约 75% 的 Kaggle 数据科学家都在用它，但与去年的 83% 相比有所下降。VS Code 位居第二，仅占约 33%。这是它与 Visual Studio 分离的第一年，两者今年合计占比超过 43%，而 2019 年不足 30%。
方法 & 算法
数据科学家最常用的算法是线性回归和 logistic 回归，紧随其后是决策树和随机森林。在更加复杂的方法中，梯度提升和卷积神经网络是最受欢迎的方法。
基于 Python 的工具仍然在机器学习框架这一项上占据主导，从统计结果可以看出，scikit-learn 适用于大部分项目，82.8% 的数据科学家都在使用它。各有 50% 左右的数据科学家使用过 TensorFlow 和 Keras，尤其是用于深度学习项目之中。
梯度提升库 xgboost 排名第四，使用率和 2019 年相似。排名第五的 PyTorch 从 2019 年的 26% 左右上升到了 30% 以上。在今年的调查中，最受欢迎的工具是基于 R 的 Tidymodels，占比达到 7% 以上。
企业云计算
这个领域有三个主要成员（不难猜），它们是 AWS、谷歌云平台、微软 Azure。值得注意的是，越来越多的数据科学家开始采用全部上云的方式。在 2019 年的调查中，大约 25% 的人没有使用云计算，但在 2020 年，这一比例下降到了 17%。
在云服务用户中，如果问到他们使用的特定产品，最常见的答案是计算云服务器，其次是无服务器技术，约有五分之一的人未提到云产品。
在使用 AWS 等云服务的用户中，有一半以上表示自己没有使用云上的机器学习工具，而使用的群体中，Amazon SageMaker 是最受欢迎的选项，其次是 Google Cloud AI/ML。
企业大数据
在数据库方面，数据科学家并没有明显的偏好。最常被提及的是 MySQL（35.6%），其次是 PostgreSQL (28.86%) 和 SQL Server (24.93%)。
报告链接：https://www.kaggle.com/c/kaggle-survey-2020
