डेटा वैज्ञानिकों में कौन-से कौशल और पृष्ठभूमि समान होती हैं?

प्रेरणा

2012 में, Harvard Business Review ने डेटा वैज्ञानिक को 21वीं सदी की सबसे आकर्षक नौकरी घोषित किया। तब से, डेटा वैज्ञानिक शब्द की लोकप्रियता लगातार बढ़ी है।

ऊपर की छवि 2016 से 2021 तक Google Search पर “data science” कीवर्ड में रुचि को दर्शाती है। हम देख सकते हैं कि पिछले पाँच वर्षों में डेटा साइंस में रुचि लगातार बढ़ी है।

डेटा वैज्ञानिक न केवल एक अच्छी-खासी तनख्वाह वाली भूमिका है, यह आपको विविध कौशलों का उपयोग करने, वास्तविक दुनिया के डेटा से रोचक अंतर्दृष्टि निकालने, और अपने विश्लेषण के माध्यम से समाज पर प्रभाव डालने की अनुमति भी देती है। इस प्रकार, इसे 21वीं सदी की सबसे आकर्षक नौकरी घोषित किया जाना समझ में आता है।

हालाँकि, डेटा साइंस की नौकरी के लिए आवेदन करने से पहले, डेटा वैज्ञानिकों की विशेषताओं और पृष्ठभूमि का विश्लेषण करना उचित है। उनकी पृष्ठभूमियों और कौशलों को जानने से आपको प्रासंगिक कौशलों से खुद को लैस करने की आवश्यक जानकारी मिलेगी ताकि आप उम्मीदवारों के समूह में अलग नज़र आएँ।

विश्लेषण करने के लिए कुछ दिलचस्प प्रश्न:

• अधिकांश डेटा वैज्ञानिकों के पास कौन-से कौशल होते हैं?
• ये कौशल मशीन लर्निंग इंजीनियर, डेटा विश्लेषक, और डेटा इंजीनियर जैसे अन्य शीर्षकों के कौशलों से कैसे भिन्न हैं?
• सबसे लोकप्रिय मेजर कौन-से हैं?
• क्या डेटा वैज्ञानिक बनने के लिए मास्टर’s या पीएच.डी. की आवश्यकता है?
• डेटा साइंस क्षेत्र में पुरुषों और महिलाओं का प्रतिशत क्या है?
• अधिकांश डेटा साइंस नौकरियाँ कहाँ स्थित हैं?
• समय के साथ अलग-अलग डेटा-संबंधित नौकरियों की लोकप्रियता कैसे बदलती है?
• समय के साथ डेटा वैज्ञानिकों के कौशल कैसे बदलते हैं?

डेटा प्राप्त करें

हम दुनिया भर के 1,60,000 से अधिक डेटा वैज्ञानिकों, 5,70,000 डेटा विश्लेषकों, 1,00,000 से अधिक डेटा इंजीनियरों, और 19,000 से अधिक मशीन लर्निंग इंजीनियरों के डेटा का उपयोग करेंगे। डेटासेट्स Diffbot से निकाले गए हैं, जो दुनिया का सबसे बड़ा नॉलेज ग्राफ है। Diffbot का उपयोग कैसे करें, इसके और निर्देश यहाँ पाएं।

आपके लिए लेख का अनुसरण करना आसान बनाने के लिए, इस लेख में उपयोग किया गया सारा डेटा इस रिपोजिटरी में अपलोड किया गया है। ये सब निःशुल्क एक्सेस और डाउनलोड के लिए उपलब्ध हैं।

इस लेख के कोड वाली नोटबुक यहाँ मिल सकती है। यदि आप सीधे Diffbot से डेटा प्राप्त करना चाहते हैं, तो इसके बजाय इस नोटबुक से खेल सकते हैं।

सबसे लोकप्रिय भाषाएँ खोजें

डेटा वैज्ञानिकों, डेटा विश्लेषकों, डेटा इंजीनियरों और मशीन लर्निंग इंजीनियरों के शीर्ष कौशल कौन-से हैं? हम इस प्रश्न का उत्तर उन लोगों के शीर्ष 100 सबसे लोकप्रिय कौशलों वाले डेटा का उपयोग करके दे सकते हैं जिनके पास ये जॉब टाइटल हैं।

import pandas as pd
skill_count = pd.read_csv(
"https://media.githubusercontent.com/media/khuyentran1401/dataset/master/data_science_market/all_skills.csv",
    index_col=0,
)

# Show the top 10 rows
skill_count.head(10)
संचालित द्वारा

हम इस डेटासेट का उपयोग किसी विशिष्ट डेटा-संबंधित पद में अलग-अलग प्रोग्रामिंग भाषाओं की लोकप्रियता का विश्लेषण करने के लिए करेंगे। हम इस डेटासेट को Observable पर बनाई गई बबल मैट्रिक्स का उपयोग करके दृश्यात्मक करेंगे।

एक बबल मैट्रिक्स आकारों और रंगों का उपयोग करके द्वि-आयामी जानकारी दर्शाती है। पंक्तियाँ जॉब टाइटल को और स्तंभ भाषाओं को दर्शाते हैं। बबल जितना बड़ा होगा, किसी विशिष्ट जॉब श्रेणी में उस भाषा का इस्तेमाल उतनी ही बार होता है।

बबल के आकार बनाने के लिए, हम किसी भाषा की आवृत्ति और सभी भाषाओं व पदों में अधिकतम आवृत्ति के बीच का अनुपात निकालेंगे।

languages = skill_count[
    skill_count["skill"].isin(
        ["python", "r", "sql", "c", "c++", "matlab", "java", "javascript"]
    )
]

languages["Ratio to All Skills"] = languages["count"].apply(
    lambda c: c / max(skill_count["count"])
)
# View languages used by data analysts
languages[languages["Title"] == "Data Analyst"]
संचालित द्वारा

यदि बबल की घटनाएँ किसी निश्चित संख्या से ऊपर हों तो उन्हें हाइलाइट किया जाता है। हम स्लाइडर का उपयोग करके वह थ्रेशोल्ड चुन सकते हैं जिसके ऊपर बबल हाइलाइट हों। उदाहरण के लिए, यदि हम थ्रेशोल्ड 100,000 चुनते हैं, तो केवल वे बबल जिनकी गिनती 100,000 से ऊपर है, गहरे बैंगनी रंग में दिखाई देंगे।

इस प्लॉट के साथ हम एक और अच्छी चीज़ कर सकते हैं—जॉब टाइटल के अनुसार बबल को सॉर्ट करना। आइए इस फीचर का उपयोग प्रत्येक जॉब टाइटल के शीर्ष कौशल खोजने के लिए करें।

आप यहाँ प्लॉट के साथ इंटरैक्ट कर सकते हैं। इस प्लॉट के आधार पर, हम देख सकते हैं कि:

• डेटा विश्लेषकों के शीर्ष तीन कौशल क्रमशः SQL, Python, और R हैं
• डेटा इंजीनियरों के शीर्ष तीन कौशल क्रमशः SQL, Python, और Java हैं
• डेटा वैज्ञानिकों के शीर्ष तीन कौशल क्रमशः Python, R, और SQL हैं
• मशीन लर्निंग इंजीनियरों के शीर्ष तीन कौशल क्रमशः Python, Java, और C++ हैं

शिक्षा का विश्लेषण

सबसे लोकप्रिय मेजर

डेटा-संबंधित पदों के सबसे लोकप्रिय मेजर कौन-से हैं? इस प्रश्न का उत्तर देने के लिए, हम वह डेटा डाउनलोड करेंगे जो किसी विशेष पद के शीर्ष मेजर की आवृत्ति दिखाता है।

!wget 'majors_df.pkl' 'https://github.com/khuyentran1401/dataset/raw/master/data_science_market/majors_df.pkl'

import pickle

majors_df = pickle.load(open("majors_df.pkl", "rb"))
majors_df["data scientist"]
संचालित द्वारा

इसे बेहतर समझने के लिए इस डेटासेट का विज़ुअलाइज़ेशन करें। किसी पद के मेजर को दर्शाने के लिए एक फ़ंक्शन बनाकर शुरू करें।

import plotly.express as px


def plot_majors(title: str, majors_df: dict):
    majors = majors_df[title]
    return px.bar(data_frame=majors, x="name", y="value")
संचालित द्वारा

डेटा वैज्ञानिकों के शीर्ष मेजर:

plot_majors('data scientist', majors_df)
संचालित द्वारा

प्लॉट के साथ यहाँ इंटरैक्ट करें। चूँकि कई डेटा साइंस पदों में प्रोग्रामिंग और गणित का ज्ञान आवश्यक होता है, इसलिए यह आश्चर्यजनक नहीं है कि डेटा वैज्ञानिकों के लिए शीर्ष दो मेजर कंप्यूटर साइंस और गणित हैं।

डेटा इंजीनियरों के शीर्ष मेजर:

plot_majors('data engineer', majors_df)
संचालित द्वारा

प्लॉट के साथ यहाँ इंटरैक्ट करें। चूँकि डेटा इंजीनियरों के कार्य में विभिन्न तकनीकों और प्रोग्रामिंग भाषाओं का ज्ञान आवश्यक होता है, इसलिए गणित की बजाय कंप्यूटर साइंस और सूचना प्रौद्योगिकी में मेजर करने वाले डेटा इंजीनियरों का बहुमत देखना समझ में आता है।

डेटा विश्लेषकों के शीर्ष मेजर:

plot_majors('data analyst', majors_df)
संचालित द्वारा

प्लॉट के साथ यहाँ इंटरैक्ट करें। डेटा विश्लेषकों के शीर्ष तीन मेजर बिज़नेस एडमिनिस्ट्रेशन, कंप्यूटर साइंस, और इकोनॉमिक्स हैं। यह परिणाम तर्कसंगत है क्योंकि डेटा विश्लेषकों का काम डेटा की व्याख्या करना शामिल करता है।

मशीन लर्निंग इंजीनियरों के शीर्ष मेजर:

plot_majors('machine learning engineer', majors_df)
संचालित द्वारा

प्लॉट के साथ यहाँ इंटरैक्ट करें। हम अलग-अलग नौकरियों के मेजर में अंतर देखने के लिए सर्कल पैकिंग प्लॉट का भी उपयोग कर सकते हैं।

आप ऊपर दिए गए प्लॉट के साथ यहाँ इंटरैक्ट कर सकते हैं।

डिग्रियों का विश्लेषण

आपने डेटा वैज्ञानिक पदों के लिए कई नौकरी विवरण देखे होंगे जिनमें मास्टर’s डिग्री या पीएच.डी. की आवश्यकता होती है। लेकिन वास्तविकता में कितने डेटा वैज्ञानिकों के पास मास्टर&rsquos डिग्री या पीएच.डी. है?

आइए इस प्रश्न का उत्तर उस डेटा का उपयोग करके दें जो किसी विशेष पद के लिए डिग्रियों की गिनती दिखाता है।

degree_df = pd.read_csv(
"https://media.githubusercontent.com/media/khuyentran1401/dataset/master/data_science_market/degrees.csv"
)

degree_df.head(10)
संचालित द्वारा

हम देख सकते हैं कि डिग्रियों में शामिल हैं:

• हाई स्कूल
• एसोसिएट’s
• बैचलर&rsquoस
• मास्टर&rsquoस
• पीएच.डी.
• सर्टिफिकेट

आइए बबल मैट्रिक्स का उपयोग करके डेटा को दृश्यात्मक करें।

आप इस प्लॉट के साथ यहाँ खेल सकते हैं। प्लॉट से, हम देख सकते हैं कि सभी डेटा-संबंधित पदों में सबसे लोकप्रिय डिग्री बैचलर&rsquoस डिग्री है। यह समझ में आता है, क्योंकि अधिकांश डेटा-संबंधित नौकरियों के लिए कम से कम बैचलर&rsquoस डिग्री आवश्यक है, और जिनके पास मास्टर&rsquoस या पीएच.डी. है, उनके पास भी बैचलर&rsquoस डिग्री होती है।

ग्रुप्ड बार चार्ट का उपयोग करने पर डेटा इस प्रकार दिखता है।

ध्यान देने योग्य है कि बैचलर&rsquoस डिग्री वाले डेटा विश्लेषकों की संख्या मास्टर&rsquoस डिग्री वाले डेटा विश्लेषकों की संख्या से लगभग दोगुनी है। हालाँकि, बैचलर&rsquoस डिग्री वाले डेटा वैज्ञानिकों की संख्या मास्टर&rsquoस डिग्री वाले डेटा वैज्ञानिकों की संख्या के लगभग बराबर है।

इसका मतलब है कि बैचलर&rsquoस डिग्री प्राप्त करने के बाद उच्च डिग्री का पीछा करने वाले डेटा वैज्ञानिकों का प्रतिशत, उच्च डिग्री का पीछा करने वाले डेटा विश्लेषकों के प्रतिशत से अधिक है।

लिंग का विश्लेषण

डेटा-संबंधित भूमिकाओं में पुरुषों और महिलाओं का अनुपात क्या है? आइए उस डेटा का उपयोग करके इस प्रश्न का उत्तर दें जो प्रति पद पुरुषों और महिलाओं की गिनती दिखाता है।

gender_df = pd.read_csv(
    "https://media.githubusercontent.com/media/khuyentran1401/dataset/master/data_science_market/genders.csv"
)
gender_df.head(10)
संचालित द्वारा

अगला, हम ग्रुप्ड बार चार्ट का उपयोग करके डेटा का विज़ुअलाइज़ेशन करेंगे।

प्लॉट से, हम देख सकते हैं कि:

• डेटा एंट्री को छोड़कर सभी डेटा-संबंधित नौकरियों में पुरुष महिलाओं से अधिक हैं।
• डेटा विश्लेषक और सांख्यिकीविद् जैसी भूमिकाओं में पुरुषों की संख्या महिलाओं की संख्या से लगभग दोगुनी है।
• डेटा वैज्ञानिक, डेटा इंजीनियर, और मशीन लर्निंग इंजीनियर जैसी भूमिकाओं में पुरुषों की संख्या महिलाओं की संख्या से दोगुने से अधिक है।

स्थान का विश्लेषण

अमेरिका में डेटा वैज्ञानिकों के लिए सबसे लोकप्रिय राज्य

डेटा वैज्ञानिकों के लिए सबसे लोकप्रिय राज्य कौन-से हैं? आइए प्रति राज्य डेटा वैज्ञानिकों की संख्या दिखाने वाला डेटा प्राप्त करके शुरू करें।

state_jobs = pd.read_csv(
    "https://media.githubusercontent.com/media/khuyentran1401/dataset/master/data_science_market/state_jobs.csv"
)
state_jobs.head(10)
संचालित द्वारा

इसके बाद, हम folium, जो मानचित्र बनाने के लिए एक Python लाइब्रेरी है, का उपयोग करके डेटा प्लॉट करेंगे।

state_geo = "https://raw.githubusercontent.com/python-visualization/folium/master/examples/data/us-states.json"

m = folium.Map(location=[48, -102], zoom_start=3)

folium.Choropleth(
    geo_data=state_geo,
    name="choropleth",
    data=state_jobs,
    columns=["state", "count"],
    key_on="feature.id",
    fill_color="YlGn",
    fill_opacity=0.7,
    line_opacity=0.2,
    legend_name="Number of Data Science Jobs",
).add_to(m)

folium.LayerControl().add_to(m)

m
संचालित द्वारा

आप इस मानचित्र के साथ यहाँ इंटरैक्ट कर सकते हैं। मानचित्र से, हम देख सकते हैं कि सबसे अधिक डेटा वैज्ञानिक कैलिफ़ोर्निया में हैं। क्रमशः दूसरे, तीसरे, और चौथे स्थान पर न्यूयॉर्क, मैसाचुसेट्स और टेक्सास हैं।

दुनिया में डेटा वैज्ञानिकों के लिए 25 सबसे लोकप्रिय देश

डेटा वैज्ञानिकों के लिए शीर्ष 25 सबसे लोकप्रिय देश कौन-से हैं? प्रति देश डेटा वैज्ञानिकों की संख्या दिखाने वाला डेटा डाउनलोड और लोड करके शुरू करें:

!wget 'countries.pkl' 'https://github.com/khuyentran1401/dataset/raw/master/data_science_market/countries.pkl'

countries = pickle.load(open("countries.pkl", "rb"))
संचालित द्वारा

इसके बाद, हम डेटा वैज्ञानिकों के लिए शीर्ष 25 देशों का प्लॉट बनाते हैं:

def plot_top_25_locations(title: str, locations: dict):
    data = locations[title]
    return px.bar(data_frame=data, x="location", y="count")

plot_top_25_locations("data scientist", countries)
संचालित द्वारा

ऊपर दिए गए प्लॉट के साथ यहाँ इंटरैक्ट करें। डेटा वैज्ञानिकों के लिए पाँच सबसे लोकप्रिय देश हैं:

• United States
• India
• France
• United Kingdom
• Germany

दुनिया में डेटा वैज्ञानिकों के लिए 25 सबसे लोकप्रिय शहर

डेटा वैज्ञानिकों के लिए 25 सबसे लोकप्रिय शहर कौन-से हैं? हम प्रति शहर डेटा वैज्ञानिकों की संख्या दिखाने वाला डेटा डाउनलोड करेंगे:

!wget 'cities.pkl' 'https://github.com/khuyentran1401/dataset/raw/master/data_science_market/cities.pkl'

cities = pickle.load(open("cities.pkl", "rb"))
संचालित द्वारा

डेटा वैज्ञानिकों के लिए शीर्ष 25 शहरों का प्लॉट:

ऊपर दिए गए प्लॉट के साथ यहाँ इंटरैक्ट करें। ऊपर के प्लॉट से, हम देख सकते हैं कि डेटा वैज्ञानिकों के लिए पाँच सबसे लोकप्रिय शहर हैं:

• San Francisco
• Bengaluru
• London
• Paris
• New York City

डेटा वैज्ञानिकों के लिए सबसे लोकप्रिय शीर्षक

डेटा वैज्ञानिक की भूमिका से जुड़े कई शीर्षक होते हैं, जैसे सीनियर डेटा वैज्ञानिक, जूनियर डेटा वैज्ञानिक, डेटा वैज्ञानिक इंटर्न, और अन्य। क्या यह अच्छा नहीं होगा यदि हम देख सकें कि इनमें से प्रत्येक शीर्षक कितने लोकप्रिय हैं?

हम डेटा वैज्ञानिक से संबंधित सभी शीर्षकों की गिनती वाले डेटा को प्राप्त करके शुरू करेंगे:

!wget "top_titles.pkl" "https://github.com/khuyentran1401/dataset/raw/master/data_science_market/top_titles.pkl"

top_titles = pickle.load(open("top_titles.pkl", "rb"))
top_titles["data scientist"]
संचालित द्वारा

डेटा वैज्ञानिक से संबंधित शीर्ष शीर्षकों का बार ग्राफ:

ऊपर दिए गए प्लॉट के साथ यहाँ इंटरैक्ट करें। हम कुछ डेटा-संबंधित पदों के शीर्षकों में विविधताओं को दर्शाने के लिए सर्कल पैकिंग प्लॉट का भी उपयोग कर सकते हैं।

आप स्वयं इस प्लॉट के साथ यहाँ इंटरैक्ट कर सकते हैं।

उद्योग रुझानों का विश्लेषण

कीवर्ड

Google Search पर “data scientist” कीवर्ड में रुचि समय के साथ कैसे बदली है? हम pytrends का उपयोग करके वह डेटा प्राप्त कर सकते हैं, फिर Plotly Express का उपयोग करके डेटा को प्लॉट कर सकते हैं:

from pytrends.request import TrendReq


def plot_keyword_trend(title: str):
    pytrends = TrendReq(hl="en-US", tz=360)
    pytrends.build_payload(kw_list=[title])

    df = pytrends.interest_over_time()
    return px.line(data_frame=df, y=title)


plot_keyword_trend("data scientist")
संचालित द्वारा

प्लॉट के साथ यहाँ इंटरैक्ट करें। लगता है कि 2016 से 2021 तक “data scientist” कीवर्ड में रुचि रैखिक रूप से बढ़ती है।

समय के साथ पदों की संख्या में परिवर्तन

समय के साथ पदों की संख्या कैसे बदली है? हम पूर्ण पदों की संख्या में समय के साथ परिवर्तन दिखाने वाले डेटा का उपयोग करके यह पता लगा सकते हैं।

dates_df = pd.read_csv(
"https://media.githubusercontent.com/media/khuyentran1401/dataset/master/data_science_market/dates.csv",
    index_col=0)
dates_df.head(10)
संचालित द्वारा

डेटा की पहली पंक्ति दिखाती है कि 1988 में 40 डेटा वैज्ञानिक काम कर रहे थे। डेटा की दूसरी पंक्ति दिखाती है कि 1989 में 52 डेटा वैज्ञानिक काम कर रहे थे।

ऊपर दिए गए डेटा का लाइन प्लॉट:

px.line(dates_df, x="date", y="value", color="name")
संचालित द्वारा

ऊपर दिए गए प्लॉट के साथ यहाँ इंटरैक्ट करें। ऊपर के प्लॉट से कुछ प्रमुख अंतर्दृष्टियाँ:

• सांख्यिकीविदों की संख्या समय के साथ स्थिर है।
• 2010 से पहले, सभी डेटा-संबंधित पदों में डेटा एंट्री सबसे लोकप्रिय नौकरी थी।
• 2010 में, डेटा विश्लेषक ने डेटा एंट्री को पीछे छोड़ दिया।
• 2013 में, डेटा वैज्ञानिक, डेटा विश्लेषक, और डेटा इंजीनियर की भूमिकाओं ने मिलकर सांख्यिकीविद् को पीछे छोड़ दिया, जिसमें डेटा वैज्ञानिक घातीय रूप से बढ़ा जबकि मैनुअल डेटा एंट्री का महत्व काफी कम हो गया,
• 2019 में, मशीन लर्निंग इंजीनियर की भूमिका ने अंततः सांख्यिकीविद् को पीछे छोड़ दिया।

आइए बार चार्ट रेस का उपयोग करके अलग-अलग डेटा-संबंधित पदों की रैंकिंग में परिवर्तन देखें:

काफ़ी बढ़िया! इस चार्ट के माध्यम से, हम वह सटीक समय देख सकते हैं जब रैंकिंग में परिवर्तन हुआ। आप स्वयं यह चार्ट यहाँ दृश्यात्मक कर सकते हैं।

समय के साथ कौशलों की संख्या में परिवर्तन

समय के साथ डेटा वैज्ञानिकों के शीर्ष कौशलों की आवृत्तियाँ कैसे बदली हैं? आइए समय के साथ कौशलों की संख्या दिखाने वाले डेटा का उपयोग करके यह देखें।

skills_df = pd.read_csv(
    "https://media.githubusercontent.com/media/khuyentran1401/dataset/master/data_science_market/skills_over_time.csv",
    index_col=0,
)
skills_df.head(10)
संचालित द्वारा

इसके बाद, हम ऊपर दिए गए डेटा का उपयोग करके एक बार चार्ट रेस बनाएँगे:

हम देख सकते हैं कि 2014 से पहले, अध्यापन और अर्थशास्त्र डेटा वैज्ञानिकों के बीच दो सबसे लोकप्रिय कौशल थे। हालाँकि, 2014 के बाद, Python ने उन दोनों कौशलों को पीछे छोड़ दिया और सबसे लोकप्रिय कौशल बन गया।

निष्कर्ष

क्या आप अपने पेशेवर डेटा साइंस कौशल प्रदर्शित करने के लिए तैयार हैं? डेटा साइंस में अपनी सपनों की नौकरी पाने के लिए DataCamp का प्रमाणन प्रोग्राम और करियर सेवाएँ देखें।