本篇文章探讨了大数据分析之都是数据科学家，为什么TA薪水比你高，希望阅读本篇文章以后大家有所收获，帮助大家对相关内容的理解更加深入。

同样做数据科学，为什么有人赚得多，有人赚的少？为了科学地回答这个问题，Kaggle 进行了一项系统的调查。结果表明，行业、经验、掌握的数据类型等是影响数据科学家薪酬的主要因素。行业是自己选的，经验是自己攒的，这些都没啥好说的。至于数据类型，你会的更高级就赚得越多。

如何提高薪酬？本文作者从 2018 年 Kaggle ML & DS 调查问卷中总结出 124 条「该做」和「不该做」之事。

做什么能为你的数据科学职业生涯加码？很多人已经非常清楚巩固数据科学职业和加薪的重要因素。但我从没有见过一个系统的、基于数据的方法来回答这个问题。所以我想通过建模来解释「哪些因素可以提高数据科学家的市场价值」。有些你可能已经了解，但有些可能真的有助于你加薪呢~

根据数据估计薪酬

我们只能做这种研究，因为 Kaggle 已经发布了其第二次年度机器学习和数据科学调查的数据。该调查于 2018 年 10 月展开，耗时一周，共获得 23859 份回复。结果包括一些原始数据，如什么人在研究数据、不同行业中机器学习的情况、新数据科学家进入该领域的最佳方式。

有了这些数据，我们想了解影响 Kaggler 薪酬的因素（我们把回复调查的人称之为 Kaggler）。我们想让你了解什么对市场更有价值，这样你就可以停止把时间花在投资回报率（ROI）低的事情上，并加速获得更高的报酬。根据这些从数据中提炼出来的见解，我希望你有一天能够像 Babineaux 一样——躺在钱堆上。

在进入正题之前，我们可以先做一些基本的探索性数据分析（EDA）。首先看一下大家的薪水↓↓

薪酬主要集中分布在较低的水平范围内（每年 1 万美元），在 10 万美元左右还有另一个高峰。很多学生也填写了这份调查问卷，看看他们赚多少？

不出所料，学生们赚得不多，因为他们还没有正式工作。既然如此，我们可以把学生从数据中剔除并确定收入前 20% 的 Kaggler 薪酬是多少。

根据这些数据，我们定义了用于建模的目标变量，如下：

我们将计算一个 Kaggler 年收入超过 10 万美元的概率。

数据科学中的性别不平衡

在继续建模之前，我想告诉你的是，在收入最高的 20%Kaggler 中存在性别不平衡，但是其余的 80% 中不存在这种现象。这意味着男性高管的薪资要高于女性。

本文由职坐标整理发布，学习更多的相关知识，请关注职坐标IT知识库！