SQL 要练到能在紧张时写清逻辑,Python 够用来清理、处理和可视化数据;两者都靠真题检验,而不是靠看完教程。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
SQL:入门容易,但必须练到高级用法
材料里的观点王晨璐把 SQL 称为数据分析的“重中之重”:入门比 Python 简单,容易被轻视,但要求是 advanced。她的路径是先熟悉语句,再去刷题,题里会带 employee、department 这类真实背景,也有 edge case 考验逻辑;之后拿一亩三分地等处的面经当模拟考题,检验自己能否把情景转成商业问题1。她特别提到 window function、算 growth rate,以及 missing value、null、zero 的处理,都是常考点,练完要自己总结1。立正听完后的概括是“入门很简单,但需要有很多高级的东西做针对性练习”,这是他对该说法的回应,不是独立论证1。
Python:够用就好,重点是数据处理
王晨璐说 Python 和 R 可互换,掌握一个即可。Python 的用途是数据清理、可视化、简单处理和跑 test 或 model;需要熟悉 NumPy、pandas,以及 tuple、list、set、dictionary 的区别1。在另一期里她把同样的范围说成“到这个份上其实就够了”2。立正也提到自己当年是用 Python 通过 Facebook 面试,进去后才发现必须用 SQL,于是周末找人补学3。这说明两门语言的分工不同:SQL 负责取数,Python 负责处理和建模。
怎么判断学够了:用真题自测
AI推演王晨璐给的标准很具体:找别人回忆的真题,比如 Glassdoor、一亩三分地上的面经,自己动手做一遍;会做,就离目标不远1。她也强调 SQL 平时不能少练,因为面试时紧张、上白板,逻辑容易乱,熟练度要在压力下也拿得出来1。立正另有一个相关观察:装桌子看一百年说明书也没用,还是得动手装4。这是他对“实用技能靠做而非靠读”的表述,可以借来解释为什么刷题比看教程更接近检验。
这些建议主要来自 2020 年前后的数据科学求职语境,针对的是面试准备;如果你是为日常工作或转行学习,目标和检验方式可能不同,现有片段没有覆盖。
出处
- 1成为数据科学家要学什么| Data Scientist求职 2/3
最完整地讲了 SQL 和 Python 的学习路径、练习材料与自测方法。
- 2互联网企业对数据科学家能力要求 | Data Scientist求职 1/3
说明 SQL 为何被要求到 advanced,以及 Python 只需掌握的范围。
- 3被set up for failure,怎么熬过来的?|Marketplace 1
立正自述用 Python 过面试、入职后补学 SQL 的经历。
- 4#148. 我们为什么AI焦虑,我们又该怎么脚踏实地
用装桌子的比喻说明实用技能要靠动手,可解释为何要刷题。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 我是一个lse大一在读学生,面对AI,我想搞明白毕业之后先进大厂/金融机构比如投行,再出来创业是不是一定比大学期间就开始尝试要好,我应该all in一份graduate好工作还是探索可能性
没有“一定更好”的路径。立正更强调先想清楚不靠公司你能提供什么价值,并尽早小规模试;但早期求职时,大厂高光组确实能当敲门砖。
- 如何解决基础code不熟但是又想利用ai去做出完整的软件
不必先补完语法再动手;把“编程基础”换成三件事:不怕编程界面、遇报错不慌、能把需求说清楚,然后从一个能部署的小项目开始做。
- 自媒体不知道做啥,或者卖什么产品。自己的本质数据,又卷又被ai冲击
先把“做成什么样”说具体,再选一个能靠少数精准客户变现的方向;不要先纠结赛道和产品,也别指望早期数据好看。
- AI接下来对白领工作都要冲击,普通人应该如何学习如何使用
先别把目标定成“学会某个AI工具”,而是把AI接进你现有的工作流:从一个小任务开始,把背景、错误和需求讲清楚,再把做法沉淀成可复用的规则。
- 如何真的想明白一个商业逻辑
想明白商业逻辑,不是把模型想得更漂亮,而是把它压到能算清一单赚不赚钱,再用实验检验自己大部分想法是错的。
- 想跟着超线性学院学习,不知道该从哪开始。
先读免费社区的理念文章,再决定是否进年费社区;立正给出的学习顺序是先方法、再习惯、最后思维方式,工具放最后。