python中的plt即matplotlib库，是python中最常用的可视化工具之一，也可以非常方便地修改2d图表和一些都差不多的3d图表。
它以各种硬截图格式和跨平台的可交互环境生成出书质量级别的图形。实际matplotlib，开发者可能仅是需要几行代码，便可以不生成绘图、直方图、功率谱、条形图、出现了错误图、散点图等。
它提供了一整套和matlab几乎一样的命令api，极其适合我交互式地进行制图。并且也是可以方便地将它另外绘图控件，附着gui应用程序中。
学习的主干课程的设置上始终在并且着探索和研究，主要培养训练具备能源工程、流体力学、动力机械动力工程等基础知识，掌握新能源转换与利用原理、新能源装置及系统运行技术在内风能、太阳能生物质能等新能源科学领域的专业知识，能在国家新能源科学与工程领域陆续开展教学、科研、技术开发、工程应用经营管理等方面工作的低级应用型人才。
大致是能自己制作出一类自己的数据地图吧。
这是我自己做成什么的，数学集合了近10年来的数据分析职业经验，相关参考了数十份行业内的不权威著作、等，生克制化数十万字的庞然学习资料，才有了这个。
基础别人前，自己也得有拿的全力出手的干货吧，不然的话怎摸令别人？
先说一个，如果题主只不过为了逼格高的title来的，那我劝你趁早结束先放弃美好幻想，现实中数据科学家只是因为称呼而己，都没什么用，没准别人转首就其实你是为他们服务吧的呢？
那这个概念是咋来的？
程序员觉着自己不合适编程，产品经理都觉得自己不比较适合做产品，统计会计都觉得自己天花板又低，咦，这个数据科学家的岗位很顺耳蛮不高端的，做的事和我也其实没什么差距，我去试试？
嗯，基本是是这样的。
你们还以为的：
这种人存不存在？存在，但醒一醒，数量很少，不过不需要十年的历练。
据我清楚，多个互联网大公司的数据leader，他们是导导表，跑下数据，然后再按业务需求把数据给别人，偶尔才会还帮其它部门做一些预备的需求，挖掘点用户数据可能会一些一点儿。
离数据科学家还远着，这就是现实。
但并并非没什么办法，曾经的数据科学家，应该有树章法可循。
1、数据科学家咋来的？
先有datascience，再有做此行当的人datascientists。
science是再做实验的，实验的对象是数据，方法是dm，ml，dl等，仪器是门类丰富存储硬件，处理软件。奇妙的是研究对象是不同领域，因此一个datascience过程，产出物很可能仅一些常规知识，提示和决策，甚至于是可以拓展对某个领域认知。
2、数据科学家的类型
第一种，偏总结。
也算，像商业分析这种，需要你懂行业，懂市场，懂公司管理和经营，接着再去能够解决问题。
比较多工作，基本是是清清数据，做点分析，出出报告，搞点敏锐的洞察，但伴随着大数据的到来，对模型成立能力、工具使用能力、数据处理能力而且了。
tableau、python、finebi、r、pandas、matlab都得会。
还得懂市场、经济、统计的知识。
第二种，偏算法。
研究类的升华，比如阿里达摩院，也算一个成本部门，是部门就得有产出，是去研究就得有成果，就得能落地之前（这句话不是我说的，是马老师）。
那这种就挺好理解了，把算法从research能够做到product。
具体的要求会更高，nlp，数据挖掘，推荐算法，cv，业务逻辑，需求管理，编程能力确实其次的。
3、数据科学家的核心技能
除此之外数据分析，还有一个什么？
不过数据科学在公司里的应用还是基础层次，老板招聘很有可能只不过是想让公司赶得及ai的末班车，可是看不懂要如何让数据拥有生产力，噱头是要注意的。公司越大，职位边界会越模糊不堪。
因为，数据科学家应该是具备产品经理完全不一样的嗅觉能力，的或仅容小觑程序员的代码能力。
要不你都会很很茫然，自己在产品和的新都没有话语权，慢慢的变的了支持部门。
所以才要在大方向上，更加积极主动地点，从insight到product，要全程参与，真的很培养训练能力，然后才能有数据话语权，这可也不是写个python、sql或者etl就能利用的。
