Pivot专业解析——史上最全数据科学商业分析项目分析
数据透析表的功能与用途详解
数据透析表的功能与用途详解数据透析表（Pivot Table）是一种数据分析工具，可用于从大量数据中提取有用信息并生成可视化报表。
它的功能强大，可帮助用户更好地理解数据并做出更明智的决策。
本文将详细介绍数据透析表的功能和用途，以帮助读者充分了解该工具，并在实际应用中发挥出最大的价值。
一、功能解析1. 数据汇总和分析：数据透析表可以将大量数据汇总，实现多角度的数据分析。
它能够自动对数据进行分类、求和、平均值、计数等计算，帮助用户快速了解数据的概况。
用户可以根据需要灵活调整数据的分类方式和计算规则，以获得准确的分析结果。
2. 数据透视：数据透析表可以实现数据的透视，使用户能够通过拖拽字段实时查看数据的不同维度。
通过数据透视，用户可以从不同角度对数据进行分析，发现数据关联关系和规律，并从中得出有价值的结论。
这种交互性强的数据透视功能是数据透析表的核心优势之一。
3. 可视化报表生成：数据透析表可以将数据通过图表的形式呈现，使复杂的数据变得直观易懂。
用户可以选择生成柱状图、折线图、饼图等不同类型的图表，并根据需要自定义标题、图例、轴标签等元素。
这使得数据的可视化分析变得简单快捷，让用户更方便地与数据进行互动。
4. 快速查询和过滤：数据透析表可以根据条件对数据进行筛选，帮助用户找到感兴趣的数据。
用户可以设置筛选条件，比如时间范围、数值范围、关键词等，以实现精确查询。
这种快速查询和过滤功能使用户更高效地获取想要的信息，并从中找到对业务决策有帮助的数据。
5. 与其他软件的集成：数据透析表可以与其他常用软件（如Excel）进行无缝集成，实现数据的导入和导出。
用户可以将Excel中的数据快速转化为数据透析表，并通过该工具进行更深入的分析。
同时，用户也可以将数据透析表的分析结果导出为Excel或其他格式，与他人共享和展示。
二、用途解析1. 业务分析和决策支持：数据透析表在业务分析和决策支持方面发挥着重要的作用。
通过对大量数据进行透视，用户可以发现业务中的关键问题和机会，并为决策提供有力的支持。
数据透析表详解及应用指南
数据透析表详解及应用指南数据透析表（Pivot table）是一种在数据处理和分析中广泛使用的工具。
它可以帮助我们快速分析和总结大量数据，从而发现不同维度下的对比和规律。
本篇文章将详细介绍数据透析表的概念、构造以及如何使用它进行数据分析。
一、数据透析表的概念数据透析表是一种交互式的数据处理工具，它可以利用电子表格软件（如Microsoft Excel或Google Sheets）来快速分析和总结大量数据。
它通过对原始数据进行透析（透视）操作，即按照某些指标对数据进行分类和汇总，从而揭示数据背后的规律和趋势。
数据透析表通常包括以下几个重要部分：1. 行字段（Row Fields）：指决定数据透析表行的字段，通常是一些分类变量或维度。
2. 列字段（Column Fields）：指决定数据透析表列的字段，也是一些分类变量或维度。
3. 值字段（Value Fields）：指决定数据透析表中数值的字段，可以是求和、计数、平均值等统计指标。
二、数据透析表的构造为了更好地了解数据透析表的构造，我们以一个销售数据表为例来进行说明。
假设我们有一个销售数据表，包含了产品名称、销售地区、销售日期和销售数量等字段。
要想通过数据透析表来分析这些数据，我们需要做以下几个步骤：1. 打开电子表格软件，将销售数据导入。
2. 选中需要透析的数据范围。
3. 在菜单栏中找到“数据透析表”选项，并点击进入数据透析表界面。
4. 将产品名称字段拖拽到行字段区域，将销售地区字段拖拽到列字段区域，将销售数量字段拖拽到值字段区域。
5. 对于值字段，可以选择不同的统计函数，如求和、计数、平均值等。
6. 根据需要，可以对行字段和列字段进行排序、筛选或添加子字段。
通过上述步骤，我们就可以生成一个数据透析表，它会根据产品名称和销售地区，对销售数量进行分类和汇总。
这样我们就可以清晰地了解不同产品在不同地区的销售情况，从而发现销售的瓶颈或机会。
三、数据透析表的应用指南1. 数据汇总与对比数据透析表可以帮助我们对大量数据进行分类和汇总。
商业数据分析
商业数据分析随着互联网的普及，商业领域越来越依赖数据，商业数据分析也越发重要。
商业数据分析是指运用各种分析技术对商业数据进行统计、分析、挖掘，从而为商业决策提供科学的依据和支持。
商业数据分析的重要性商业数据分析在现代商业中扮演着至关重要的角色。
首先，它可以帮助企业发现商业机会。
在大量数据中挖掘有用信息，发现商业机会，是许多成功企业不可或缺的重要手段。
其次，商业数据分析能够帮助企业预测市场走势。
企业可以通过对大量数据进行分析，发现趋势和规律，从而预测未来的市场走势，做好市场规划和调整。
第三，商业数据分析可以帮助企业优化业务流程。
通过对企业业务流程数据的分析，找出流程中存在的问题和瓶颈，提高效率，减少资源浪费，提升企业的竞争力。
商业数据分析的方法商业数据分析的方法有很多，根据不同的分析目的和数据类型，选择不同的方法和工具是关键。
首先，我们可以使用数据挖掘技术。
数据挖掘可以从大量数据中挖掘出有价值的信息和商业机会，例如数据分类、聚类和关联等算法，可以帮助企业进行市场细分、个性化推荐和商品搭配等等。
其次，我们可以使用数据可视化技术。
数据可视化可以通过图表、地图和仪表盘等形式，将数据直观、易懂的展示出来，帮助企业更快速、更准确地了解数据并优化商业决策。
再次，我们可以运用机器学习技术。
机器学习可以帮助企业在大量数据中找出规律和趋势，并将这些规律应用到未来的商业决策中，从而提高商业的准确性和效率。
商业数据分析的挑战商业数据分析虽然有很多优点，但也有一些挑战。
首先，数据的质量问题。
在实际操作过程中，由于数据来源的不同和数据本身的局限性，数据存在质量问题，例如数据的精准性、完整性和准确性等。
其次，商业数据分析时需要保护数据的隐私和安全。
保护数据的隐私和安全问题是企业面临的重要挑战之一。
企业需要采用一系列措施，如加密、隔离等，确保数据的隐私和安全。
最后，商业数据分析需要专业人才。
商业数据分析需要专业的技术和经验，同时需要分析人员对商业和市场有一定的了解和认识，只有这样才能对数据进行分析、挖掘和应用。
数据科学在商业决策中的作用分析
数据科学在商业决策中的作用分析在当今数字化时代，数据已成为企业最宝贵的资产之一。
数据科学作为一门融合了统计学、数学、计算机科学和业务知识的交叉学科，正逐渐在商业决策中发挥着至关重要的作用。
它不仅能够帮助企业更好地理解市场和客户需求，还能优化业务流程、提高运营效率、降低风险，从而为企业创造更大的价值。
一、数据科学帮助企业深入了解市场和客户通过收集和分析大量的市场数据，数据科学可以为企业提供有关市场趋势、竞争对手、消费者行为等方面的有价值信息。
例如，企业可以利用网络爬虫技术收集竞争对手的产品价格、销量、用户评价等数据，通过数据分析了解竞争对手的优势和劣势，从而制定更具竞争力的市场策略。
同时，数据科学还能够深入挖掘客户数据，帮助企业更好地了解客户需求和偏好。
通过对客户的购买历史、浏览行为、评价反馈等数据的分析，企业可以构建客户画像，实现精准营销。
比如，电商平台可以根据客户的购买记录和浏览行为，为其推荐个性化的商品，提高客户的购买转化率和满意度。
二、数据科学优化业务流程企业的业务流程往往存在着各种问题和瓶颈，影响着工作效率和质量。
数据科学可以通过对业务流程中产生的数据进行分析，找出问题所在，并提出优化方案。
以制造业为例，通过对生产线上的设备运行数据、产品质量数据等进行实时监测和分析，可以及时发现设备故障和质量问题，提前采取措施进行维修和改进，减少生产中断和次品率。
在物流领域，利用数据分析可以优化配送路线，提高物流效率，降低运输成本。
三、数据科学助力企业提高运营效率数据科学可以帮助企业实现资源的合理配置，提高运营效率。
例如，在人力资源管理方面，通过对员工的绩效数据、培训记录等进行分析，可以评估员工的工作表现和潜力，为员工的招聘、晋升、培训等提供决策依据，提高人力资源的利用效率。
在财务管理方面，数据分析可以帮助企业预测资金需求、控制成本、优化预算，提高资金的使用效率。
此外，数据科学还可以用于优化库存管理，通过对销售数据和市场需求的预测，企业可以合理控制库存水平，减少库存积压和缺货现象的发生。
如何利用数据透析表进行市场营销数据分析
如何利用数据透析表进行市场营销数据分析市场营销数据分析在当今竞争激烈的商业环境中变得愈发重要。
它能够帮助企业洞察消费者行为、预测市场趋势以及优化营销策略。
为了进行数据分析，数据透析表成为市场营销专业人员的重要工具之一。
本文将介绍如何利用数据透析表进行市场营销数据分析。
首先，让我们了解何为数据透析表。
数据透析表，也称作Pivot Table，是一种可以在电子表格中对大量数据进行汇总和分析的工具。
它可以从多个维度对数据进行分类汇总，然后展示统计结果。
数据透析表是市场营销数据分析中常用的工具，因为它可以更直观地显示数据、捕捉异常、发现关联关系。
在利用数据透析表进行市场营销数据分析前，我们需要明确分析的目的和结果需求。
这有助于我们选择适当的数据和指标进行分析，并确定相应的维度和度量。
例如，我们想分析销售额与广告投入之间的关系，那么我们需要收集销售数据和广告投入数据，并确定适当的维度如时间和地点，度量如销售额和广告花费。
接下来，我们可以开始构建数据透析表。
打开Excel等电子表格软件，将数据导入到工作表中。
然后，在菜单栏选择“数据透析表”选项，并按照对话框中的指引设置透析表。
首先，选择要分析的数据范围，确保包含所有需要分析的数据。
然后，选择透析表的位置，可以放在新工作表或者现有工作表。
接着，选择透析表的维度和度量，并设定对应的汇总方式。
最后，点击“确定”按钮，即可生成透析表。
生成的透析表显示的是按照设定的维度和度量对数据进行汇总的结果。
通过透析表，我们可以快速地观察和分析市场营销数据。
可以使用透析表的过滤功能，快速筛选出我们关注的数据片段，如特定时间段或特定地区的数据。
此外，透析表还提供了多种数据透视报表的绘制方式，如柱状图、折线图和饼图等。
通过这些可视化图表，我们可以更直观地理解数据的分布和趋势。
除了基本的数据透析功能，透析表还提供了一些高级的数据分析功能，如排序和计算。
通过对透析表的排序功能，我们可以快速找到销售额最高的产品或地区，从而找到市场竞争的热点。
pivot 函数
pivot 函数Pivot 函数是数据库中非常常见的一种聚合函数，它可以根据某个字段把数据库中的数据“旋转”成若干行和若干列的数据表格，从而方便进行分析、比较等操作。
在实际的数据处理中，Pivot 函数可以大大简化数据分析的工作量，提高数据的效率和准确性。
一、Pivot 函数的基本原理在数据库中，Pivot 函数是一种聚合函数，它可以根据某个字段把数据库中的数据“旋转”成若干行和若干列的数据表格，从而方便进行分析、比较等操作。
具体来说，Pivot 函数的基本用法如下：SELECT PivotField, [FirstAggregatedField], [SecondAggregatedField], … FROM ( SELECT GroupByField, PivotField, AggregatedValue FROM [SourceTable] ) AS SourceTable PIVOT( AggregateFunction(AggregatedValue) FOR PivotedField IN ([FirstPivotValue], [SecondPivotValue], …) ) AS PivotTable其中，PivotField 表示需要进行转换的字段，FirstAggregatedField、SecondAggregatedField 等表示需要聚合的数据，AggregateFunction 表示聚合函数（可以是 Count、Sum、Avg、Max、Min 等），PivotedField 表示需要把 PivotField 转换成哪些列进行分析，FirstPivotValue、SecondPivotValue 等表示转换后表格的列名。
举个例子来说，假设我们有一个 Customers 表格存储了客户信息，包括客户 ID、姓名、订单日期和订单总金额，现在我们想要统计每个客户每月的订单总金额，那么可以用以下 SQL 语句来实现：SELECT CustomerID, [Jan], [Feb], [Mar], [Apr], [May], [Jun], [Jul], [Aug], [Sep], [Oct], [Nov], [Dec] FROM ( SELECT CustomerID, DATENAME(month, OrderDate) AS OrderMonth, SUM(Amount) AS OrderTotal FROM Customers GROUP BY CustomerID, DATENAME(month, OrderDate) ) AS SourceTable PIVOT ( SUM(OrderTotal) FOR OrderMonth IN ( [Jan], [Feb], [Mar], [Apr], [May], [Jun], [Jul], [Aug], [Sep], [Oct], [Nov], [Dec] ) ) AS PivotTable这个 SQL 查询会把 Customers 表格中的数据旋转成一个 13 列的数据表格，其中第一列是客户 ID，后面 12 列分别是每个月的订单总金额，可以更方便地进行分析和比较。
pivot基准
pivot基准全文共四篇示例，供读者参考第一篇示例：随着互联网和信息技术的飞速发展，我们生活在一个数据爆炸的时代。
在这个时代，数据的价值越来越被人们所重视，越来越成为重要的决策依据。
而在处理这些海量的数据中，数据透视表（pivot table）成为了一种非常有效的数据分析工具。
在数据透视表中，pivot基准（pivot benchmark）就是其中一个非常重要的概念，本文将对pivot 基准进行详细介绍。
1. pivot基准的概念：pivot基准是指在数据透视表中用来进行数据分析和比较的基准。
在数据透视表中，通常会有多个行字段和列字段，而pivot基准就是基于其中一个或多个字段进行数据分析和比较的依据。
在有些情况下，pivot基准也可以是某个具体的数值，比如平均值、中位数等。
pivot基准的作用在于可以帮助用户更加直观地理解数据，并进行更深入的分析。
通过设定pivot基准，用户可以根据不同的需求和角度，对数据进行灵活的比较和分析，从而得出更加准确和细致的结论。
举个例子来说，假设有一个销售数据透视表，其中包含了不同产品的销售额和销量。
通过设置pivot基准为销售额，用户可以很容易地查看哪些产品的销售额最高；而通过设置pivot基准为销量，用户可以很容易地查看哪些产品的销量最多。
这样一来，用户在比较不同产品的销售情况时就可以选择不同的pivot基准，从而得到更全面和深入的分析结果。
在选择pivot基准时，应该根据具体的数据和分析目的来进行合理的选择，以确保能够得到准确和有效的分析结果。
下面是一些常用的pivot基准选择方法：（1）根据分析的目的选择：如果希望了解某个指标在不同维度下的表现，可以选择以该指标为pivot基准；如果希望了解不同指标在同一个维度下的表现，可以选择以维度字段为pivot基准。
（2）根据数据的性质选择：对于连续变量和离散变量，应该选择不同的pivot基准。
对于连续变量，可以选择计算平均值、中位数等作为pivot基准；对于离散变量，可以选择计数、求和等离散数据处理方法作为pivot基准。
数据透析表的查询与检索数据的常用函数详解
数据透析表的查询与检索数据的常用函数详解数据透析表（Pivot Table）是一种数据分析工具，可用于对大量数据进行快速汇总和可视化分析。
在数据分析领域中，数据透析表是一项常用而强大的工具，它能使用户在不需要编写复杂的代码和查询语句的情况下对数据进行透视分析。
数据透析表的核心是基于原始数据集，通过将数据进行重新组织和汇总，使用户能够快速、直观地掌握数据的概要信息和关联关系。
在进行数据透析表分析时，我们通常需要使用一些常用的函数来查询和检索数据，以满足不同的需求。
下面将对一些常用函数进行详细的解释和说明。
1. SUM函数：SUM函数用于计算指定数据范围内的数值总和。
例如，SUM(A1:A10)将计算A1到A10单元格范围内的数值总和。
2. AVERAGE函数：AVERAGE函数用于计算指定数据范围内的数值平均值。
例如，AVERAGE(A1:A10)将计算A1到A10单元格范围内的数值平均值。
3. COUNT函数：COUNT函数用于计算指定数据范围内的非空单元格数量。
例如，COUNT(A1:A10)将计算A1到A10单元格范围内的非空单元格数量。
4. MAX函数：MAX函数用于计算指定数据范围内的最大值。
例如，MAX(A1:A10)将返回A1到A10单元格范围内的最大值。
5. MIN函数：MIN函数用于计算指定数据范围内的最小值。
例如，MIN(A1:A10)将返回A1到A10单元格范围内的最小值。
6. IF函数：IF函数用于基于指定条件对数据进行逻辑判断并返回相应的结果。
例如，IF(A1>10, "大于10", "小于等于10")将判断A1单元格的数值是否大于10，如果是，则返回"大于10"，否则返回"小于等于10"。
7. VLOOKUP函数：VLOOKUP函数用于在数据范围中查找指定值，并返回相应的结果。
例如，VLOOKUP(A1, B1:C10, 2, FALSE)将在B1到C10范围内查找A1单元格的值，并返回找到的值对应的第二列数据。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Pivot专业解析——史上最全数据科学/商业分析项目分析
“大数据”作为时下最火热的IT行业的词汇，随之而来的数据仓库、数据安全、数据分析、数据挖掘等等围绕大数据的商业价值的利用逐渐成为行业人士争相追捧的利润焦点。
对于“大数据”(Big data)，研究机构Gartner给出了这样的定义：“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
“大数据”这个术语最早期用来描述为更新网络搜索索引需要同时进行批量处理或分析的大量数据集。
随着谷歌MapReduce 和Google File System (GFS)的发布，大数据不再仅用来描述大量的数据，还涵盖了处理数据的速度。
早在1980年，著名未来学家阿尔文·托夫勒便在《第三次浪潮》一书中，将大数据热情地赞颂为“第三次浪潮的华彩乐章”。
不过，大约从2009年开始，“大数据”才成为互联网信息技术行业的流行词汇。
美国互联网数据中心指出，互联网上的数据每年将增长50%，每两年便将翻一番，而目前世界上90%以上的数据是最近几年才产生的。
随着最近Big Data在业界的兴起，很多美国大学开设了大数据相关的program或者在原有的统计、数学或是计算机专业开设相关的Concentration。
笔者在这里就一些开设的项目和相关的技能做简要介绍。
大数据硕士项目主要为业界从事互联网分析，广告分析，或者统计分析的相关职位输送人才。
大数据相关技能
统计学相关知识: 回归分析，多元统计分析，时间序列分析
统计软件：R, SPSS, SAS计算机算法知识：数据结构，算法，数据库，数据挖掘，机器学习, 数据可视化计算机编程: C/C++, Java, Python, Hadoop/MapReduce
申请人背景
大数据项目根据项目所在学院适合不同本科背景的人申请，尤其偏爱在数学、计算机、统计方面背景比较强的同学，同时部分项目也需要一定商业实践经历。
开设相关或类似项目学校
MITMS in Business Analytics – Data Science Track
开设学院：商学院
适合背景：数学/计算机/工程
点评：Sloan商学院2016Fall新开的一年项目，特为理工科开设，主要针对数学/工程背景希望转商科。
除了强大的数理背景外还需要实习经历，要求三封推荐信中至少有一封是来自业界人士。
Harvard S. M in Computational Science and Engineering –Data Science Track
开设学院：工学院
适合背景：数学/计算机/工程
点评：传统计算机数学交叉项目，比较喜欢数学背景，里面很多科偏应用数学，
有两种学位S. M. 是一年的course-based, M. Eng 是两年带thesis 的项目。
ColumbiaMS in Data Science
开设学院：工学院
适合背景：数学/计算机/工程
点评：比较偏计算机和算法，不太适合商科同学。
MS in Applied Analytics
开设学院：职业教育学院
适合背景：各种学科
点评：比较偏商科。
Chicago MS in Computational Social Science
开设学院：社会科学学院
适合背景：各种学科
点评：16fall新开的交叉学科新项目。
结合计算机、统计与社会科学，虽然开设在社会学院，但课程设置集中在统计和计算机方面。
MS in Computational Analysis and Public Policy
开设学院：Harris公共政策学院
适合背景：文商科
点评：15Fall新开项目结合计算机、统计与与公共政策。
MS in Analytics
开设学院：职业教育学院
适合背景：各种学科
StanfordMS in Statistics
开设学院：统计系
适合背景：数学/统计
点评：难度非常大，录取者大多是清北复交数学系比较优秀的同学。
UPennMS in Social Policy + Data Analytics
开学学院：社会学院
适合背景：文科
点评：比较偏重社会政策和数据结合。
DukeMaster of Quantitative Management
开设学院：商学院
适合背景：商科为主
点评：17Fall新开项目竞争比较激烈有Finance和Analytics Track。
Northwestern MS in Analytics
开设学院：工学院
适合背景：数学/计算机/工程
点评：工学院和商学院联合开设的项目，最早的分析学项目之一，比较偏重技术，比较喜欢有一定商科或者运筹背景的。
CornellM.Eng. ORIE concentration in Data Analytics
开设学院：Cornell Tech NYC校区
适合背景：数学/计算机/工程
点评：16Fall在纽约校区新开的一年职业型项目，比较偏重技术。
WUSTLM.S. in Customer Analytics
开设学院：商学院
适合背景：商科为主
点评：商学院开设的项目，偏重市场营销分析，比较喜欢商科背景。
GeorgetownM.S. in Analytics
开设学院：文理学院
适合背景：数学/统计
点评：统计分出来的项目，比较偏重统计。
USCMS in Business Analytics
开设学院：商学院
适合背景：商科
点评：商学院项目比较偏重理论和实践结合，比较喜欢商科背景。
MS in Data Informatics
开设学院：工学院
适合背景：数学/计算机/工程
点评：工学院偏计算机项目，比较喜欢计算机背景，特别是机器学习和数据挖掘方向。
CMUMaster of Computational Data Science
开设学院：School of Computer Science
适合背景：数学/计算机
点评：纯粹计算机项目，竞争极其激烈，比较喜欢计算机背景，特别是机器学习和数据挖掘方向。
MISM: Business Intelligent and Data Analytics
开设学院：Heinz College
适合背景：各种学科
点评：信息系统和数据科学结合。
Master of Information Technology Strategy: Data Analytics Concentration
开设学院：School of Computer Science
适合背景：各种学科
点评：管理和技术兵种
MS in Public Policy and Management: Data Analytics:
开设学院：Heinz College
适合背景：文科
点评：公共政策项目中比较偏重数据。
UVAM.S. in Data Science
开设学院：文理学院
适合背景：数学/统计
点评：统计分出来的项目，比较偏重统计。
NYUM.S. in Data Science
开设学院：文理学院
适合背景：数学/计算机/工程
点评：计算机系和Courant所联合开设的项目，非常偏重技术，最好的数据科学项目之一，比较喜欢偏数学背景的学生，竞争也非常激烈。
Gatech M.S. in Analytics
开设学院：工业工程学院
适合背景：数学/计算机/工程
点评：工业工程分出来的项目，比较偏重工程和技术。
M.S. In Computational Science and Engineering : Data Science Track 开设学院：计算机学院
适合背景：数学/计算机/工程
点评：经典的计算机和数学结合项目，非常技术。
UIUCM.S. in Statistics with concentration in Analytics
开设学院：文理学院
适合背景：数学/统计
点评：统计分出来的项目级，比较偏重统计。
RochesterMS in Business Analytics
开设学院：商学院
适合背景：商科
点评：17Fall新开项目，相比原有的Marketing Analytics ，理论和实践比例更加平衡
RPIBusiness Analytics
点评：和IBM联合开设的项目，比较喜欢有一定商科或者运筹背景的。
UT Austin MS in Business Analytics
开设学院：商学院
适合背景：商科
点评：工学院和商学院联合开设的项目，最早的商业分析项目之一，商学院项目比较偏重理论和实践结合，比较喜欢有一定商科或者运筹背景的。
UWM.S. in Data Science
开设学院：数据科学研究所
适合背景：数学/计算机/工程
点评：华盛顿大学的计算机排名非常高，17Fall新开的数据科学项目质量可想而知。