Tableau数据分析类职位

如今每个行业都开始注重数据的利用，比如电商类公司数据洞察客户的行为及偏好以便精准营销，金融类企业需要利用数据构建反欺诈模型等等。所以对于数据分析类的工作需求也相应增加，所以便产生了需求，我想知道数据分析类职位在哪些地区有招聘，行业分布是怎样的，薪酬如何，对于应聘者的技能又有什么样的要求，所以便用后羿采集器爬取了拉勾的职位信息简要分析一下。
分析大纲如下

• 地区分布情况，不同地区不同行业如何
• 不同行业的需求量
• 公司规模分布
• 薪酬分布，高端职位分布，不同地区薪酬分布
• 经验要求如何
• 学历要求
• 技能要求
• 需求公司的福利待遇怎样

**

数据获取

**
使用后羿采集器爬取拉勾网职位信息，之所以用后羿而不用python一来对于爬虫目前还不是很熟悉，即使使用别人的轮子依然需要补习，二来数据量并不大后羿完全胜任且快速简单，爬完发现数据少的可怜，仅有450条信息。

**

数据清洗

**
由于数据量非常少，直接用Excel打开进行数据清理，信息字段主要有以下几类：

1. 地区
2. 职位名称
3. 薪酬
4. 经验/学历要求
5. 公司名称
6. 公司所处行业
7. 公司规模
8. 福利
9. 技能要求
10. 岗位职责

爬取的数据很干净，只需要将薪酬拆分即可，转为两列最低薪酬及最高薪酬，再取两者的平均值作为平均薪酬，接下来分拆经验、学历为两列，这部分很快处理完成

**

数据分析

**
这里采用Tableau进行分析，因为可视化这块还是比Excel给力一些
首先是分析招聘职位的地区分布情况，结果显示排名前三位依次为北上深一线城市，其中北京职位需求遥遥领先，痛心的是一线广州需求量比杭州还要低，再其次就是强二线西上海成都，其他地区都少得可怜。另外无论是职位数量还是平均薪资都是天子脚下最高

那么每个地区需求的数据分析类职位的行业分布是怎样的呢？如下图，结果显示北上广深杭成全部都是金融行业需求最多，其次是移动互联网，不过这些结果和我们的实际认知是一致的，不算稀奇，当然这里行业划分其实很不规范，有些是按照主营类型写的，不算标准行业类型，比如北京需求量甚高的文娱内容其中不乏移动互联网的也说不定，所以行业需求量仅限参考，给到一个大致择业方向

下面来看看总的各行业职位分布情况及简要工资情况，结果毫无疑问是金融行业，且高工资分布基本都在金融，其次是移动互联网

招聘此岗位的公司都是怎样的规模？需求量最大的是2000人以上的大公司占比35.1%，其次是150-500人的中小型企业

说到薪酬部分了，这部分也是大多数人关心的问题，这里用平均工资来显示，平均薪酬为18K/月，只有北上深提供了较高的平均薪资

再来看看最低起薪的情况，北京依然是起薪分布最高的的地区，其次为上海、深圳、杭州、广州

这些岗位都有哪些经验要求？大部分都是要求3-5年经验其次是1-3年。两者占比77%，说明绝大多数企业都是至少要有经验，说明没有经验的确实很难过关

再来看看学历要求，本科乃是保底线，硕士以上的要求仅占4.2%

公司在招聘时都有哪些福利展示，这里利用词云展示

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import wordcloud
from wordcloud import STOPWORDS
import jieba
from scipy.misc import imread
import re
pd.set_option('display.max_columns',20)
data=pd.read_excel('/Users/shaling/Downloads/拉勾的数据.xlsx',sheet_name='Sheet2')
print(data.head())
print(data.keys())
txt=''.join(i for i in data['福利'])
mask=imread('/Users/shaling/Desktop/1.jpg')
w1=wordcloud.WordCloud(font_path='PingFang.ttc',background_color='white',mask=mask)
w1.generate(" ".join(jieba.lcut(txt)))
plt.imshow(w1)
plt.show()

所要求的技能：机器学习，建模，数据统计学，撰写报告，python，SQL，Excel，Tableau等

结论就是：
1、该岗位需求量大都聚集在北上广深杭几个城市
2、该岗位需求量较大的行业是金融行业，公司大都是中大型企业
3、该岗位薪酬较高，高薪聚集在金融行业