Python数据分析-数据职业的薪水分析预测

一、研究背景

随着大数据和人工智能技术的迅猛发展，数据职业在全球范围内迅速崛起，成为当前就业市场上的热点领域。数据分析师、数据科学家、机器学习工程师等职业需求量大增，吸引了大量求职者的关注。然而，不同数据职业之间的薪酬差异，以及影响薪酬的关键因素，仍然是求职者和雇主共同关心的问题。

在现代社会，薪酬不仅反映了员工的劳动价值和企业对员工的认可程度，还在一定程度上影响着职业选择和职业发展路径。因此，了解数据职业的薪酬情况及其影响因素，对求职者在职业规划和求职过程中具有重要参考价值。同时，企业在招聘和薪酬制定过程中，也可以通过数据分析，制定更加科学合理的薪酬策略，吸引和留住高素质人才。

本研究旨在利用Python数据分析技术，对数据职业的薪酬数据进行探索性分析和预测建模，找出影响薪酬的关键因素，并建立薪酬预测模型，为求职者和雇主提供科学依据和决策支持。

二、研究意义

1. 为求职者提供职业规划参考：通过对数据职业薪酬数据的分析，求职者可以了解不同职业的薪酬水平及其影响因素，从而在职业选择和规划中做出更加明智的决策，选择更适合自身发展的职业路径。

2. 帮助企业制定薪酬策略：企业可以利用本研究的成果，了解市场上不同数据职业的薪酬水平和关键影响因素，从而制定更加科学合理的薪酬策略，吸引和留住高素质的数据人才，提高企业竞争力。

3. 促进薪酬公平和透明：通过公开的薪酬分析和预测，求职者和雇主可以对市场薪酬水平有更清晰的认知，避免因信息不对称而造成的薪酬不公平现象，促进就业市场的公平和透明。

4. 为教育和培训机构提供指导：教育和培训机构可以根据市场需求和薪酬水平，调整课程设置和培训内容，为社会培养更多符合市场需求的数据人才，提升教育和培训的有效性。

三、实证分析

代码和数据

该数据可用于薪资预测、趋势分析和人力资源分析。

列描述符 FIRST NAME：数据专业人员的名字 （String）

LAST NAME：数据专业人员的姓氏 （String）

SEX：数据专业人员的性别（字符串：“F”表示女性，“M”表示男性）

DOJ（加入日期）：数据专业人员加入公司的日期（月/日/年格式的日期）

CURRENT DATE：数据的当前日期或快照日期（MM/DD/YYYY 格式的日期）

职称：数据专业人员的工作角色或职称（字符串：例如，分析师、高级分析师、经理）

AGE：数据专业人员的年龄（整数）

薪资：数据专业人员的年薪（浮动）

UNIT：数据专业人员工作的业务单位或部门（字符串：例如 IT、财务、营销）

LEAVES USED：数据专业人员使用的叶子数（整数）

LEAVES REMAINING：数据专业人员的剩余叶子数（整数）

评级：数据专业人员的绩效评级（浮动）

过去的经验：加入当前公司之前的多年工作经验（Float）

该数据集是根据一家公司的内部人力资源记录得到的。 每条记录都代表一个独特的数据专业人员，具有从他们的工作历史中收集的各种属性。 数据跨度从 2009 年到 2016 年，捕获截至 2016 年 1 月 7 日的快照。 数据组织： 数据按加入日期（DOJ）按时间顺序排列。 每一行代表一个单独的数据专业人员。 包括各种属性，例如名称、部门和绩效评级，以便进行全面分析。

首先读取基本的数据分析包并且读取和查看数据

import pandas as pd
import matplot