数据可视化③:大学生就业数据分析

1 我们统计了自1990年以来的历届高校招生数量和同年大学生毕业就业人数,两相对比,我们不难发现:大学生数量逐年上升,且上升幅度变大;作为对比,就业人数的增长幅度远不如招收人数。由此可见,并不是上了大学毕了业就能找到工作,且随着大学生数量越来越多,供过于求,企业趋于饱和,大学生就业便越来越难,这便是促使大学生内卷的原因。
摘要由CSDN通过智能技术生成

大学生就业是和我们息息相关的话题,每一位大学生都关注着,我们常常在网络上看到有关大学生就业的话题,比如毕业季的一些讨论。在大一的创新创业课中,我们也了解到自己所学的专业和以后如何就业,往哪方面就业。但我们了解的比较局限,这是一个很好的机会,让我们把视野放到大环境下的大学生就业分析。接下来我将用帆软finebi实现bi解决方案-大学生就业数据的分析,然后将可视化图表以dashboard的形式展现出来。

1 模块二 本科生和高职生历年薪资变化分析

1.1 图表制作

1    来自高薪城市.xlsx

图5  各城市薪酬分布图

分析说明:为了关注各个省市的高薪水平,了解哪些省市应该是我们重点关注的对象,我们选择制作每个城市的薪水分布。

图中填充地图:各城市薪酬的分布。在FineBi组件中,使用填充地图地图将维度中“省市/自治区,城市”分别放入“横轴”“纵轴”,将“薪酬”分别拖入“颜色”, “细粒度”以“省/自治区”实现

1.2 成果展示

图31 作品展示图-本科/高职薪资变化

1.3     模块三 不同城市的薪酬排名分析

1.3.1 图表制作

 

  • 0
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是一份Python代码示例,用于数据可视化大学生就业数据分析: ```python # 导入所需的库 import pandas as pd import matplotlib.pyplot as plt # 读取数据集 data = pd.read_csv("大学生就业数据.csv") # 绘制饼图,显示各个城市的就业人数占比 data_city = data.groupby('城市')['就业人数'].sum() # 按城市分组求和 data_city.plot(kind='pie', autopct='%1.1f%%', figsize=(10, 6)) plt.title('各城市大学生就业人数占比') # 绘制堆叠柱状图,显示各个专业的就业人数和失业人数 data_major = data.groupby('专业')[['就业人数', '失业人数']].sum() # 按专业分组求和 data_major.plot(kind='bar', stacked=True, figsize=(10, 6)) plt.title('各专业大学生就业情况') plt.xlabel('专业') plt.ylabel('人数') # 绘制散点图,显示薪资和工作经验的关系 data_salary = data[['薪资', '工作经验']] data_salary.plot(kind='scatter', x='工作经验', y='薪资', figsize=(10, 6)) plt.title('大学生薪资与工作经验的关系') plt.xlabel('工作经验(年)') plt.ylabel('薪资(元/月)') # 显示图形 plt.show() ``` 在这个示例代码中,我们首先使用pandas库读取了一个名为“大学生就业数据.csv”的数据集。然后,我们使用matplotlib库绘制了三个不同类型的图形,分别是饼图、堆叠柱状图和散点图。这些图形分别显示了各个城市的就业人数占比、各个专业的就业人数和失业人数、以及大学生薪资与工作经验之间的关系。最后,我们使用plt.show()函数显示了所有绘制的图形。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值