大数据时代 数据分析师去哪里了（2）

按城市分组，平均月薪，工作机会比较

可以看出，工作机会前5的城市分别为北京，上海，深圳，杭州，广州，占到工作机会的百分之90以上（可以用cumsum计算），北京占了大头，对数据分析人才需求最大。平均月薪前五的城市分别为北京，深圳，上海，杭州，苏州，基本上工作机会越大，平均月薪越高，可以用corr计算两者的相关性

按行业分组，平均月薪，工作机会比较

可以看出，工作机会前10的行业标签为移动互联网，数据服务，金融，电子商务，企业服务，O2O，占到工作机会的百分之60以上，他们是招聘主力。其中移动互联网，O2O的平均月薪高于行业整体水平，属于金主较多的行业

按公司规模分组，平均薪酬，工作机会比较

可以看出，公司规模大于150人，占到工作机会的百分之70以上。而且公司规模越大，平均月薪越高，500人以上的企业平均月薪高于行业平均水平，这也难怪大量的求职者选择BAT及新美大了

按学历水平分组，平均薪酬，工作机会比较

可以看出，本科要求占工作机会的将近百分之80，本科算是一个基本入门条件了。本科的平均薪资与行业平均薪资基本持平，硕士和博士的薪资超出平均水平，工资随学历上升趋势明显

按工作经验分组，平均薪酬，工作机会比较

可以看出，1到3年和3到5年工作经验是雇主要的最多的。应届毕业生比1年以下工作经验更有优势，工作经验不限也有相当的比例。总体上说，从工作经验的角度看，门槛不算高。从薪资上看，3到5年工作经验高出行业平均水平，工资随经验水涨船高

---

下面，我们结合三个维度，分析比较月薪和工作机会。例如，我想知道北京，不同工作经验和不同学历情况下的工作机会

我们也可以画图表示

再看下 不同工作经验和不同学历情况下的平均月薪

从上面的表和图可以看出，1-3年和3-5年经验本科招的最多，占比超过百分之70。本科中，经验越足平均月薪约高，递增幅度约为8K，1-3年工作经验的平均月薪是1年以下工作经验的两倍，这也正常，从0到1总是难的

通过上表，可以结合求职者自身所处的城市，自身的工作经验及学历，估计自己大概能拿到多少和工作机会的大小。当然，也可以组合不同的维度，比如组合公司规模和经验，得到更贴合自己的数据

---

最后，我们来分析一下职位标签，看下雇主们都在找些什么

# 将职位标签属性列的标签单个提取出来，然后统计个数
split_d = unique_d2['positionLables'].str[1:-1].str.replace(' ','').str.replace("'",'').dropna().str.split(',').apply(pd.value_counts)
split_d2 = split_d.unstack().dropna().reset_index().groupby('level_0').count().sort_values(by ='level_1', ascending=False)

结果为

用业界流行的方式显示 - - - 词云

from wordcloud import WordCloud
wordclod = WordCloud(width=900,height=400,background_color='white',font_path='数据源\\MSYH.TTC')
wordclod.fit_words(split_d2['level_1'])
plt.figure(figsize=(15,15))
plt.imshow(wordclod)
plt.axis('off')

结果为

---

上一篇：
大数据时代 数据分析师去哪里了（1）