mysql locate函数_数据分析实践——MySQL

本次主要是用MySQL对数据分析相关岗位进行分析，相关数据来源于网上课程提供的数据。

1.数据理解

本次数据分为两个表格，company和dataanalyst，conmpany主要是关于公司相关信息的，dataanalyst主要是对岗位进行描述。

Company

Dataanlyst

用excel整理好数据表格，使用load data函数将数据导入MySQL数据库中，一边进行数据分析。

2.提出问题：

（1）数据分析岗位在不同城市中的分布，以及薪资情况

（2）工作年限对于薪资的影响

（3）教育情况对薪资的影响

（4）不同行业对于数据分析的需求

3.数据清洗

（1）查询数据的数量

SELECT 

SELECT count(*) FROM data.dataanalyst;

（2）拆分薪资salary列

首先执行命令set sql_safe_updates=0;放开增删改权限

set sql_safe_updates=0;

先新建最高薪资，最低薪资，和平均薪资3列

alter table data.dataanalyst add column bottom_salary varchar(50);
alter table data.dataanalyst add column top_salary varchar(50);
alter table data.dataanalyst add column avg_salary varchar(50);

拆分salary列，更新该部分数据

update data.dataanalyst SET bottom_salary = left(salary,locate('k',salary,1)-1);
update data.dataanalyst SET top_salary = substr(salary,locate('-',salary)+1,length(salary)-locate('-',salary)-1);
update data.dataanalyst SET avg_salary = (bottom_salary+top_salary)/2;

至此，数据清洗部分已经完成

4.数据分析

（1）数据分析岗位在不同城市中的分布，以及薪资情况

select city,count(positionId) as num,round(avg(avg_salary),2) as avg from data.dataanalyst
group by city order by num desc;

select city,count(positionId) as num,round(avg(avg_salary),2) as avg from data.dataanalyst
group by city order by avg desc;

可以看出，北上深在数据分析岗位需求量和薪资水平都是位居前三。

（2）工作年限对于薪资的影响

select workYear,COUNT(workYear),round(avg(avg_salary),2) as avg from data.dataanalyst
group by workYear order by avg desc;

结果显示，薪资随工作年限的增长而长高；同时岗位要求工作年限在1-3年和3-5年最多。

（3）教育情况对薪资的影响

select education,COUNT(education),round(avg(avg_salary),2) as avg from data.dataanalyst
group by education order by avg desc;

结果显示，薪资随学历的升高而升高；同时，岗位要求本科学历的最多。

（4）不同行业对于数据分析的需求

select 
count(if(industryField like '%电子商务%',industryField,null)) as 电子商务,
count(if(industryField like '%互联网%',industryField,null)) as 互联网,
count(if(industryField like '%金融%',industryField,null)) as 金融,
count(if(industryField like '%O2O%',industryField,null)) as O2O,
count(if(industryField like '%数据服务%',industryField,null)) as 数据服务,
count(if(industryField like '%企业服务%',industryField,null)) as 企业服务,
count(if(industryField like '%生活服务%',industryField,null)) as 生活服务,
count(if(industryField like '%游戏%',industryField,null)) as 游戏,
count(if(industryField like '%教育%',industryField,null)) as 教育,
count(if(industryField like '%医疗%',industryField,null)) as 医疗,
count(if(industryField like '%旅游',industryField,null)) as 旅游,
count(if(industryField like '%广告%',industryField,null)) as 广告,
count(if(industryField like '%社交%',industryField,null)) as 社交,
count(if(industryField like '%信息安全%',industryField,null)) as 信息安全,
count(if(industryField like '%其他%',industryField,null)) as 其他
from data.dataanalyst;

可以看出，互联网，金融，数据服务和电子商务行业的数据分析岗位需求量最多。

5.结论

数据分析岗位在北上深等地区的需求量较大，且薪资较高；教育背景和工作年限对于薪资水平都有一定的影响；同时，由于行业特性，互联网，金融，数据服务和电子商务行业的数据分析岗位较多。