![3de64a62d3f3bdf45dd40507ae477b10.png](https://i-blog.csdnimg.cn/blog_migrate/f76de6b35d8c627cd5dac87aa4cb984d.png)
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
![ca8ae92183d0307483b661083a3cc367.png](https://i-blog.csdnimg.cn/blog_migrate/01fbeee00ac754690cf683d77e3c5445.png)
Dataanlyst
![9b7564e31c2463ff0bccab9160b8bb3f.png](https://i-blog.csdnimg.cn/blog_migrate/dc8d068af6f216497257c2edf980ade6.png)
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。
![0278f0c2fc6228757d62dcca964fb7bc.png](https://i-blog.csdnimg.cn/blog_migrate/2adebb9937a4187d4718c114085ba9da.png)
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
![c3cb8524e41ab248eb233b6b6869c2c4.png](https://i-blog.csdnimg.cn/blog_migrate/cdf49f54ec3f128c9a362254b91c738d.png)
SELECT count(*) FROM data.dataanalyst;
![a075cba5009b2a039622cc04d3d75afd.png](https://i-blog.csdnimg.cn/blog_migrate/bfb4d12ebf4d14596f3860557a6a7ea5.png)
(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;
![b12bfde94ef09d4b72f62269166b97d6.png](https://i-blog.csdnimg.cn/blog_migrate/4c514058e7b00ecb0f08fa050e6fb52c.jpeg)
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;
![619015683ad0446dfe3fbbea9be17b8e.png](https://i-blog.csdnimg.cn/blog_migrate/5f98c0d3d16aa143159d1094ab875a7f.png)
select city,count(positionId) as num,round(avg(avg_salary),2) as avg from data.dataanalyst
group by city order by avg desc;
![9cd1df58cc996b98765a448f5843c176.png](https://i-blog.csdnimg.cn/blog_migrate/cb655490dbecb0e8fb96fb007c2a39e4.png)
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;
![dd317bc4464c62a91e2c6ff06fbc64d0.png](https://i-blog.csdnimg.cn/blog_migrate/dca5d171471dc73946b30a55b0266b7e.png)
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;
![f9ec47c5c04d91b356ec4aad231d49cd.png](https://i-blog.csdnimg.cn/blog_migrate/ae45e34d8f6f5b5ced7d715bb1cfef92.png)
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;
![8b24ef1956db1fd3e933d41308fdf9a8.png](https://i-blog.csdnimg.cn/blog_migrate/20d183484fd25240cdaa26a26b256b51.png)
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。