数据分析岗位可视化

1、整体思路

1.数据类岗位整体需求
2.城市、学历、工作经验对薪水的影响
3.不同岗位对应的学历要求、薪水分布情况

1、导入数据并查看数据

（此处数据由mysql数据库导入）

#读取数据
df = pd.read_sql_query('select * from Boss_analyst',con=engine)

字段解释
position - 职位
salary_range - 薪水区间
work_year - 工作经验
city - 城市
tag1 - 技能标签1
tag2 - 技能标签2
tag3 - 技能标签3
tag4 - 技能标签4
tag5 - 技能标签5
company_name - 公司名称
text - 未知
company_type - 公司类型
company_welfare -公司福利
此处数据已清洗完毕

2.数据类岗位整体需求

结论：
学历：大专是基本要求，本科招的最多
工作经验：3-5年的工作经验最受欢迎，行业经验较多，能够独自完成项目
岗位分布：北山广深杭需求差不多，相对而言，北京最多，广州偏少
公司融资情况：大多是上市公司，都是大规模企业
公司类别：行业分布，互联网行业需求较多
薪水：受工作经验影响较大，3年集中在20-30k
总的来说，绝大多是公司更愿意要有经验的求职者，而且要求越来越高

代码展示

plt.figure(figsize=(16,9))

plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

# 学历
plt.subplot(2,3,1)
df_full_job1.education_background.value_counts().plot(kind='barh',alpha=0.8)

# 工作经验
plt.subplot(2,3,2)
df_full_job1.work_year.value_counts().plot(kind='barh',alpha=0.8)

# 岗位分布 city
plt.subplot(2,3,3)
df_full_job1.city.value_counts().plot(kind='pie',autopct='%.1f%%')

# 公司融资情况 company_financing
plt.subplot(2,3,4)
df_full_job1.company_financing.value_counts().plot(kind='barh',alpha=0.8)

# 公司类别 company_type
plt.subplot(2,3,5)
df_full_job1.company_type.value_counts().head(6).plot(kind='barh',alpha=0.8)

# 薪水 划分层次
plt.subplot(2,3,6)
bins = [0,3,5,10,15,20,30,105]
level = ['0-3','3-5','5-10','10-15','15-20','20-30','30-150']
df_full_job1['avg_salary_level'] = pd.cut(df_full_job1['avg_salary'],bins=bins,labels=level)
df_full_job1.avg_salary_level.value_counts().head(6).plot(kind='barh',alpha=0.8)


#调整子图的间距
plt.tight_layout()

3.城市、学历、工作经验对薪水的影响

3.1 城市与薪水

**结论：**北京薪资在20-30k以及30k以上占比较多，广州10k以下占比较高

# 城市与薪水
# stack函数会将数据从“表格”结构变成“花括号结构”，即将其行索引变成列索引
# unstack函数将数据从“花括号结构”变成“表格”结构，即要将其中一层的列索引变成行索引
# 聚合计算是axis=1, 表示按行计算，axis=0表示按列计算
df_full_job1_groupby = df_full_job1.groupby(['city','avg_salary_level']).avg_salary.count().unstack()
df_full_job1_groupby_1 = df_full_job1_groupby.apply(lambda x: x/x.sum(),axis=1)
df_full_job1_groupby_1.plot(kind='bar',stacked=True,figsize=(9,7),alpha=0.8,width=0.2)

# plt.legend(bbox_to_anchor=(1.04,1), loc="upper left")  手动的设置  左下角（0,0），右上角（1,1）
plt.legend(bbox_to_anchor=(1.04,1))

3.2 学历与薪水

**结论：**从学历看，学历越高起步价越高，上限越高，学历不限存在多种因素如培训机构¶
代码展示

df_full_job1.boxplot(column='avg_salary',by='education_background',figsize=(9,7))

3.3 工作经验与薪水

**结论：**应届生与有工作经验相比薪资差距巨大，且应届生薪资水平差不多

代码展示

df_full_job1.boxplot(column='avg_salary',by='work_year',figsize=(9,7))

3.3 不同岗位对应的学历要求、薪水分布情况

**结论：**数据分析站了一半，市场对此需求更高

结论：
数据分析岗位：20-30k薪资占大多数
数据挖掘岗位：主要是20-30k和30k以上，各类岗位中，数据挖掘30k以上最多
数据运营岗位：主要分布在5-10k

**结论：**岗位基本要求在本科，最少要求是大专，本科要求占比最高

代码展示

df_full_job1.position.value_counts().plot(kind='pie',autopct='%.1f%%',figsize=(5,5))
df_full_job1.groupby(['avg_salary_level','position']).agg({'position':'count'}).unstack().plot()
plt.legend(bbox_to_anchor=(1.04,1))

#学历要求
df_full_job1.groupby(['education_background','position']).agg({'education_background':'count'}).unstack().plot(kind='barh',figsize=(9,7))
plt.legend(bbox_to_anchor=(1,0.7))