对招聘数据处理分析并可视化
前言
关于本次任务：
当我们择业，寻找工作时，需要从各大招聘平台，招聘网站以及招聘单位官网等获取招聘信息，那么对相关数据进行分析，能帮助我们更好的了解招聘市场情况，可以对我们的就业提供参考。本次任务从Boss直聘获取数据，分析热门职位，城市平均工资等信息，帮助我们更好地面对严峻的就业形势。
以下是本次任务主要内容：
一、数据源和任务目标
数据来源于Boss直聘，一共1651条记录，其中包含id，city(城市)，education(学历)，salary(工资)等12个属性，数据样式如下：
任务目标：
1.各学历平均工资；
2.各城市平均工资走势；
3.各岗位招聘数量占比分析
二、具体实现
任务1.各学历平均工资
涉及数据属性：education, salary
任务输入：data.txt
任务输出：output/01/part-r-00000
总体流程设计如图：
数据处理：
Map部分
public static class Map extends Mapper<LongWritable, Text, Text, Text> {
Text k = new Text();
Text v = new Text();
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String s = value.toString();
if (!s.contains("advantage") && s.trim().length() > 0 && s.split("\t").length == 12) {
String[] strings = s.split("\t");
k.set(strings[3]);
v.set(strings[8]);
context.write(k, v);
}
}
}
Reduce部分
public static class Reduce extends Reducer<Text, Text, Text, Text> {
Text v = new Text();
protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
Double sumSalary = 0D;
int cntSalary = 0;
for (Text value : values) {
int salary = Integer.parseInt(value.toString());
sumSalary += salary;
cntSalary ++;
}
double avgSalary = sumSalary / cntSalary;
v.set(avgSalary+"");
context.write(key, v);
}
}
可视化：
def drawChart_1():
root = "output/01/part-r-00000"
date = []
cases = []
with open(root, 'r',encoding='utf-8') as f:
while True:
line = f.readline()
if not line:
break
strings = line.split('\t')
date.append(str(strings[0]))
cases.append(int(float(strings[1])))
d = (
Bar()
.add_xaxis(date)
.add_yaxis("平均工资", cases, stack="stack1")
.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
.set_global_opts(title_opts=opts.TitleOpts(title="各学历平均工资"))
.render("output_html/result1.html")
)
运行结果：
通过数据分析以及观察可视化效果，各学历层次工资金额都很可观，博士生尤为显著，除此以外，大专，本科，硕士三个学历层次工资金额随学历层次的升高而增加。而对于其他层次，例如自考，培训，自学等，其工资水平也并不低，同时在一定程度上反映技术水平的重要性。但从整体来看，正常情况下，学历层次同工资水平是呈正比关系的，同时也反映当下考研热潮的火爆。
任务2.各城市平均工资走势
涉及数据属性：city, salary
任务输入：data.txt
任务输出：output/02/part-r-00000
总体流程设计如图：
数据处理：
Map部分
public static class Map extends Mapper<LongWritable, Text, Text, Text> {
Text k = new Text();
Text v = new Text();
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String s = value.toString();
if (!s.contains("advantage") && s.trim().length() > 0 && s.split("\t").length == 12) {
String[] strings = s.split("\t");
k.set(strings[2]);
v.set(strings[8]);
context.write(k, v);
}
}
}
Reduce部分
public static class Reduce extends Reducer<Text, Text, Text, Text> {
Text v = new Text();
protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
Double sumSalary = 0D;
int cntSalary = 0;
for (Text value : values) {
int salary = Integer.parseInt(value.toString());
sumSalary += salary;
cntSalary ++;
}
double avgSalary = sumSalary / cntSalary;
v.set(avgSalary+"");
context.write(key, v);
}
}
可视化：
def drawChart_2():
root = "output/02/part-r-00000"
date = []
cases = []
with open(root, 'r',encoding='utf-8') as f:
while True:
line = f.readline()
if not line:
break
strings = line.split('\t')
date.append(str(strings[0]))
cases.append(int(float(strings[1])))
(
Line(init_opts=opts.InitOpts(width="1600px", height="800px"))
.add_xaxis(xaxis_data=date)
.add_yaxis(
series_name="工资",
y_axis=cases,
markpoint_opts=opts.MarkPointOpts(
data=[
opts.MarkPointItem(type_="max", name="最大值")
]
),
markline_opts=opts.MarkLineOpts(
data=[opts.MarkLineItem(type_="average", name="平均值")]
),
)
.set_global_opts(
title_opts=opts.TitleOpts(title="各城市平均工资走势", subtitle=""),
tooltip_opts=opts.TooltipOpts(trigger="axis"),
toolbox_opts=opts.ToolboxOpts(is_show=True),
xaxis_opts=opts.AxisOpts(type_="category", boundary_gap=False),
)
.render("output_html/result2.html")
)
运行结果：
通过数据分析以及观察可视化效果，在各大热门城市中，热门去向依然是北京，上海，广州，深圳（北上广深），工资水平居于第一梯队，是大家争先恐后去发展的地方。除此以外，杭州的平均工资水平也很可观，只是该城市对应届生身份卡得严，更多的是有工作经验的“社会人”在发展，所以很多应届毕业生选择去了工资水平相当的其他热门城市。近年，有很多新一线城市兴起，比如涉及到的南京，成都，武汉，重庆等，其平均工资水平虽然赶不上其他热门地域城市，但对于不少对工资水平要求不是太高，喜欢稍慢一点节奏生活的毕业生也是不错去向。总体来看，除北京，上海，广州，深圳，杭州这些热门城市工资水平在高薪标准以上，其他城市均在其之下。
任务3.各岗位招聘数量占比分析
涉及数据属性：position_name
任务输入：data.txt
任务输出：output/03/part-r-00000
总体流程设计如图：
数据处理：
Map部分
public static class Map extends Mapper<LongWritable, Text, Text, Text> {
Text k = new Text();
Text v = new Text();
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String s = value.toString();
if (!s.contains("advantage") && s.trim().length() > 0 && s.split("\t").length == 12) {
String[] strings = s.split("\t");
k.set(strings[7]);
v.set("1");
context.write(k, v);
}
}
}
Reduce部分
public static class Reduce extends Reducer<Text, Text, Text, Text> {
Text v = new Text();
protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
int size = Lists.newArrayList(values).size();
v.set(size+"");
context.write(key, v);
}
}
可视化：
def drawChart_3():
root = "output/03/part-r-00000"
values = []
with open(root, 'r',encoding='utf-8') as f:
while True:
line = f.readline()
if not line:
break
strings = line.split('\t')
values.append([(strings[0]),(strings[1])])
c = (
Pie()
.add("", values)
.set_colors(["orange","red","blue","green"])
.set_global_opts(title_opts=opts.TitleOpts(title="各岗位招聘数量占比分析"))
.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
.render("output_html/result3.html")
)
运行结果：
通过数据分析以及观察可视化效果，可以看出对于数据分析涉及到的这四个岗位：数据分析师，数据挖掘工程师，机器学习工程师，深度学习工程师，其招聘人数占比都差不太多，而其中相比较多的是机器学习工程师和数据挖掘工程师。而随着近年来，大数据，人工智能的发展，对于数据分析，机器学习方面的技术人员需求很大，但同时岗位缺口也很大。
总结
三个任务是对部分招聘数据的分析处理，通过最终的数据分析及结果可视化观察并结合资料可知：
1.学历与工资水平呈正比；
2.北上广深依旧火热，工资水平依旧处于第一梯队；
3.随着近几年大数据、人工智能的崛起。算法类的职位缺口比较大。
以上三点即为最简洁地概括最终处理结果分析。
关于MapReduce:
MapReduce是一个分布式运算程序的编程框架，是用户开发"基于Hadoop的数据分析应用”的核心框架。
MapReduce核心功能是将用户编写的业务逻辑代码和自带默认组件整合成-个完整的分布式运算程序，并发运行在一个Hadoop集群上。
其优缺点：
关于优点
- MapReduce易于编程
它简单的实现一些接口，就可以完成一个分布式程序， 这个分布式程序可以分布到大量廉价的PC机器上运行。也就是说你写一个分布式程序，跟写-个简单的串行程序是一模一样的。 就是因为这个特点使得MapReduce编程变得非常流行。
2.良好的扩展性
当你的计算资源不能得到满足的时候，你可以通过简单的增加机器来扩展它的计算能力。
3.高容错性
MapReduce设计的初衷就是使程序能够部署在廉价的PC机器上，这就要求它具有很高的容错性。比如其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，而完全是由Hadoop内部完成的。
4.适合PB级以上海量数据的离线处理
可以实现上千台服务器集群并发工作，提供数据处理能力。
关于缺点
1.不擅长实时计算
MapReduce无法像MySQL-样，在毫秒或者秒级内返回结果。
2.不擅长流式计算
流式计算的输入数据是动态的，而MapReduce的输入数据集 是静态的，不能动态变化。这是因为MapReduce自身 的设计特点决定了数据源必须是静态的。
3.不擅长DAG (有向图)计算
多个应用程序存在依赖关系，后一个应用程序的输入为前一一个的输出。在这种情况下，MapReduce并不是不能做，而是使用后，每个MapReduce作业的输出结果都会写入到磁盘，会造成大量的磁盘IO，导致性能非常的低下。
其核心编程思想：
1）分布式的运算程序往往需要分成至少2个阶段。
2）第一个阶段的MapTask并发实例，完全并行运行，互不相干。
3）第二个阶段的ReduceTask并发实例互不相干，但是他们的数据依赖于上一个阶段的所有MapTask并发实例的输出。
4）MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段，如果用户的业务逻辑非常复杂，那就只能多个MapReduce程序，串行运行。
总结：分析WordCount数据流走向深入理解MapReduce核心思想。
其处理的一般步骤：
用户编写的程序分成三个部分：Mapper、Reducer和Driver
（1）map阶段
用户自定义的Mapr要迷承自己的父类；
Mapper的输入数据是KV对的形式(KV的类型可自定义)；
Mapper中的业务逻 辑写在map方法中；
Mape的前出数据是KV对的形式(KV的类型可自定义)；
map(方法(MapTasb进程) 对每个<K.V>调用-次。
（2）reduce阶段
用户自定义的Reducer要继承自己的父类；
Reducet的输入数据类型对应Mappe的输出数据类型，也是KV；
Reducer的业务逻辑写在reduce方法中；
ReduceTask进程对每组相同k的<k,v>组调用一 次reduce()方法。
（3）Driver阶段
相当于YARN隼群的客户端，用于提交我们整个程序到YARN集群，提交的是封装了MapReduce程字相关运行参数的job对象。
6862
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
