国产精品爽爽久久久久,免费A片小视频,自拍偷拍视频网站,青青激情视频免费观看在线观看,国产三级网址,国产日韩欧美久久,成人理论片,中国毛片毛片毛片

◆?◆?◆ ?◆?◆

前言

數(shù)據(jù)分析崗位，的確是最近兩年最火爆、話題度最高的崗位。

根據(jù)從業(yè)經(jīng)驗、技能要求的不同，可細分為數(shù)據(jù)分析工程師、數(shù)據(jù)分析師、數(shù)據(jù)專員。

小編我特別榮幸于2017年7月份開始逐步在工作中接觸到數(shù)據(jù)分析，并且運用數(shù)據(jù)分析得到的結(jié)果來指導業(yè)務，增進業(yè)績，實現(xiàn)了公司數(shù)據(jù)化運營的短期目標。

可以說，我轉(zhuǎn)行轉(zhuǎn)的特別輕松，我是幸運的；

也可以說，我轉(zhuǎn)行轉(zhuǎn)的著實被動，我是被迫的。嘿嘿，看到這里，有沒有想打死我的沖動？！

不管怎么說，小編我現(xiàn)在非常熱愛數(shù)據(jù)分析師這份職業(yè)，也希望盡自己的一份努力與辛苦，幫助更多仍在迷茫中前行的萌新。

今天，給大家?guī)淼氖牵?/span>基于Python——“數(shù)據(jù)分析崗位”招聘情況分析！

數(shù)據(jù)分析實戰(zhàn)

今天，我們將用網(wǎng)絡爬蟲爬取過來的1193847條數(shù)據(jù)進行深度數(shù)據(jù)分析，剖析一下到底值不值得放棄現(xiàn)有的工作、成就毅然決然地轉(zhuǎn)行數(shù)據(jù)分析呢？！

數(shù)據(jù)處理

??????????異常值處理

??????????重復值處理

??????????空值處理

??????????類型轉(zhuǎn)換

數(shù)據(jù)分析

??????????崗位數(shù)量、招聘人數(shù)

????????? 所處行業(yè)、工作地點

????????? 學歷要求、薪資水平

分析報告

一、導包、讀取數(shù)據(jù)

import pandas as pd
import warningsimport numpy as npwarnings.simplefilter(action='ignore', category=FutureWarning)warnings.simplefilter(action='ignore', category=UserWarning)
import matplotlib as mltimport matplotlib.pyplot as plt
%matplotlib inline
# 讀取txt格式的數(shù)據(jù)dataset = pd.read_table(r'C:/Users/Administrator/Desktop/recruits.txt',low_memory = False)
dataset.info()# 全覽數(shù)據(jù)可以發(fā)現(xiàn)：數(shù)據(jù)缺少字段名
RangeIndex: 1193846 entries, 0 to 1193845Data columns (total 13 columns):940864          1193846 non-null int64UI              1193846 non-null object用戶界面（UI）設(shè)計      1193846 non-null object8001-10000      1193846 non-null object3-5             1193846 non-null object本科              1193846 non-null object全職              1193846 non-null object2017-11-15      1193846 non-null object1               1193846 non-null object杭州****技術(shù)有限公司    1193846 non-null object計算機軟件           1193690 non-null object20-99           1193669 non-null object杭州              1193801 non-null objectdtypes: int64(1), object(12)memory usage: 118.4+ MB
# 自定義字段名data = pd.read_table(r'C:/Users/Administrator/Desktop/recruits.txt',header = None,index_col = '序號',low_memory = False,    names =['序號','崗位職責','崗位名稱','薪資','工作時長','學歷','職業(yè)類型','發(fā)布時間','招聘人數(shù)','公司名稱','所處行業(yè)','公司規(guī)模','工作地點'])data.head()

# 自定義字段名添加成功data.info()
# resultInt64Index: 1193847 entries, 940864 to 926760Data columns (total 12 columns):崗位職責    1193847 non-null object崗位名稱    1193847 non-null object薪資      1193847 non-null object工作時長    1193847 non-null object學歷      1193847 non-null object職業(yè)類型    1193847 non-null object發(fā)布時間    1193847 non-null object招聘人數(shù)    1193847 non-null object公司名稱    1193847 non-null object所處行業(yè)    1193691 non-null object公司規(guī)模    1193670 non-null object工作地點    1193802 non-null objectdtypes: object(12)memory usage: 118.4+ MBNone
# 重置索引data = data.reset_index()data.tail()

# 獲取數(shù)據(jù)集的列名data.columns
#?resultIndex(['崗位職責', '崗位名稱', '薪資', '工作時長', '學歷', '職業(yè)類型', '發(fā)布時間', '招聘人數(shù)', '所處行業(yè)',       '公司規(guī)模', '工作地點'],      dtype='object')

? ? ??

# 轉(zhuǎn)換數(shù)據(jù)集，去掉序號，去掉公司名稱（脫敏）data = data[['崗位職責', '崗位名稱', '薪資', '工作時長', '學歷', '職業(yè)類型', '發(fā)布時間', '招聘人數(shù)','所處行業(yè)', '公司規(guī)模', '工作地點']]data.info()
# resultdata = data[['崗位職責', '崗位名稱', '薪資', '工作時長', '學歷', '職業(yè)類型', '發(fā)布時間', '招聘人數(shù)','所處行業(yè)', '公司規(guī)模', '工作地點']]
data.info()
RangeIndex: 1193847 entries, 0 to 1193846Data columns (total 11 columns):崗位職責    1193847 non-null object崗位名稱    1193847 non-null object薪資      1193847 non-null object工作時長    1193847 non-null object學歷      1193847 non-null object職業(yè)類型    1193847 non-null object發(fā)布時間    1193847 non-null object招聘人數(shù)    1193847 non-null object所處行業(yè)    1193691 non-null object公司規(guī)模    1193670 non-null object工作地點    1193802 non-null objectdtypes: object(11)memory usage: 100.2+ MB
data.head(10)

二、數(shù)據(jù)處理

# 查看數(shù)據(jù)集是否存在異常值print('最早發(fā)布時間：',data['發(fā)布時間'].unique().min(),',最晚發(fā)布時間：',data['發(fā)布時間'].unique().max())
#?可以發(fā)現(xiàn)：發(fā)布時間異常最早發(fā)布時間：1970-01-01 ,最晚發(fā)布時間：2017-11-23
# 查看異常數(shù)據(jù)data[(data['發(fā)布時間']<'2017-01-01')]

# 僅保留17年及以后的招聘信息data = data[(data['發(fā)布時間']>='2017-01-01')]
# 重復值統(tǒng)計data.duplicated().sum()
# result35950
# 去重data.drop_duplicates(inplace=True)
# 再次查看數(shù)據(jù)集情況，發(fā)現(xiàn)存在空值data.info()
# resultInt64Index: 1157827 entries, 0 to 1193846Data columns (total 11 columns):崗位職責    1157827 non-null object崗位名稱    1157827 non-null object薪資      1157827 non-null object工作時長    1157827 non-null object學歷      1157827 non-null object職業(yè)類型    1157827 non-null object發(fā)布時間    1157827 non-null object招聘人數(shù)    1157827 non-null object所處行業(yè)    1157674 non-null object公司規(guī)模    1157667 non-null object工作地點    1157796 non-null objectdtypes: object(11)memory usage: 106.0+ MB
# 空值處理：統(tǒng)計空值數(shù)量data.isnull().sum()
# result崗位職責      0崗位名稱      0薪資        0工作時長      0學歷        0職業(yè)類型      0發(fā)布時間      0招聘人數(shù)      0所處行業(yè)    153公司規(guī)模    160工作地點     31dtype: int64
# 公司規(guī)模列空值較多，可具體查看data[data['公司規(guī)模'].isnull()]

# 刪除空值data.dropna(inplace=True)
# 再次查看，發(fā)現(xiàn)所有數(shù)據(jù)都處理完畢data.info()
# resultInt64Index: 1157647 entries, 0 to 1193846Data columns (total 11 columns):崗位職責    1157647 non-null object崗位名稱    1157647 non-null object薪資      1157647 non-null object工作時長    1157647 non-null object學歷      1157647 non-null object職業(yè)類型    1157647 non-null object發(fā)布時間    1157647 non-null object招聘人數(shù)    1157647 non-null object所處行業(yè)    1157647 non-null object公司規(guī)模    1157647 non-null object工作地點    1157647 non-null objectdtypes: object(11)memory?usage:?106.0+?MB

三、數(shù)據(jù)分析

# 僅選擇數(shù)據(jù)分析師崗位進行分析，大家還可以進行數(shù)據(jù)分析專員等分析data_da = data[data['崗位名稱']=='數(shù)據(jù)分析師'].copy() # 不加copy()容易警告：SettingWithCopyWarningdata_da[ data_da['招聘人數(shù)']=='若干']    # 為了分析的方便，去掉“若干”情況

# 數(shù)據(jù)處理，重新賦值data_da.loc[ data_da['招聘人數(shù)']=='若干','招聘人數(shù)'] = 0data_da['招聘人數(shù)'].value_counts()
# result1     35313      9575      9492      9346      7224      4328      2427      16210     14512      7830      719       2920      1518      1415       760       40        225       116       113       1Name: 招聘人數(shù), dtype: int64
# 查看招聘人數(shù)data_da['招聘人數(shù)'] = data_da['招聘人數(shù)'].astype(int)grb = data_da.groupby(['工作地點']).agg({'崗位名稱':'count','招聘人數(shù)':sum}).sort_values(by = '崗位名稱',ascending = False).head(10)grb

四、可視化

# 繪圖說明不同城市對數(shù)據(jù)分析師的需求數(shù)量grb.plot(kind = 'bar',figsize=(10,5),fontsize=12)
plt.legend(['崗位數(shù)量','招聘人數(shù)'])
plt.xlabel('工作地點',fontsize=15)plt.show()

# 查看所處行業(yè)情況data['所處行業(yè)'].value_counts().head(10)
# result互聯(lián)網(wǎng)/電子商務               267519計算機軟件                  261188IT服務(系統(tǒng)/數(shù)據(jù)/維護)          95320教育/培訓/院校                94988專業(yè)服務/咨詢(財會/法律/力資源等)     52931媒體/出版/影視/文化傳播           49300基金/證券/期貨/投資             32005電子技術(shù)/半導體/集成電路           28652房地產(chǎn)/建筑/建材/工程            25118通信/電信/網(wǎng)絡設(shè)備              24828Name: 所處行業(yè), dtype: int64
# 篩選出北京地區(qū)互聯(lián)網(wǎng)公司數(shù)據(jù)分析師招聘數(shù)據(jù)subdata = data[data['所處行業(yè)'].isin(['互聯(lián)網(wǎng)/電子商務'])][(data['崗位名稱']=='數(shù)據(jù)分析師')&(data['工作地點']=='北京')]subdata.iloc[:20,:]

# 學歷因素subdata['學歷'].value_counts(normalize = True)
# result本科    0.568910碩士    0.174679大專    0.142628不限    0.113782Name: 學歷, dtype: float64
# 其他城市可能會用到-- subdata[subdata['學歷'].isin(['中專','中技'])]--?subdata.loc[(subdata['學歷']=='中專')|(subdata['學歷']=='中技'),'學歷']?=?'不限'
# 繪圖說明數(shù)據(jù)分析師對學歷的要求subdata['學歷'].value_counts(normalize = True)plt.pie(subdata['學歷'].value_counts(normalize = True),labels = ['本科','碩士','大專','不限'],autopct='%.1f%%',startangle=180)plt.show()plt.close()

#?薪資情況subdata.groupby(['學歷','工作時長'])[['薪資']].describe()

分析報告

1.本次共計處理元數(shù)據(jù)1193847條，來源于某著名求職類APP，可用于分析的數(shù)據(jù)為1157647條，所有數(shù)據(jù)發(fā)布時間均在17年，所以此分析報告代表17年數(shù)據(jù)分析師崗位情況，不過對19年、甚至20年求職的萌新具有現(xiàn)實指導意義。

2.由文中條形圖可以看出，數(shù)據(jù)分析師崗位集中在一線城市，如北京、上海、深圳、廣州；另外，西安對數(shù)據(jù)分析師的需求量是事先沒有預料到的。

3.北京地區(qū)互聯(lián)網(wǎng)行業(yè)對數(shù)據(jù)分析師的需求量最為旺盛，其次為計算機軟件、IT服務業(yè)等。

4.北京地區(qū)互聯(lián)網(wǎng)行業(yè)對數(shù)據(jù)分析師的學歷要求本科占五成多，說明學歷依然是篩選人才的門檻，不過大專學歷也可以從事數(shù)據(jù)分析，需要更多的技能加持，良好的機遇。

5.北京地區(qū)互聯(lián)網(wǎng)行業(yè)的數(shù)據(jù)分析師，相同工作年限本科、?？茖W歷的薪資水平相差不大，對于剛轉(zhuǎn)行的薪資水平基本處于8k-12k。

--------------------------------?END ----------------------------------

讀者朋友，如果您能認認真真地將文章看完，記得一定要幫嚴小樣兒點點在看，就在文章右下角。

記得掃描二維碼關(guān)注我哦，“轉(zhuǎn)行數(shù)據(jù)分析，關(guān)注我就會特別簡單”！

對您有幫助的話，記得轉(zhuǎn)發(fā)、分享朋友圈，轉(zhuǎn)行更順利~

“在看”的永遠18歲~

基于Python|“數(shù)據(jù)分析崗位”招聘情況分析！

基于Python|“數(shù)據(jù)分析崗位”招聘情況分析！