各主要城市数据分析岗位薪资水平分析

ゞ浴缸里的玫瑰 2022-10-16 11:29 323阅读 0赞

# 各主要城市数据分析岗位薪资水平分析 #

## 一、项目背景 ##

由于个人考虑转行数据分析，故通过对招聘信息数据的分析，了解该岗位的市场需求、行业分布、薪资水平，以便明确求职方向

## 二、数据获取 ##

数据来源于boss直聘网，通过爬虫采集  
采集的城市主要为一线、新一线等较为发达的城市  
爬虫代码如下：

from selenium import webdriver  
from bs4 import BeautifulSoup

driver = webdriver.Chrome(r'D:\\PycharmProjects\\python\_present\\boss直聘爬取\\chromedriver.exe')

cities = \[\{"name": "北京", "code": 101010100, "url": "/beijing/"\},  
\{"name": "上海", "code": 101020100, "url": "/shanghai/"\},  
\{"name": "广州", "code": 101280100, "url": "/guangzhou/"\},  
\{"name": "深圳", "code": 101280600, "url": "/shenzhen/"\},  
\{"name": "杭州", "code": 101210100, "url": "/hangzhou/"\},  
\{"name": "天津", "code": 101030100, "url": "/tianjin/"\},  
\{"name": "苏州", "code": 101190400, "url": "/suzhou/"\},  
\{"name": "武汉", "code": 101200100, "url": "/wuhan/"\},  
\{"name": "厦门", "code": 101230200, "url": "/xiamen/"\},  
\{"name": "长沙", "code": 101250100, "url": "/changsha/"\},  
\{"name": "成都", "code": 101270100, "url": "/chengdu/"\},  
\{"name": "郑州", "code": 101180100, "url": "/zhengzhou/"\},  
\{"name": "重庆", "code": 101040100, "url": "/chongqing/"\},  
\{"name": "青岛", "code": 101120200, "url": "/qingdao/"\},  
\{"name": "南京", "code": 101190100, "url": "/nanjing/"\}\]

for city in cities:  
urls = \['[https://www.zhipin.com/c\{\}/?query=数据分析&page=\{\}&ka=page-\{\}'.format(city\['code][https_www.zhipin.com_c_query_page_ka_page-_.format_city_code]'\], i, i) for i in  
range(1, 8)\]  
for url in urls:  
driver.get(url)  
html = driver.page\_source  
bs = BeautifulSoup(html, 'html.parser')  
job\_all = bs.find\_all('div', \{"class": "job-primary"\})  
for job in job\_all:  
position = job.find('span', \{"class": "job-name"\}).get\_text()  
address = job.find('span', \{'class': "job-area"\}).get\_text()  
company = job.find('div', \{'class': 'company-text'\}).find('h3', \{'class': "name"\}).get\_text()  
salary = job.find('span', \{'class': 'red'\}).get\_text()  
diploma = job.find('div', \{'class': 'job-limit'\}).find('p').get\_text()\[-2:\]  
experience = job.find('div', \{'class': 'job-limit'\}).find('p').get\_text()\[:-2\]  
labels = job.find('a', \{'class': 'false-link'\}).get\_text()  
with open('position.csv', 'a+', encoding='UTF-8-SIG') as f\_obj:  
f\_obj.write(position.replace(',', '、') + "," + address + "," + company + "," + salary + "," + diploma

+ "," + experience + ',' + labels + "\n")

driver.quit()

## 三、数据清洗 ##

In \[59\]:

import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    import warnings 
    from scipy.stats import norm,mode
    import re
    warnings.filterwarnings('ignore')
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['axes.unicode_minus']=False

原数据没有字段名，设置字段名：  
position：岗位名  
address：公司所在地区  
company：公司名  
salary：薪水  
diploma：学历要求  
experience：工作经验要求  
lables：行业标签

In \[60\]:

df = pd.read_csv('job.csv',header=None,names=['position','address','company','salary','diploma','experience','lables'])

查看数据整体情况

In \[61\]:

df.head()

Out\[61\]:

<table> 
 <thead> 
  <tr> 
   <th>&nbsp;</th> 
   <th>position</th> 
   <th>address</th> 
   <th>company</th> 
   <th>salary</th> 
   <th>diploma</th> 
   <th>experience</th> 
   <th>lables</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <th>0</th> 
   <td>数据分析</td> 
   <td>北京·朝阳区·亚运村</td> 
   <td>中信百信银行</td> 
   <td>25-40K·15薪</td> 
   <td>本科</td> 
   <td>5-10年</td> 
   <td>银行</td> 
  </tr> 
  <tr> 
   <th>1</th> 
   <td>数据分析</td> 
   <td>北京·朝阳区·太阳宫</td> 
   <td>BOSS直聘</td> 
   <td>25-40K·16薪</td> 
   <td>博士</td> 
   <td>1-3年</td> 
   <td>人力资源服务</td> 
  </tr> 
  <tr> 
   <th>2</th> 
   <td>数据分析</td> 
   <td>北京·朝阳区·鸟巢</td> 
   <td>京东集团</td> 
   <td>50-80K·14薪</td> 
   <td>本科</td> 
   <td>3-5年</td> 
   <td>电子商务</td> 
  </tr> 
  <tr> 
   <th>3</th> 
   <td>数据分析</td> 
   <td>北京·海淀区·清河</td> 
   <td>一亩田</td> 
   <td>15-25K</td> 
   <td>本科</td> 
   <td>3-5年</td> 
   <td>O2O</td> 
  </tr> 
  <tr> 
   <th>4</th> 
   <td>数据分析岗</td> 
   <td>北京·海淀区·西北旺</td> 
   <td>建信金科</td> 
   <td>20-40K·14薪</td> 
   <td>硕士</td> 
   <td>5-10年</td> 
   <td>银行</td> 
  </tr> 
 </tbody> 
</table>

In \[62\]:

df.shape

Out\[62\]:

(3045, 7)

In \[63\]:

df.info()

<class 'pandas.core.frame.DataFrame'>
    RangeIndex: 3045 entries, 0 to 3044
    Data columns (total 7 columns):
     #   Column      Non-Null Count  Dtype 
    ---  ------      --------------  ----- 
     0   position    3045 non-null   object
     1   address     3045 non-null   object
     2   company     3045 non-null   object
     3   salary      3045 non-null   object
     4   diploma     3045 non-null   object
     5   experience  3045 non-null   object
     6   lables      3045 non-null   object
    dtypes: object(7)
    memory usage: 83.3+ KB

发现有45行重复数据，进行删除

In \[64\]:

df.duplicated().sum()

Out\[64\]:

In \[65\]:

df.drop_duplicates(keep='first',inplace=True)

In \[66\]:

df.duplicated().sum()

Out\[66\]:

In \[67\]:

df.shape

Out\[67\]:

(3000, 7)

In \[68\]:

df.isnull().sum()

Out\[68\]:

position      0
    address       0
    company       0
    salary        0
    diploma       0
    experience    0
    lables        0
    dtype: int64

考虑到数据中有实习岗位，实习岗薪资按天算，不具有太大的参考价值，故删除包含实习的数据

In \[69\]:

#df['position'] = df['position'].astype('string')

In \[70\]:

x=df['position'].str.contains('实习')
    df=df[~x]
    df.reset_index(drop=True,inplace=True)

address列的值不规范，进行处理，全部转换为城市名

In \[71\]:

df['address']=df['address'].str[:2]

In \[72\]:

df['address'].unique()

Out\[72\]:

array(['北京', '上海', '广州', '深圳', '杭州', '天津', '苏州', '武汉', '厦门', '长沙', '成都',
           '郑州', '重庆', '青岛', '南京'], dtype=object)

观察salary列的值

In \[73\]:

df['salary'].unique()

Out\[73\]:

array(['25-40K·15薪', '25-40K·16薪', '50-80K·14薪', '15-25K', '20-40K·14薪',
           '15-30K·14薪', '20-30K', '15-25K·14薪', '40-55K·13薪', '20-35K',
           '30-55K·13薪', '20-40K·16薪', '35-40K·15薪', '45-65K', '15-30K',
           '25-50K·14薪', '25-35K·14薪', '15-25K·16薪', '15-28K·14薪', '18-28K',
           '30-50K·13薪', '20-35K·14薪', '15-28K', '20-30K·13薪', '30-50K·16薪',
           '18-30K·14薪', '18-22K·15薪', '25-45K·16薪', '13-25K', '14-25K·14薪',
           '18-35K·14薪', '25-45K·14薪', '25-40K', '15-26K·13薪', '12-24K',
           '25-45K', '20-40K', '20-30K·15薪', '15-25K·15薪', '25-40K·17薪',
           '20-30K·14薪', '18-35K', '18-27K', '30-45K', '20-40K·15薪',
           '20-30K·16薪', '25-30K·15薪', '17-27K', '28-50K·14薪', '25-35K',
           '30-60K·14薪', '30-55K', '35-60K·14薪', '15-22K', '30-50K',
           '30-50K·14薪', '40-70K', '30-60K·13薪', '25-50K·15薪', '13-26K·16薪',
           '25-50K', '12-24K·14薪', '17-25K·15薪', '18-25K·15薪', '28-40K·16薪',
           '30-40K', '28-40K·13薪', '20-25K·16薪', '30-60K·16薪', '25-30K·14薪',
           '15-30K·15薪', '25-40K·14薪', '35-65K·16薪', '30-45K·14薪',
           '20-35K·16薪', '15-30K·16薪', '35-65K·15薪', '25-26K', '20-25K',
           '25-50K·16薪', '18-35K·16薪', '18-25K·14薪', '25-30K', '19-35K',
           '12-22K·14薪', '28-45K·14薪', '18-30K', '18-25K', '15-25K·13薪',
           '15-25K·17薪', '15-30K·13薪', '40-60K·15薪', '18-30K·15薪',
           '25-40K·13薪', '25-30K·13薪', '20-35K·15薪', '18-24K', '30-60K',
           '40-70K·14薪', '18-30K·13薪', '16-25K·13薪', '20-28K·15薪',
           '15-20K·13薪', '15-20K·14薪', '12-18K', '11-20K', '20-40K·13薪',
           '14-28K', '11-17K·13薪', '15-20K', '9-14K', '12-15K', '11-22K',
           '10-15K', '12-20K', '12-17K', '9-13K·13薪', '10-15K·14薪',
           '10-15K·13薪', '7-12K·14薪', '10-11K', '6-9K', '10-12K',
           '20-25K·14薪', '8-10K·13薪', '9-13K·14薪', '7-10K', '7-10K·13薪',
           '20-35K·13薪', '25-35K·16薪', '30-40K·13薪', '30-50K·15薪',
           '30-60K·15薪', '12-20K·14薪', '28-55K', '23-45K', '8-13K',
           '30-35K·15薪', '30-45K·16薪', '15-28K·15薪', '60-90K·16薪', '40-60K',
           '30-35K', '12-24K·16薪', '16-30K·15薪', '11-15K·15薪', '15-16K',
           '6-10K·13薪', '4-8K', '5-7K', '4-6K', '4-7K', '8-13K·13薪',
           '14-20K·13薪', '18-28K·16薪', '6-8K', '35-50K', '11-18K', '6-10K',
           '25-35K·15薪', '5-10K·13薪', '8-10K', '5-10K', '12-17K·14薪',
           '11-20K·13薪', '10-13K·14薪', '8-12K', '13-25K·14薪', '11-22K·18薪',
           '28-40K·14薪', '3-6K', '12-22K', '5-8K', '9-14K·16薪', '13-20K',
           '14-20K·14薪', '15-17K·13薪', '5-6K', '6-8K·13薪', '15-17K', '3-5K',
           '6-7K·13薪', '18-35K·15薪', '3-4K', '8-13K·14薪', '8-12K·13薪',
           '7-12K·13薪', '4-5K', '9-14K·13薪', '5-9K', '12-18K·13薪',
           '20-25K·15薪', '9-11K', '8-16K', '13-23K', '14-25K', '7-12K',
           '12-15K·13薪', '3-5K·13薪', '12-24K·13薪', '16-23K', '6-10K·15薪',
           '11-16K', '7-11K', '16-22K·13薪', '10-20K', '14-22K', '60-90K',
           '30-35K·14薪', '35-50K·16薪', '13-22K·14薪', '5-8K·13薪', '10-15K·16薪',
           '5-6K·13薪', '13-25K·13薪', '8-11K', '13-26K', '16-32K', '16-28K',
           '80-110K·14薪', '9-13K', '12-16K', '21-22K', '20-40K·18薪', '16-30K',
           '30-55K·16薪', '11-16K·13薪', '70-100K·14薪', '15-22K·13薪',
           '18-25K·13薪', '20-21K', '10-15K·15薪', '9-12K', '23-45K·16薪',
           '25-50K·13薪', '25-30K·20薪', '35-50K·15薪', '30-40K·18薪',
           '40-70K·16薪', '15-26K', '14-28K·14薪', '18-22K', '35-65K', '15-21K',
           '30-55K·18薪', '12-20K·13薪', '21-35K·16薪', '15-30K·17薪', '4-9K',
           '9-14K·15薪', '20-40K·17薪', '18-36K', '6-8K·15薪', '4-6K·13薪',
           '25-35K·13薪', '16-30K·14薪', '22-27K', '11-18K·13薪', '18-26K',
           '28-50K·13薪', '35-40K', '20-24K', '17-25K', '13-21K·13薪',
           '12-20K·17薪', '12-24K·15薪', '15-22K·14薪', '12-18K·15薪',
           '30-50K·18薪', '8-13K·15薪', '65-95K', '24-38K', '6-11K·13薪',
           '6-11K', '9-15K', '11-15K', '7-8K', '8-9K', '2-5K', '7-11K·13薪',
           '6-7K', '4-8K·13薪', '3-4K·13薪', '3-7K', '12-13K·13薪', '12-17K·15薪',
           '7-9K', '14-28K·13薪', '8-15K', '9-11K·13薪', '10-12K·13薪', '8-14K',
           '12-18K·14薪', '4-5K·13薪', '9-14K·14薪', '12-16K·13薪', '5-8K·15薪',
           '5-10K·14薪', '11-20K·14薪', '12-20K·15薪', '17-30K·15薪', '6-9K·14薪',
           '15-18K·13薪', '40-70K·13薪', '11-22K·14薪', '12-22K·15薪', '15-23K',
           '18-23K', '14-28K·15薪', '35-50K·14薪', '50-80K', '13-20K·15薪',
           '15-20K·15薪', '6-8K·14薪', '17-30K', '7-8K·13薪', '10-13K',
           '4-6K·14薪', '2-4K', '6-12K', '6-11K·14薪', '10-13K·13薪',
           '8-12K·14薪', '5-7K·13薪', '35-50K·13薪', '11-12K', '4-5K·14薪',
           '10-13K·15薪', '27-40K', '16-25K·14薪', '12-22K·13薪', '11-22K·13薪',
           '5-9K·13薪', '13-21K', '13-17K', '11-20K·15薪', '11-19K', '14-18K',
           '11-20K·17薪', '3-8K', '13-18K', '10-20K·18薪', '8-11K·13薪',
           '45-60K·15薪', '13-26K·14薪', '13-20K·14薪', '15-16K·13薪',
           '11-18K·14薪', '2-6K', '8-10K·14薪', '3-5K·14薪', '2-3K',
           '10-11K·16薪', '18-20K', '12-13K', '12-13K·15薪', '2-7K',
           '8-12K·15薪', '15-30K·18薪', '6-7K·14薪', '5-8K·16薪', '18-22K·18薪',
           '11-16K·15薪', '15-25K·20薪', '18-35K·13薪', '14-20K', '13-16K',
           '4-7K·13薪', '10-12K·15薪', '7-14K', '12-14K', '3-7K·13薪',
           '7-10K·14薪', '22-40K', '4-6K·15薪', '15-24K', '13-22K·16薪',
           '26-50K', '10-18K', '6-9K·13薪', '14-15K·14薪', '9-10K', '3-6K·13薪',
           '4-9K·13薪', '16-20K·13薪', '12-23K', '1-4K', '11-16K·14薪',
           '13-18K·13薪', '12-15K·15薪', '20-28K·13薪', '6-10K·14薪',
           '12-17K·13薪', '13-15K', '13-14K', '11-20K·16薪', '50-60K',
           '5-7K·14薪', '10-15K·17薪', '13-20K·13薪', '4-9K·14薪', '17-34K',
           '20-25K·19薪'], dtype=object)

将薪资列的值进行拆分，新增bottom，top两列，作为一个岗位薪资的最低值和最高值

In \[74\]:

df['bottom']=df['salary'].str.extract('^(\d+).*')

In \[75\]:

df['top']=df['salary'].str.extract('^.*?-(\d+).*')

有些公司的薪资是单个值，则用bottom列的值填充top列

In \[76\]:

df['top'].fillna(df['bottom'],inplace=True)

In \[77\]:

Out\[77\]:

<table> 
 <thead> 
  <tr> 
   <th>&nbsp;</th> 
   <th>position</th> 
   <th>address</th> 
   <th>company</th> 
   <th>salary</th> 
   <th>diploma</th> 
   <th>experience</th> 
   <th>lables</th> 
   <th>bottom</th> 
   <th>top</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <th>0</th> 
   <td>数据分析</td> 
   <td>北京</td> 
   <td>中信百信银行</td> 
   <td>25-40K·15薪</td> 
   <td>本科</td> 
   <td>5-10年</td> 
   <td>银行</td> 
   <td>25</td> 
   <td>40</td> 
  </tr> 
  <tr> 
   <th>1</th> 
   <td>数据分析</td> 
   <td>北京</td> 
   <td>BOSS直聘</td> 
   <td>25-40K·16薪</td> 
   <td>博士</td> 
   <td>1-3年</td> 
   <td>人力资源服务</td> 
   <td>25</td> 
   <td>40</td> 
  </tr> 
  <tr> 
   <th>2</th> 
   <td>数据分析</td> 
   <td>北京</td> 
   <td>京东集团</td> 
   <td>50-80K·14薪</td> 
   <td>本科</td> 
   <td>3-5年</td> 
   <td>电子商务</td> 
   <td>50</td> 
   <td>80</td> 
  </tr> 
  <tr> 
   <th>3</th> 
   <td>数据分析</td> 
   <td>北京</td> 
   <td>一亩田</td> 
   <td>15-25K</td> 
   <td>本科</td> 
   <td>3-5年</td> 
   <td>O2O</td> 
   <td>15</td> 
   <td>25</td> 
  </tr> 
  <tr> 
   <th>4</th> 
   <td>数据分析岗</td> 
   <td>北京</td> 
   <td>建信金科</td> 
   <td>20-40K·14薪</td> 
   <td>硕士</td> 
   <td>5-10年</td> 
   <td>银行</td> 
   <td>20</td> 
   <td>40</td> 
  </tr> 
  <tr> 
   <th>...</th> 
   <td>...</td> 
   <td>...</td> 
   <td>...</td> 
   <td>...</td> 
   <td>...</td> 
   <td>...</td> 
   <td>...</td> 
   <td>...</td> 
   <td>...</td> 
  </tr> 
  <tr> 
   <th>2921</th> 
   <td>助理数据分析员</td> 
   <td>南京</td> 
   <td>万得</td> 
   <td>4-6K</td> 
   <td>本科</td> 
   <td>经验不限</td> 
   <td>数据服务</td> 
   <td>4</td> 
   <td>6</td> 
  </tr> 
  <tr> 
   <th>2922</th> 
   <td>数据分析师（经济）</td> 
   <td>南京</td> 
   <td>万得</td> 
   <td>4-6K</td> 
   <td>本科</td> 
   <td>经验不限</td> 
   <td>数据服务</td> 
   <td>4</td> 
   <td>6</td> 
  </tr> 
  <tr> 
   <th>2923</th> 
   <td>（金融）数据分析员</td> 
   <td>南京</td> 
   <td>万得</td> 
   <td>4-6K</td> 
   <td>本科</td> 
   <td>经验不限</td> 
   <td>数据服务</td> 
   <td>4</td> 
   <td>6</td> 
  </tr> 
  <tr> 
   <th>2924</th> 
   <td>数据分析员</td> 
   <td>南京</td> 
   <td>万得</td> 
   <td>4-6K</td> 
   <td>本科</td> 
   <td>1年以内</td> 
   <td>数据服务</td> 
   <td>4</td> 
   <td>6</td> 
  </tr> 
  <tr> 
   <th>2925</th> 
   <td>助理数据分析员</td> 
   <td>南京</td> 
   <td>万得</td> 
   <td>4-8K</td> 
   <td>本科</td> 
   <td>经验不限</td> 
   <td>数据服务</td> 
   <td>4</td> 
   <td>8</td> 
  </tr> 
 </tbody> 
</table>

2926 rows × 9 columns

有些公司有标明年终奖，如14薪等，故新增一列commission\_pct作为奖金率，并计算每个岗位的奖金率

In \[78\]:

df['commision_pct']=df['salary'].str.extract('^.*?·(\d{2})薪')
    df['commision_pct'].fillna(12,inplace=True)
    df['commision_pct']=df['commision_pct'].astype('float64')
    df['commision_pct']=df['commision_pct']/12

将bottom，top，commission\_\_pct列转换为数值形式，并以此计算出每个岗位的平均薪资作为新增列avg\_salary

In \[79\]:

df['bottom'] = df['bottom'].astype('int64')
    df['top'] = df['top'].astype('int64')
    df['avg_salary'] = (df['bottom']+df['top'])/2*df['commision_pct']
    df['avg_salary'] = df['avg_salary'].astype('int64')

In \[80\]:

df.head()

Out\[80\]:

<table> 
 <thead> 
  <tr> 
   <th>&nbsp;</th> 
   <th>position</th> 
   <th>address</th> 
   <th>company</th> 
   <th>salary</th> 
   <th>diploma</th> 
   <th>experience</th> 
   <th>lables</th> 
   <th>bottom</th> 
   <th>top</th> 
   <th>commision_pct</th> 
   <th>avg_salary</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <th>0</th> 
   <td>数据分析</td> 
   <td>北京</td> 
   <td>中信百信银行</td> 
   <td>25-40K·15薪</td> 
   <td>本科</td> 
   <td>5-10年</td> 
   <td>银行</td> 
   <td>25</td> 
   <td>40</td> 
   <td>1.250000</td> 
   <td>40</td> 
  </tr> 
  <tr> 
   <th>1</th> 
   <td>数据分析</td> 
   <td>北京</td> 
   <td>BOSS直聘</td> 
   <td>25-40K·16薪</td> 
   <td>博士</td> 
   <td>1-3年</td> 
   <td>人力资源服务</td> 
   <td>25</td> 
   <td>40</td> 
   <td>1.333333</td> 
   <td>43</td> 
  </tr> 
  <tr> 
   <th>2</th> 
   <td>数据分析</td> 
   <td>北京</td> 
   <td>京东集团</td> 
   <td>50-80K·14薪</td> 
   <td>本科</td> 
   <td>3-5年</td> 
   <td>电子商务</td> 
   <td>50</td> 
   <td>80</td> 
   <td>1.166667</td> 
   <td>75</td> 
  </tr> 
  <tr> 
   <th>3</th> 
   <td>数据分析</td> 
   <td>北京</td> 
   <td>一亩田</td> 
   <td>15-25K</td> 
   <td>本科</td> 
   <td>3-5年</td> 
   <td>O2O</td> 
   <td>15</td> 
   <td>25</td> 
   <td>1.000000</td> 
   <td>20</td> 
  </tr> 
  <tr> 
   <th>4</th> 
   <td>数据分析岗</td> 
   <td>北京</td> 
   <td>建信金科</td> 
   <td>20-40K·14薪</td> 
   <td>硕士</td> 
   <td>5-10年</td> 
   <td>银行</td> 
   <td>20</td> 
   <td>40</td> 
   <td>1.166667</td> 
   <td>35</td> 
  </tr> 
 </tbody> 
</table>

In \[81\]:

cols=list(df)
    cols.insert(4,cols.pop(cols.index('bottom')))
    cols.insert(5,cols.pop(cols.index('top')))
    cols.insert(6,cols.pop(cols.index('commision_pct')))
    cols.insert(7,cols.pop(cols.index('avg_salary')))
    df=df.loc[:,cols]
    df

Out\[81\]:

<table> 
 <thead> 
  <tr> 
   <th>&nbsp;</th> 
   <th>position</th> 
   <th>address</th> 
   <th>company</th> 
   <th>salary</th> 
   <th>bottom</th> 
   <th>top</th> 
   <th>commision_pct</th> 
   <th>avg_salary</th> 
   <th>diploma</th> 
   <th>experience</th> 
   <th>lables</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <th>0</th> 
   <td>数据分析</td> 
   <td>北京</td> 
   <td>中信百信银行</td> 
   <td>25-40K·15薪</td> 
   <td>25</td> 
   <td>40</td> 
   <td>1.250000</td> 
   <td>40</td> 
   <td>本科</td> 
   <td>5-10年</td> 
   <td>银行</td> 
  </tr> 
  <tr> 
   <th>1</th> 
   <td>数据分析</td> 
   <td>北京</td> 
   <td>BOSS直聘</td> 
   <td>25-40K·16薪</td> 
   <td>25</td> 
   <td>40</td> 
   <td>1.333333</td> 
   <td>43</td> 
   <td>博士</td> 
   <td>1-3年</td> 
   <td>人力资源服务</td> 
  </tr> 
  <tr> 
   <th>2</th> 
   <td>数据分析</td> 
   <td>北京</td> 
   <td>京东集团</td> 
   <td>50-80K·14薪</td> 
   <td>50</td> 
   <td>80</td> 
   <td>1.166667</td> 
   <td>75</td> 
   <td>本科</td> 
   <td>3-5年</td> 
   <td>电子商务</td> 
  </tr> 
  <tr> 
   <th>3</th> 
   <td>数据分析</td> 
   <td>北京</td> 
   <td>一亩田</td> 
   <td>15-25K</td> 
   <td>15</td> 
   <td>25</td> 
   <td>1.000000</td> 
   <td>20</td> 
   <td>本科</td> 
   <td>3-5年</td> 
   <td>O2O</td> 
  </tr> 
  <tr> 
   <th>4</th> 
   <td>数据分析岗</td> 
   <td>北京</td> 
   <td>建信金科</td> 
   <td>20-40K·14薪</td> 
   <td>20</td> 
   <td>40</td> 
   <td>1.166667</td> 
   <td>35</td> 
   <td>硕士</td> 
   <td>5-10年</td> 
   <td>银行</td> 
  </tr> 
  <tr> 
   <th>...</th> 
   <td>...</td> 
   <td>...</td> 
   <td>...</td> 
   <td>...</td> 
   <td>...</td> 
   <td>...</td> 
   <td>...</td> 
   <td>...</td> 
   <td>...</td> 
   <td>...</td> 
   <td>...</td> 
  </tr> 
  <tr> 
   <th>2921</th> 
   <td>助理数据分析员</td> 
   <td>南京</td> 
   <td>万得</td> 
   <td>4-6K</td> 
   <td>4</td> 
   <td>6</td> 
   <td>1.000000</td> 
   <td>5</td> 
   <td>本科</td> 
   <td>经验不限</td> 
   <td>数据服务</td> 
  </tr> 
  <tr> 
   <th>2922</th> 
   <td>数据分析师（经济）</td> 
   <td>南京</td> 
   <td>万得</td> 
   <td>4-6K</td> 
   <td>4</td> 
   <td>6</td> 
   <td>1.000000</td> 
   <td>5</td> 
   <td>本科</td> 
   <td>经验不限</td> 
   <td>数据服务</td> 
  </tr> 
  <tr> 
   <th>2923</th> 
   <td>（金融）数据分析员</td> 
   <td>南京</td> 
   <td>万得</td> 
   <td>4-6K</td> 
   <td>4</td> 
   <td>6</td> 
   <td>1.000000</td> 
   <td>5</td> 
   <td>本科</td> 
   <td>经验不限</td> 
   <td>数据服务</td> 
  </tr> 
  <tr> 
   <th>2924</th> 
   <td>数据分析员</td> 
   <td>南京</td> 
   <td>万得</td> 
   <td>4-6K</td> 
   <td>4</td> 
   <td>6</td> 
   <td>1.000000</td> 
   <td>5</td> 
   <td>本科</td> 
   <td>1年以内</td> 
   <td>数据服务</td> 
  </tr> 
  <tr> 
   <th>2925</th> 
   <td>助理数据分析员</td> 
   <td>南京</td> 
   <td>万得</td> 
   <td>4-8K</td> 
   <td>4</td> 
   <td>8</td> 
   <td>1.000000</td> 
   <td>6</td> 
   <td>本科</td> 
   <td>经验不限</td> 
   <td>数据服务</td> 
  </tr> 
 </tbody> 
</table>

2926 rows × 11 columns

再次查看数据，发现极端异常值，月薪1000和月薪10万  
这些极端值数量都很少，剔除月薪小于2000大于55000的数据

In \[82\]:

df.describe()

Out\[82\]:

<table> 
 <thead> 
  <tr> 
   <th>&nbsp;</th> 
   <th>bottom</th> 
   <th>top</th> 
   <th>commision_pct</th> 
   <th>avg_salary</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <th>count</th> 
   <td>2926.000000</td> 
   <td>2926.000000</td> 
   <td>2926.000000</td> 
   <td>2926.000000</td> 
  </tr> 
  <tr> 
   <th>mean</th> 
   <td>11.980861</td> 
   <td>20.058442</td> 
   <td>1.057929</td> 
   <td>17.056391</td> 
  </tr> 
  <tr> 
   <th>std</th> 
   <td>7.841004</td> 
   <td>13.824406</td> 
   <td>0.100427</td> 
   <td>12.582388</td> 
  </tr> 
  <tr> 
   <th>min</th> 
   <td>1.000000</td> 
   <td>3.000000</td> 
   <td>1.000000</td> 
   <td>2.000000</td> 
  </tr> 
  <tr> 
   <th>25%</th> 
   <td>6.000000</td> 
   <td>9.000000</td> 
   <td>1.000000</td> 
   <td>7.000000</td> 
  </tr> 
  <tr> 
   <th>50%</th> 
   <td>10.000000</td> 
   <td>15.000000</td> 
   <td>1.000000</td> 
   <td>13.000000</td> 
  </tr> 
  <tr> 
   <th>75%</th> 
   <td>15.000000</td> 
   <td>30.000000</td> 
   <td>1.083333</td> 
   <td>23.000000</td> 
  </tr> 
  <tr> 
   <th>max</th> 
   <td>80.000000</td> 
   <td>110.000000</td> 
   <td>1.666667</td> 
   <td>110.000000</td> 
  </tr> 
 </tbody> 
</table>

In \[83\]:

df=df[(df.avg_salary>2)&(df.avg_salary<55)]

In \[84\]:

df['diploma'].unique()

Out\[84\]:

array(['本科', '博士', '硕士', '不限', '大专', '高中', '中技'], dtype=object)

对experience列进行清洗

In \[85\]:

df['experience'].unique()

Out\[85\]:

array(['5-10年', '1-3年', '3-5年', '经验不限', '5-10年学历', '3-5年学历', '经验不限学历',
           '在校/应届', '1-3年学历', '1年以内', '10年以上', '1年以内学历', '1-3年中专/', '经验不限中专/',
           '1年以内中专/'], dtype=object)

In \[86\]:

df['experience'].replace('5-10年学历','5-10年',inplace=True)
    df['experience'].replace('3-5年学历','3-5年',inplace=True)
    df['experience'].replace('经验不限学历','经验不限',inplace=True)
    df['experience'].replace('1-3年学历','1-3年',inplace=True)
    df['experience'].replace('1年以内学历','1年以内',inplace=True)
    df['experience'].replace('经验不限中专/','经验不限',inplace=True)
    df['experience'].replace('1年以内中专/','1年以内',inplace=True)
    df['experience'].replace('1-3年中专/','1-3年',inplace=True)
    df['experience'].unique()

Out\[86\]:

array(['5-10年', '1-3年', '3-5年', '经验不限', '在校/应届', '1年以内', '10年以上'],
          dtype=object)

In \[87\]:

df['diploma'].unique()

Out\[87\]:

array(['本科', '博士', '硕士', '不限', '大专', '高中', '中技'], dtype=object)

In \[88\]:

df['diploma'].value_counts()

Out\[88\]:

本科    2153
    大专     487
    硕士     142
    不限      74
    中技      10
    高中       8
    博士       6
    Name: diploma, dtype: int64

In \[89\]:

pd.set_option('max_row',100)

观察lables列，对数量较少且为传统行业的数据归入其他行业

In \[90\]:

df['lables'].value_counts()

Out\[90\]:

互联网            729
    计算机软件          285
    移动互联网          269
    电子商务           247
    数据服务           111
    互联网金融           87
    游戏              80
    在线教育            75
    生活服务            72
    O2O             69
    医疗健康            68
    贸易/进出口          52
    其他行业            49
    企业服务            46
    银行              43
    物流/仓储           39
    通信/网络设备         30
    信息安全            29
    批发/零售           29
    智能硬件            26
    环保              25
    服装/纺织/皮革        25
    咨询              24
    食品/饮料/烟酒        21
    新零售             21
    培训机构            20
    广告营销            18
    计算机服务           17
    人力资源服务          17
    社交网络            16
    工程施工            15
    家具/家电/家居        15
    广告/公关/会展        13
    医疗/护理/卫生        13
    电子/半导体/集成电路     12
    其他服务业            9
    旅游               9
    餐饮               9
    汽车生产             9
    交通/运输            9
    证券/期货            8
    制药               7
    医疗设备/器械          7
    仪器仪表/工业自动化       6
    其他专业服务           6
    投资/融资            6
    日化               6
    机械设备/机电/重工       6
    新能源              6
    文化/体育/娱乐         5
    房地产开发            5
    装修装饰             4
    音乐/视频/阅读         4
    检测/认证            3
    学术/科研            3
    运营商/增值服务         3
    农/林/牧/渔          3
    地产经纪/中介          3
    租赁/拍卖/典当/担保      3
    基金               2
    4S店/后市场          2
    美容/美发            2
    汽车零部件            2
    电力/热力/燃气/水利      2
    建筑设计             2
    建材               2
    专利/商标/知识产权       2
    分类信息             2
    物业服务             2
    计算机硬件            2
    酒店               2
    印刷/包装/造纸         1
    玩具/礼品            1
    石油/石化            1
    政府/公共事业          1
    化工               1
    广播/影视            1
    非盈利机构            1
    能源/化工/环保         1
    媒体               1
    法律               1
    Name: lables, dtype: int64

In \[91\]:

df.loc[~df['lables'].isin(['互联网','计算机软件','移动互联网','电子商务','数据服务',
                               '互联网金融','游戏','在线教育','生活服务','O2O','医疗健康','贸易/进出口','企业服务','银行']),'lables']='其他行业'

In \[92\]:

df['lables'].value_counts()

Out\[92\]:

互联网       729
    其他行业      647
    计算机软件     285
    移动互联网     269
    电子商务      247
    数据服务      111
    互联网金融      87
    游戏         80
    在线教育       75
    生活服务       72
    O2O        69
    医疗健康       68
    贸易/进出口     52
    企业服务       46
    银行         43
    Name: lables, dtype: int64

## 四、可视化及简要分析 ##

In \[99\]:

df.avg_salary.groupby(df['address']).agg(['mean','median']).plot.bar(figsize=(16,8))

Out\[99\]:

<AxesSubplot:xlabel='address'>

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDAxNTY2OQ_size_16_color_FFFFFF_t_70][]

通过上图，可以发现各个城市的均值与中位数差距不大，但是城市之间区别非常大  
北上深杭这四个城市的工资水平远远高于其他城市，广州苏州稍为靠后  
靠前的这几个城市也是全国经济最为发达的几个城市，而且都发布在东部  
中部城市薪资水平普遍低一些

In \[108\]:

fig=plt.figure(figsize=(12,6),dpi=80)
    plt.hist(df['avg_salary'],bins=30,color='#f59311',alpha=0.3,edgecolor='k')
    plt.ylabel('岗位数',fontsize=15)
    plt.xlabel('薪资',fontsize=15)
    plt.xticks(list(range(0,60,5)))
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDAxNTY2OQ_size_16_color_FFFFFF_t_70][]

通过上图可以观察到，从总体来看，这个岗位少部分人拿着极高的工资  
他们拉高了整个岗位的平均水平  
月薪一万至两万的岗位不在少数  
然而四千至五千的岗位居然是最多的，那么这些岗位主要是分布在哪些地区或行业呢，下面尝试进行分析

In \[128\]:

plt.figure(figsize=(16,16),dpi=80)
    plt.subplot(121)
    temp = df[df.avg_salary<10].groupby('address').avg_salary.count()
    plt.pie(temp,labels=temp.index,autopct='% .2f%%')
    plt.legend()
    plt.title('薪资小于6K各城市占比')
    plt.subplot(122)
    temp = df[df.avg_salary>10].groupby('address').avg_salary.count()
    plt.pie(temp,labels=temp.index,autopct='% .2f%%')
    plt.title('薪资大于6K各城市占比')
    plt.legend()

Out\[128\]:

<matplotlib.legend.Legend at 0x26166178>

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDAxNTY2OQ_size_16_color_FFFFFF_t_70 1][]

从以上饼图可以看到，各城市间薪资水平差异非常大，薪资水平小于6k的岗位主要集中分布于重庆、郑州、成都、武汉等中西部城市；而北上广深杭等城市基本不存在薪资水平小于6K的情况；而薪资水平大于6K的岗位分布区别则非常明显，北上广深杭的所占比重直接升至10%以上，重庆、郑州、成都、武汉等城市所占比重则减少到3%左右，由此可见，低薪岗位主要分布于中西部城市。

In \[37\]:

data1=df[df.address=='北京']['avg_salary']
    data2=df[df.address=='上海']['avg_salary']
    data3=df[df.address=='广州']['avg_salary']
    data4=df[df.address=='深圳']['avg_salary']
    data5=df[df.address=='杭州']['avg_salary']
    plt.figure(figsize=(12,6),dpi=80)
    plt.boxplot([data1,data2,data3,data4,data5],labels=['北京','上海','广州','深圳','杭州'], 
                flierprops={'marker':'o','markerfacecolor':'r','color':'k'},
                patch_artist=True,boxprops={'color':'k','facecolor':'#FFFACD'})
    ax=plt.gca()
    ax.patch.set_facecolor('#FFFAFA')
    ax.patch.set_alpha(0.8)
    plt.title('主要城市薪资水平箱线图',fontsize=15)
    plt.ylabel('薪资(单位：k)',fontsize=12)
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDAxNTY2OQ_size_16_color_FFFFFF_t_70][]

选取薪资水平较高的五个城市进行分析  
可以发现，北京的薪资水平是最高的，无论是最低值还是最高值，而且均分布在较高的水平  
相对来说，杭州上海深圳两级分化最为严重

In \[38\]:

d = df['avg_salary'].groupby(df['diploma'])
    d_avg = d.mean()
    c = list(d_avg.index)
    v = list(range(1,len(c)+1))
    w = d_avg.values.astype('int64')
    x = d.median().values.astype('int64')
    move = 0.4
    plt.figure(figsize=(14,8),dpi=80)
    plt.bar(v,w,width=move,color='#eed777')
    plt.bar([i+move for i in v],x,width=move,color='#334f65')
    a = np.arange(0,7)+1.2
    plt.xticks(a,c)
    plt.yticks(list(range(0,40,5)))
    plt.legend(['均值','中位数'])
    plt.title('各学历薪资均值及中位数比较图',fontsize=16)
    plt.xlabel('学历',fontsize = 12)
    plt.ylabel('薪资(单位K)',fontsize = 12)
    for e,f in zip(v,w):
        plt.text(e,f,'{}k'.format(f),ha='center',fontsize=12)
    for g,h in zip([i+move for i in v],x):
        plt.text(g,h,'{}k'.format(h),ha='center',fontsize=12)
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDAxNTY2OQ_size_16_color_FFFFFF_t_70][]

从学历方面来看，本科是一个分水岭  
是否是本科，对薪资水平的影响还是很大的  
而本科与硕士之间并没有特别大的差距  
博士的薪资水平远远高于其他学历

In \[39\]:

data = df['diploma'].value_counts()
    y=data.values
    plt.figure(figsize=(10,10),dpi=80)
    plt.pie(y,labels=data.index,autopct='%.1f %%')
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDAxNTY2OQ_size_16_color_FFFFFF_t_70 2][]

从市场需求来看，要求本科占据绝大多数  
该岗位对学历的门槛并不是很高，要求硕士的较少，而博士则是凤毛麟角  
不过这也从侧面反映了社会上学历的分布状况，本科生及大专生占绝对多数  
虽然市场需求量大，但是本科生就业压力也很大

In \[40\]:

d = df['avg_salary'].groupby(df['experience'])
    d_avg = d.mean()
    c = list(d_avg.index)
    v = list(range(1,len(c)+1))
    w = d_avg.values.astype('int64')
    x = d.median().values.astype('int64')
    move = 0.4
    plt.figure(figsize=(14,8),dpi=80)
    plt.bar(v,w,width=move,color='#002c53')
    plt.bar([i+move for i in v],x,width=move,color='#0c84c6')
    a = np.arange(0,7)+1.2
    plt.xticks(a,c)
    plt.yticks(list(range(0,40,5)))
    plt.legend(['均值','中位数'])
    plt.title('各工作年限薪资均值及中位数比较图',fontsize=16)
    plt.xlabel('工作经验',fontsize = 12)
    plt.ylabel('薪资(单位K)',fontsize = 12)
    for e,f in zip(v,w):
        plt.text(e,f,'{}k'.format(f),ha='center',fontsize=12)
    for g,h in zip([i+move for i in v],x):
        plt.text(g,h,'{}k'.format(h),ha='center',fontsize=12)
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDAxNTY2OQ_size_16_color_FFFFFF_t_70 2][]

应届生的工资还是比较低的，和工作经验一年内的差距并不大  
但是随着工作年限的增加，迈过3年工作经验这个门槛，工资水平将直线上升  
说明这个岗位是一个需要累积丰富经验的岗位

In \[41\]:

data = df['experience'].value_counts()
    y=data.values
    plt.figure(figsize=(10,10),dpi=80)
    plt.pie(y,labels=data.index,autopct='%.1f %%')
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDAxNTY2OQ_size_16_color_FFFFFF_t_70 2][]

我们发现，市场上对于工作经验的要求还是很强烈的  
1-5年的经验要求占绝大多数  
而应届生和10年以上的需求则非常少  
工作经验是入职成功与否的关键因素

In \[42\]:

d = df['avg_salary'].groupby(df['lables'])
    d_avg = d.mean()
    c = list(d_avg.index)
    v = list(range(1,len(c)+1))
    w = d_avg.values.astype('int64')
    x = d.median().values.astype('int64')
    move = 0.4
    plt.figure(figsize=(14,8),dpi=80)
    plt.bar(v,w,width=move,color='#9de0ff')
    plt.bar([i+move for i in v],x,width=move,color='#ffa897')
    a = np.arange(0,15)+1.3
    plt.xticks(a,c)
    plt.yticks(list(range(0,40,5)))
    plt.legend(['均值','中位数'])
    plt.title('各行业薪资均值及中位数比较图',fontsize=16)
    plt.xlabel('行业',fontsize = 12)
    plt.ylabel('薪资(单位K)',fontsize = 12)
    for e,f in zip(v,w):
        plt.text(e,f,'{}k'.format(f),ha='center',fontsize=12)
    for g,h in zip([i+move for i in v],x):
        plt.text(g,h,'{}k'.format(h),ha='center',fontsize=12)
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDAxNTY2OQ_size_16_color_FFFFFF_t_70 2][]

通过上图及下图我们可以发现，互联网行业和电子商务对该岗位的需求非常大，同时薪资水平相比于其他行业也高了很多  
而其他传统行业相对来说，无论是需求量还是薪资水平，都低一些

In \[43\]:

data = df['lables'].value_counts()
    y=data.values
    plt.figure(figsize=(10,10),dpi=80)
    plt.pie(y,labels=data.index,autopct='%.1f %%')
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDAxNTY2OQ_size_16_color_FFFFFF_t_70 3][]

通过以上简要分析，可以发现，如果要成功转行，应该往北上广深行这几个城市考虑，这些城市的薪资水平高  
而行业方面应该着眼于互联网及电子商务等新兴行业，这些行业对该岗位的需求都比较大，而且薪资水平也普遍高  
工作经验对于该岗位而言非常重要，能否成功转行的关键门槛在于是否有工作经验，与薪资水平呈正相关  
而转行成功以后，只有在迈过3年这个坎，才会有比较大的突破。

**本章相关数据可以自行通过数据爬取部分引导进行获取保存，若有需要job.csv数据集的伙伴，也欢迎在当下留言or私信我哈！感谢支持，互相共勉！**

[https_www.zhipin.com_c_query_page_ka_page-_.format_city_code]: https://www.zhipin.com/c%7B%7D/?query=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&page=%7B%7D&ka=page-%7B%7D%27.format%28city%5B%27code
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDAxNTY2OQ_size_16_color_FFFFFF_t_70]: /images/20221014/4c93f7ac9781432aa786103a88588c8a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDAxNTY2OQ_size_16_color_FFFFFF_t_70 1]: /images/20221014/90bfc75fcdc14516a9b7db9be5ac678b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDAxNTY2OQ_size_16_color_FFFFFF_t_70 2]: /images/20221014/c21be19806da44ce845a6da472b878db.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDAxNTY2OQ_size_16_color_FFFFFF_t_70 3]: /images/20221014/6506cad185c544b48d4a5d826993a504.png