拉勾网招聘职位的数据分析 - 数据分析师职位

偏执的太偏执、 2022-05-23 07:47 239阅读 0赞

最近写了一篇关于如何抓取数据的文章，目前没有审核过，通过后再来更新。不过网上有很多关于这块技术的详细操作，只要搜索一下就能找到。

现在要说的是拿到数据后，如何处理数据，如何描述数据，如何发现数据中的信息/问题。对数据分析师来说，描述和展示数据，这是基础的一步。如何发现问题，并提出相关建议，最终能把建议落地，这一系列操作，对数据分析师才是挑战。

我只获取了北京地区的职位数据，数据如下：

![70][]

![70 1][]

一、我想分析以下几个问题：

1.职位区域分布

2.职位薪水分布

3.工作经验需求分布

4.工作经验对薪水的影响

5.职位的行业分布

6.公司福利

二、工具有jupyter notebook，python，pandas，matplotlib，jiaba，wordcloud

三、获取数据

首先要把相关的库加载进来，如下：

![70 2][]

如果数据存放在CSV文件里，那么利用pandas直接读取即可，如下：

import pandas as pd
    df = pd.read_csv(r'd:\xxx\xx.csv')

如果数据存放在MySQL数据库里，那么利用pymysql，pandas来读取，如下：

![70 3][]

四、处理数据

一共获取了450条记录，进行数据去重，然后剩下435条记录，保存在变量position\_df里。

![70 4][]

五、分析数据

1.职位区域分布

![70 5][]

![70 6][]

北京市有9个区提供数据分析人才的岗位，绝大多数岗位集中在朝阳、海淀两区，这与大量的互联网公司在这两个区聚集相匹配。有想往这方面发展的同学，可以多到这两个区尝试尝试。

2.职位薪水分布 - 网上获得的薪水多是区间范围，且有重叠，不利于量化分析，因此需要先整理规范数据格式，取区间最小数为具体薪水。

![70 7][]

![70 8][]

从招聘网站上获得数据可以看出，公司提供的最低薪水集中在10k-20k，只有少数人可以获得较高薪水，极少数人获得极高薪水，让人充满期待和向往。总之，数据分析师的薪水还是不错的，这个行业也是不错的选择。

3.工作经验需求分布 - 直接按需求经验分组，取得相应职位数量

这里有个需要处理的情况是把‘不限’，‘应届毕业生’都标成1年以下。

![70 9][]

为了方便对经验排序，按经验名制作一个字典，值是排序数。

![70 10][]

![70 11][]

工作经验属于偏正态分布，3-5年工作经验的需求量最大，其次是1-3年的熟练员工，不足1年工作经验的需求量很少，5-10年经验需求量较少。可以看出，大量职位需求集中在1-5年，且5年是瓶颈期，所以5年内要攒到足够的实力，迎接之后的挑战。

4.工作经验对薪水的影响

![70 12][]

随着工作经验的增长，数据分析师的薪水也在增长。10年内不会受到年龄的影响，这点很不错。

5.职位的行业分布

![70 13][]

![70 14][]

数据分析职位主要集中在移动互联网行业，这是个大类。子类里金融、数据服务、O2O、电子商务提供的数据分析职位较多。总之拥抱互联网肯定是没错的。

6.公司福利 - jieba分词处理，生成词云图

![70 15][]

![70 16][]

![70 17][]

说到公司诱惑，感觉大同小异。常见的有五险一金、带薪休假、节日礼物、内部培训、旅游、定期体检、年终奖等。这也说明互联网公司的福利已经觉得大家认同了。

从整个分析可以看到，数据分析师职位是一个偏年轻又保质又能持续发展的职位，，互联网公司需求量比较大(拉勾本身偏重互联网，可能这个数据不太准确)。

你准备好拥抱互联网了么，如果你选择了数据分析师职位，就在坚持中持续发展吧，加油。

[70]: /images/20220523/a85d9d82ce3849949f2c4f634e9fcc52.png
[70 1]: /images/20220523/f2adb0f3ece54c0c8e01e44188dd8a79.png
[70 2]: /images/20220523/dc19ca7eaf8b4849b98a53d42160a067.png
[70 3]: /images/20220523/aaa57a37c90144f3afe311559053f325.png
[70 4]: /images/20220523/5a3efd1a4fe64b2f983278e4ad3383ce.png
[70 5]: /images/20220523/0577732f44fd48b2964f3d2e2c97f1d8.png
[70 6]: /images/20220523/9ec7f64e7f724f59baffcffc2e70b351.png
[70 7]: /images/20220523/1b12cf10a85d42a4a5da5b36d3daad92.png
[70 8]: /images/20220523/ea88012b689c4121a31ebd019986088a.png
[70 9]: /images/20220523/8efd6e3ea8fa497d9115a165e0567a0f.png
[70 10]: /images/20220523/fd3f2345ed8245c7958ef700bfe0b893.png
[70 11]: /images/20220523/35f9dd11369c40e7add2077ffe6abe25.png
[70 12]: /images/20220523/67735bb6c82a449db7dcf8a61da0dbcc.png
[70 13]: /images/20220523/d3f463f8dc2f4229b7f333e5279df28f.png
[70 14]: /images/20220523/496fb4e9053e4f7ab09c41a7f571eb01.png
[70 15]: /images/20220523/83a31e2728214c38b4efb6d8d720cd42.png
[70 16]: /images/20220523/e11608b1abaa433e80f161b4c04d3b2b.png
[70 17]: /images/20220523/655251dc2bac44f2966ce78946616399.png