数据分析与处理

数据预处理

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

plt.rcParams['font.sans-serif']=['Simhei']#用来显示汉字
plt.rcParams['axes.unicode_minus']=False #用来显示负号

df=pd.read_excel('D:\\大学\\2020数据处理综合实训\\数据处理综合实训\jobs.xls')

数据分析

PYTHON

df1=df[df['job']=='python']
df1
id positionID positionName longitude latitude workYear education salary city jobNature ... industryField companyShortName companySize companyLabelList positionAdvantage label_2 label_3 label_4 job district
0 1 1 python 113.264434 23.129162 1-3年 本科 10-15K 广州 全职 ... 消费生活 省省回头车 150-500人 “五险一金 年底双薪” Golang GO NaN NaN python 广州
1 2 2 python 113.264434 23.129162 3-5年 本科 15-25K 广州 全职 ... 消费生活 省省回头车 150-500人 “五险一金 年底双薪” Golang GO NaN NaN python 广州
2 3 3 Python开发工程师 113.264434 23.129162 1-3年 本科 15-25K 广州 全职 ... 移动互联网 悦谦科技 50-150人 “双休，发展空间大，团队氛围好，扁平化管理” 金融 Python 数据挖掘 图像算法 python 广州
3 4 4 Python开发工程师 113.264434 23.129162 3-5年 本科 15-25K 广州 全职 ... 移动互联网 悦谦科技 50-150人 “双休 扁平化管理 发展平台好 团队氛围好” 移动互联网 互联网金融 Python NaN python 广州
4 5 5 python开发工程师 113.264434 23.129162 1-3年 大专 10-15K 广州 全职 ... 移动互联网 广州游爱 500-2000人 “双休,五险一金,包三餐,年底双薪” 后端 Python NaN NaN python 广州
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
38210 38211 38211 高级Python开发工程师 121.473701 31.230416 3-5年 本科 25K以上 上海 全职 ... 企业服务 CloudChef 50-150人 “带薪年假,五险一金,团建旅游,补充公积金” Python Linux/Unix MySQL 云计算 python 上海
38211 38212 38212 中级Python开发工程师 121.473701 31.230416 3-5年 本科 15-25K 上海 全职 ... 移动互联网 NextTao 互道信息 50-150人 “技术氛围浓郁 团队氛围轻松 发展空间大” 新零售 企业服务 后端 分布式 python 上海
38212 38213 38213 Python高级开发工程师 121.473701 31.230416 3-5年 本科 25K以上 上海 全职 ... 移动互联网 NextTao 互道信息 50-150人 “互联网零售革命的推动者” 新零售 Python NaN NaN python 上海
38213 38214 38214 Python开发工程师 120.155070 30.274084 3-5年 本科 15-25K 杭州 全职 ... 移动互联网 智云健康 500-2000人 “前景行业，待遇丰厚” python爬虫 NaN NaN NaN python 杭州
38214 38215 38215 Python开发工程师（兼职） 113.264434 23.129162 应届 本科 5K以下 广州 兼职 ... 移动互联网 微宽信息 15-50人 “兼职” python爬虫 NaN NaN NaN python 广州

38215 rows × 23 columns

df1.loc[df1['workYear']==' 不限','workYear']='不限'
df1.loc[df1['workYear']=='不限 ','workYear']='不限'
df1.loc[df1['workYear']==' 应届','workYear']='应届'

c:\users\13530\appdata\local\programs\python\python37\lib\site-packages\pandas\core\indexing.py:1765: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value insteadSee the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copyisetter(loc, value)

Python岗位按照城市数量统计

citys=df1['city'].value_counts()
citys

北京    7341
上海    6391
深圳    5519
成都    4895
广州    3889...
盐城       1
贵港       1
钦州       1
南通       1
日照       1
Name: city, Length: 70, dtype: int64

plt.figure(figsize=(15,10))
citys=citys[citys.values>300]
citys_num=len(citys)
plt.barh(range(citys_num),citys.values,alpha=0.8)
plt.yticks(range(citys_num),list(citys.index))
plt.title('Python岗位按照城市数量统计')
for x,y in enumerate(citys):plt.text(y + 0.2, x - 0.1, '%s' % y)
plt.show()

Python岗位按照薪水范围数量统计

Fare=df1['salary'].value_counts()
Fare

15-25K    14652
10-15K    11322
25K以上      6929
5-10K      4070
5K以下       1242
Name: salary, dtype: int64

plt.figure(figsize=(15,10))
Fare_num=len(Fare)
plt.barh(range(Fare_num),Fare.values,alpha=0.8)
plt.yticks(range(Fare_num),list(Fare.index))
plt.title('Python岗位按照薪水范围数量统计')
for x,y in enumerate(Fare):plt.text(y + 0.2, x - 0.1, '%s' % y)
plt.show()

Python岗位按照行业领域数量统计

industryField=df1['industryField'].value_counts()
industryField

移动互联网        15145
企业服务          3624
数据服务          2655
金融            2449
电商            2124
信息安全          1950
文娱            1522
消费生活          1161
人工智能          1087
社交             958
游戏             900
教育             650
医疗             578
其他             544
硬件             544
通讯电子           497
软件开发           388
旅游             209
电子商务           165
物流             164
体育             154
工具             126
汽车             113
大数据             87
广告营销            81
房产家居            72
不限              62
区块链             56
电商、广告营销         53
物联网             40
企业服务、软件开发       13
金融、企业服务         11
数据服务、软件开发       10
物联网、软件开发         4
电商、社交            2
金融、软件开发          2
信息安全、数据服务        2
物联网、教育           2
软件开发、人工智能        1
硬件、通讯电子          1
企业服务、数据服务        1
人工智能、其他          1
社交、软件开发          1
消费生活、电商          1
电商、企业服务          1
数据服务、教育          1
信息安全、人工智能        1
金融、电商            1
软件开发、其他          1
Name: industryField, dtype: int64

plt.figure(figsize=(15,10))
industryField=industryField[industryField.values>1000]
industryField_num=len(industryField)
plt.barh(range(industryField_num),industryField.values,alpha=0.8)
plt.yticks(range(industryField_num),list(industryField.index))
plt.title('Python岗位按照行业领域数量统计')
for x,y in enumerate(industryField):plt.text(y + 20, x - 0.1, '%s' % y)
plt.show()

Python岗位按照公司规模数量统计

companySize=df1['companySize'].value_counts()
companySize

 150-500人      983550-150人       84332000人以上       8064500-2000人     592615-50人        4925少于15人         1017少于50人            92000-5000人       3
5679              21000-9999人       1
Name: companySize, dtype: int64

plt.figure(figsize=(15,10))
#companySize=companySize[companySize.values>1000]
companySize_num=len(companySize)
plt.barh(range(companySize_num),companySize.values,alpha=0.8)
plt.yticks(range(companySize_num),list(companySize.index))
plt.title('Python岗位按照公司规模数量统计')
for x,y in enumerate(companySize):plt.text(y + 20, x - 0.1, '%s' % y)
plt.show()

Python岗位按照学历数量统计

education=df1['education'].value_counts()
education

本科    31142
大专     3706
不限     2327
硕士     1009
博士       31
Name: education, dtype: int64

plt.figure(figsize=(15,10))
education_num=len(education)
plt.barh(range(education_num),education.values,alpha=0.8)
plt.yticks(range(education_num),list(education.index))
plt.title('Python岗位按照学历数量统计')
for x,y in enumerate(education):plt.text(y + 20, x - 0.1, '%s' % y)
plt.show()

Python岗位按照工作年限数量统计

workYear=df1['workYear'].value_counts()
workYear

3-5年     18069
1-3年     10624
5-10年     3632
不限        3618
应届        2104
1年以下       105
10年以上       63
Name: workYear, dtype: int64

plt.figure(figsize=(15,10))
workYear_num=len(workYear)
plt.barh(range(workYear_num),workYear.values,alpha=0.8)
plt.yticks(range(workYear_num),list(workYear.index))
plt.title('Python岗位按照工作年限数量统计')
for x,y in enumerate(workYear):plt.text(y + 20, x - 0.1, '%s' % y)
plt.show()

Python岗位按照岗位标签数量统计

plt.figure(figsize=(15,10))
label_1=df1['positionAdvantage'].value_counts()
label_2=df1['label_2'].value_counts()
label_3=df1['label_3'].value_counts()
label_4=df1['label_4'].value_counts()
label=label_1+label_2+label_3+label_4
label=label[label.values>500]
label=label.sort_values()
label_num=len(label)
plt.barh(range(label_num),label.values,alpha=0.8)
plt.yticks(range(label_num),list(label.index))
plt.title('Python岗位按照工作年限数量统计')
for x,y in enumerate(label):plt.text(y + 0.2, x - 0.1, '%s' % y)
plt.show()

Python工作年限与工资薪水之间的相关关系

a=df1[['workYear','salary']]
a.apply(lambda x: x.factorize()[0]).corr()
workYear salary
workYear 1.000000 0.299888
salary 0.299888 1.000000 
sns.heatmap(pd.crosstab(a.workYear,a.salary),cmap='Blues')

<AxesSubplot:xlabel='salary', ylabel='workYear'>

Python学历要求与工资薪水之间的相关关系

b=df1[['education','salary']]
b.apply(lambda x: x.factorize()[0]).corr()
education salary
education 1.000000 0.022579
salary 0.022579 1.000000 
sns.heatmap(pd.crosstab(b.education,b.salary),cmap='Blues')

<AxesSubplot:xlabel='salary', ylabel='education'>

Python公司规模与工资薪水之间的相关关系

c=df1[['companySize','salary']]
c.apply(lambda x: x.factorize()[0]).corr()
companySize salary
companySize 1.000000 0.137736
salary 0.137736 1.000000 
sns.heatmap(pd.crosstab(c.companySize,c.salary),cmap='Blues')

<AxesSubplot:xlabel='salary', ylabel='companySize'>

Python行业领域与工资薪水之间的相关关系

e=df1[['industryField','salary']]
e.apply(lambda x: x.factorize()[0]).corr()
industryField salary
industryField 1.000000 0.060122
salary 0.060122 1.000000 
f,ax=plt.subplots(figsize=(10,15))
sns.heatmap(pd.crosstab(e.industryField,e.salary),ax=ax,linewidths=0.01,linecolor='pink',cmap='Blues')

<AxesSubplot:xlabel='salary', ylabel='industryField'>

Python城市与工资薪水之间的相关关系

d=df1[['city','salary']]
d.apply(lambda x: x.factorize()[0]).corr()
city salary
city 1.000000 -0.028087
salary -0.028087 1.000000 
f,ax=plt.subplots(figsize=(10,15))
sns.heatmap(pd.crosstab(d.city,d.salary),ax=ax,linewidths=0.01,linecolor='pink',cmap='Blues')

<AxesSubplot:xlabel='salary', ylabel='city'>

公司融资轮数与工资薪水之间的相关关系

f=df1[['financeStage','salary']]
f.apply(lambda x: x.factorize()[0]).corr()
financeStage salary
financeStage 1.000000 0.125897
salary 0.125897 1.000000 
sns.heatmap(pd.crosstab(f.financeStage,f.salary),cmap='Blues')

<AxesSubplot:xlabel='salary', ylabel='financeStage'>

Python公司规模与工作城市之间的相关关系

g=df1[['companySize','city']]
g.apply(lambda x: x.factorize()[0]).corr()
companySize city
companySize 1.000000 0.068158
city 0.068158 1.000000 
f,ax=plt.subplots(figsize=(10,15))
sns.heatmap(pd.crosstab(g.city,g.companySize),linewidths=0.01,linecolor='pink',cmap='Blues')

<AxesSubplot:xlabel='companySize', ylabel='city'>

Python行业领域与工作城市之间的相关关系

h=df1[['industryField','city']]
h.apply(lambda x: x.factorize()[0]).corr()
industryField city
industryField 1.0000 0.0566
city 0.0566 1.0000 
f,ax=plt.subplots(figsize=(10,15))
sns.heatmap(pd.crosstab(h.city,h.industryField),linewidths=0.01,linecolor='pink',cmap='Blues')

<AxesSubplot:xlabel='industryField', ylabel='city'>

Python城市活力榜单

import numpy as np# 替换薪水
df1.replace('5K以下', 1, inplace=True)
df1.replace('5-10K', 2, inplace=True)
df1.replace('10-15K', 3, inplace=True)
df1.replace('15-25K', 4, inplace=True)
df1.replace('25K以上', 5, inplace=True)
# 替换公司规模
df1.replace('少于50人', 1, inplace=True)
df1.replace(' 50-150人', 2, inplace=True)
df1.replace(' 150-500人', 3, inplace=True)
df1.replace(' 500-2000人', 4, inplace=True)
df1.replace(' 2000人以上', 5, inplace=True)
# 替换工作年限
df1.replace('1年以下', 1, inplace=True)
df1.replace('1-3年', 2, inplace=True)
df1.replace('3-5年', 3, inplace=True)
df1.replace('5-10年', 4, inplace=True)
df1.replace('10年以上', 5, inplace=True)

c:\users\13530\appdata\local\programs\python\python37\lib\site-packages\pandas\core\frame.py:4382: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrameSee the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copymethod=method,

# 北京
beijing_values = []
beijing = df1[df1['city'] == '北京']
beijing_values.append(beijing['salary'].value_counts().index[0])
beijing_values.append(beijing['companySize'].value_counts().index[0])
beijing_values.append(beijing['workYear'].value_counts().index[0])
# 西安
xian_values = []
xian = df1[df1['city'] == '西安']
xian_values.append(xian['salary'].value_counts().index[0])
xian_values.append(xian['companySize'].value_counts().index[0])
xian_values.append(xian['workYear'].value_counts().index[0])
# 郑州
zhengzhou_values = []
zhengzhou = df1[df1['city'] == '郑州']
zhengzhou_values.append(zhengzhou['salary'].value_counts().index[0])
zhengzhou_values.append(zhengzhou['companySize'].value_counts().index[0])
zhengzhou_values.append(zhengzhou['workYear'].value_counts().index[0])
# 青岛
qingdao_values = []
qingdao = df1[df1['city'] == '青岛']
qingdao_values.append(qingdao['salary'].value_counts().index[0])
qingdao_values.append(qingdao['companySize'].value_counts().index[0])
qingdao_values.append(qingdao['workYear'].value_counts().index[0])

feature = ['薪水','公司规模','工作年限']
N = len(feature)
angles = np.linspace(0,2*np.pi,N,endpoint=False)#使雷达图封闭起来
angles = np.concatenate((angles,[angles[0]]))
beijing = np.concatenate((beijing_values,[beijing_values[0]]))
xian = np.concatenate((xian_values,[xian_values[0]]))
zhengzhou = np.concatenate((zhengzhou_values,[zhengzhou_values[0]]))
qingdao = np.concatenate((qingdao_values,[qingdao_values[0]]))
#绘图
fig = plt.figure(figsize=(6, 6))
#设置为极坐标格式
ax = fig.add_subplot(111, polar=True)
#绘制折线图
ax.plot(angles,beijing,'o-',linewidth=2,label='北京')
ax.fill(angles,beijing,'r',alpha=0.2)ax.plot(angles,xian,'o-',linewidth=2,label='西安')
ax.fill(angles,xian,'b',alpha=0.2)ax.plot(angles,zhengzhou,'o-',linewidth=2,label='郑州')
ax.fill(angles,zhengzhou,'y',alpha=0.2)ax.plot(angles,qingdao,'o-',linewidth=2,label='青岛')
ax.fill(angles,qingdao,'g',alpha=0.2)#添加每个特质的标签
ax.set_thetagrids(angles[:3]*180/np.pi,feature)
#设置极轴范围
ax.set_ylim(0, 5)
#添加标题
plt.title('Python城市活力榜单')
plt.legend(loc='right', bbox_to_anchor=(1.5, 0.5))
#增加网格纸
ax.grid(True)
plt.show()

Python公司活力榜单

# Xmov
Xmov_values = []
Xmov = df1[df1['companyShortName'] == 'Xmov']
Xmov_values.append(Xmov['salary'].value_counts().index[0])
Xmov_values.append(Xmov['companySize'].value_counts().index[0])
Xmov_values.append(Xmov['workYear'].value_counts().index[0])
#小红书
book_values = []
book = df1[df1['companyShortName'] == '小红书']
book_values.append(book['salary'].value_counts().index[0])
book_values.append(book['companySize'].value_counts().index[0])
book_values.append(book['workYear'].value_counts().index[0])
# 华为技术有限公司
huawei_values = []
huawei = df1[df1['companyShortName'] == '华为技术有限公司']
huawei_values.append(huawei['salary'].value_counts().index[0])
huawei_values.append(huawei['companySize'].value_counts().index[0])
huawei_values.append(huawei['workYear'].value_counts().index[0])
# 途游
tuyou_values = []
tuyou = df1[df1['companyShortName'] == '途游']
tuyou_values.append(tuyou['salary'].value_counts().index[0])
tuyou_values.append(tuyou['companySize'].value_counts().index[0])
tuyou_values.append(tuyou['workYear'].value_counts().index[0])

feature = ['薪水','公司规模',"工作年限"]
N = len(feature)
angles = np.linspace(0,2*np.pi,N,endpoint=False)#使雷达图封闭起来
angles = np.concatenate((angles,[angles[0]]))
Xmov = np.concatenate((Xmov_values,[Xmov_values[0]]))
book = np.concatenate((book_values,[book_values[0]]))
huawei = np.concatenate((huawei_values,[huawei_values[0]]))
tuyou = np.concatenate((tuyou_values,[tuyou_values[0]]))
#绘图
fig = plt.figure(figsize=(6, 6))
#设置为极坐标格式
ax = fig.add_subplot(111, polar=True)
#绘制折线图
ax.plot(angles,Xmov,'o-',linewidth=2,label='Xmov')
ax.fill(angles,Xmov,'r',alpha=0.2)ax.plot(angles,book,'o-',linewidth=2,label='小红书')
ax.fill(angles,book,'b',alpha=0.2)ax.plot(angles,huawei,'o-',linewidth=2,label='华为技术有限公司')
ax.fill(angles,huawei,'y',alpha=0.2)ax.plot(angles,tuyou,'o-',linewidth=2,label='途游')
ax.fill(angles,tuyou,'g',alpha=0.2)#添加每个特质的标签
ax.set_thetagrids(angles[:3]*180/np.pi,feature)
#设置极轴范围
ax.set_ylim(0,5)
#添加标题
plt.title('Python公司活力榜单')
plt.legend(loc='right', bbox_to_anchor=(1.5, 0.5))
#增加网格纸
ax.grid(True)
plt.show()

JAVA

df1=df[df['job']=='java']
df1
id positionID positionName longitude latitude workYear education salary city jobNature ... industryField companyShortName companySize companyLabelList positionAdvantage label_2 label_3 label_4 job district
38215 38216 38216 java开发工程师 106.551556 29.563009 1-3年 本科 10-15K 重庆 全职 ... 人工智能,物联网 缺月智能 15-50人 “团队氛围好、上升空间大、员工福利有保障” Java NaN NaN NaN java 重庆
38216 38217 38217 Java开发工程师 108.940174 34.341568 5-10年 本科 15-25K 西安 全职 ... 移动互联网,数据服务 销售易 500-2000人 “腾讯领投、D+轮，六险一金，扁平化管理” 即时通讯 NaN NaN NaN java 西安
38217 38218 38218 java开发工程师 121.473701 31.230416 3-5年 本科 15-25K 上海 全职 ... 电商 中通快递 2000人以上 “每年两次晋升机会，平台成熟” 物流 NaN NaN NaN java 上海
38218 38219 38219 java开发工程师 114.305392 30.593098 3-5年 不限 10-15K 武汉 全职 ... 移动互联网 朗蕴科技 15-50人 “做五休二，五险一金” J2EE NaN NaN NaN java 武汉
38219 38220 38220 java开发工程师 113.264434 23.129162 5-10年 本科 10-15K 广州 全职 ... 其他 华谋-学府信息 150-500人 “五险一金,周末双休,带薪年假,节日福利” 后端 NaN NaN NaN java 广州
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
65530 65531 65531 java工程师 116.407526 39.904030 3-5年 本科 15-25K 北京 全职 ... 数据服务,移动互联网 trustdata 15-50人 “福利好，大牛多，氛围好” 后端 NaN NaN NaN java 北京
65531 65532 65532 java开发工程师 116.407526 39.904030 3-5年 本科 15-25K 北京 全职 ... 移动互联网 掌文 50-150人 “带薪年假、季度奖金、团建活动、年度体检” 软件开发 NaN NaN NaN java 北京
65532 65533 65533 Java开发工程师 116.407526 39.904030 应届 本科 10-15K 北京 全职 ... 移动互联网,教育 易编科技 少于15人 “一周工作四天，每天有效工作6小时。” 电商 NaN NaN NaN java 北京
65533 65534 65534 java开发工程师 121.473701 31.230416 1-3年 大专 10-15K 上海 全职 ... 移动互联网,企业服务 羿海科技 150-500人 “五险一金 绩效奖金 加班补助” 电商 NaN NaN NaN java 上海
65534 65535 65535 java开发工程师 114.057868 22.543099 3-5年 大专 15-25K 深圳 全职 ... 移动互联网,企业服务 羿海科技 150-500人 “五险一金 绩效奖金 加班补助” 服务器端 NaN NaN NaN java 深圳

27320 rows × 23 columns

df1.loc[df1['workYear']==' 不限','workYear']='不限'
df1.loc[df1['workYear']=='不限 ','workYear']='不限'
df1.loc[df1['workYear']==' 应届','workYear']='应届'

c:\users\13530\appdata\local\programs\python\python37\lib\site-packages\pandas\core\indexing.py:1765: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value insteadSee the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copyisetter(loc, value)

JAVA岗位按照城市数量统计

citys=df1['city'].value_counts()
citys

深圳      5734
北京      5209
上海      3563
杭州      2670
成都      1648...
娄底         1
铜陵         1
蚌埠         1
晋城         1
博尔塔拉       1
Name: city, Length: 125, dtype: int64

plt.figure(figsize=(15,10))
citys=citys[citys.values>300]
citys_num=len(citys)
plt.barh(range(citys_num),citys.values,alpha=0.8)
plt.yticks(range(citys_num),list(citys.index))
plt.title('Java岗位按照城市数量统计')
for x,y in enumerate(citys):plt.text(y + 0.2, x - 0.1, '%s' % y)
plt.show()

JAVA岗位按照薪水范围数量统计

Fare=df1['salary'].value_counts()
Fare

15-25K    11770
10-15K     7712
25K以上      5102
5-10K      2479
5K以下        257
Name: salary, dtype: int64

plt.figure(figsize=(15,10))
Fare_num=len(Fare)
plt.barh(range(Fare_num),Fare.values,alpha=0.8)
plt.yticks(range(Fare_num),list(Fare.index))
plt.title('Java岗位按照薪水范围数量统计')
for x,y in enumerate(Fare):plt.text(y + 0.2, x - 0.1, '%s' % y)
plt.show()

JAVA岗位按照行业领域数量统计

industryField=df1['industryField'].value_counts()
industryField

移动互联网          3650
金融             1670
企业服务           1479
移动互联网,金融       1245
移动互联网,企业服务     1144...
体育、软件开发           1
文化娱乐 电子商务         1
人工智能,教育           1
数据服务 金融           1
企业服务、软件开发         1
Name: industryField, Length: 258, dtype: int64

plt.figure(figsize=(15,10))
industryField=industryField[industryField.values>1000]
industryField_num=len(industryField)
plt.barh(range(industryField_num),industryField.values,alpha=0.8)
plt.yticks(range(industryField_num),list(industryField.index))
plt.title('Java岗位按照行业领域数量统计')
for x,y in enumerate(industryField):plt.text(y + 20, x - 0.1, '%s' % y)
plt.show()

JAVA岗位按照公司规模数量统计

companySize=df1['companySize'].value_counts()
companySize

 2000人以上      7087150-500人     6095500-2000人    501950-150人      483215-50人       3586少于15人         701
Name: companySize, dtype: int64

plt.figure(figsize=(15,10))
#companySize=companySize[companySize.values>1000]
companySize_num=len(companySize)
plt.barh(range(companySize_num),companySize.values,alpha=0.8)
plt.yticks(range(companySize_num),list(companySize.index))
plt.title('Java岗位按照公司规模数量统计')
for x,y in enumerate(companySize):plt.text(y + 20, x - 0.1, '%s' % y)
plt.show()

JAVA岗位按照学历数量统计

education=df1['education'].value_counts()
education

本科    22939
大专     2917
不限     1157
硕士      307
Name: education, dtype: int64

plt.figure(figsize=(15,10))
education_num=len(education)
plt.barh(range(education_num),education.values,alpha=0.8)
plt.yticks(range(education_num),list(education.index))
plt.title('Java岗位按照学历数量统计')
for x,y in enumerate(education):plt.text(y + 20, x - 0.1, '%s' % y)
plt.show()

JAVA岗位按照工作年限数量统计

workYear=df1['workYear'].value_counts()
workYear

3-5年     14140
5-10年     6620
1-3年      4167
不限        1433
应届         860
10年以上       55
1年以下        45
Name: workYear, dtype: int64

plt.figure(figsize=(15,10))
workYear_num=len(workYear)
plt.barh(range(workYear_num),workYear.values,alpha=0.8)
plt.yticks(range(workYear_num),list(workYear.index))
plt.title('Python岗位按照工作年限数量统计')
for x,y in enumerate(workYear):plt.text(y + 20, x - 0.1, '%s' % y)
plt.show()

JAVA岗位按照岗位标签数量统计

plt.figure(figsize=(15,10))
label=df1['positionAdvantage'].value_counts()
#label_2=df1['label_2'].value_counts()
#label_3=df1['label_3'].value_counts()
#label_4=df1['label_4'].value_counts()
#label=label_1+label_2+label_3+label_4
label=label[label.values>500]
label=label.sort_values()
label_num=len(label)
plt.barh(range(label_num),label.values,alpha=0.8)
plt.yticks(range(label_num),list(label.index))
plt.title('Java岗位按照工作年限数量统计')
for x,y in enumerate(label):plt.text(y + 0.2, x - 0.1, '%s' % y)
plt.show()

JAVA工作年限与工资薪水之间的相关关系

a=df1[['workYear','salary']]
a.apply(lambda x: x.factorize()[0]).corr()
workYear salary
workYear 1.000000 0.025818
salary 0.025818 1.000000 
sns.heatmap(pd.crosstab(a.workYear,a.salary),cmap='Blues')

<AxesSubplot:xlabel='salary', ylabel='workYear'>

JAVA学历要求与工资薪水之间的相关关系

b=df1[['education','salary']]
b.apply(lambda x: x.factorize()[0]).corr()
education salary
education 1.000000 -0.010061
salary -0.010061 1.000000 
sns.heatmap(pd.crosstab(b.education,b.salary),cmap='Blues')

<AxesSubplot:xlabel='salary', ylabel='education'>

JAVA公司规模与工资薪水之间的相关关系

c=df1[['companySize','salary']]
c.apply(lambda x: x.factorize()[0]).corr()
companySize salary
companySize 1.0000 0.0103
salary 0.0103 1.0000 
sns.heatmap(pd.crosstab(c.companySize,c.salary),cmap='Blues')

<AxesSubplot:xlabel='salary', ylabel='companySize'>

JAVA行业领域与工资薪水之间的相关关系

e=df1[['industryField','salary']]
e.apply(lambda x: x.factorize()[0]).corr()
industryField salary
industryField 1.000000 0.023247
salary 0.023247 1.000000 
f,ax=plt.subplots(figsize=(10,15))
sns.heatmap(pd.crosstab(e.industryField,e.salary),ax=ax,linewidths=0.01,linecolor='pink',cmap='Blues')

<AxesSubplot:xlabel='salary', ylabel='industryField'>

JAVA城市与工资薪水之间的相关关系

d=df1[['city','salary']]
d.apply(lambda x: x.factorize()[0]).corr()
city salary
city 1.000000 0.129413
salary 0.129413 1.000000 
f,ax=plt.subplots(figsize=(10,15))
sns.heatmap(pd.crosstab(d.city,d.salary),ax=ax,linewidths=0.01,linecolor='pink',cmap='Blues')

<AxesSubplot:xlabel='salary', ylabel='city'>

JAVA公司融资轮数与工资薪水之间的相关关系

f=df1[['financeStage','salary']]
f.apply(lambda x: x.factorize()[0]).corr()
financeStage salary
financeStage 1.00000 -0.06504
salary -0.06504 1.00000 
sns.heatmap(pd.crosstab(f.financeStage,f.salary),cmap='Blues')

<AxesSubplot:xlabel='salary', ylabel='financeStage'>

JAVA公司规模与工作城市之间的相关关系

g=df1[['companySize','city']]
g.apply(lambda x: x.factorize()[0]).corr()
companySize city
companySize 1.000000 -0.005961
city -0.005961 1.000000 
f,ax=plt.subplots(figsize=(10,15))
sns.heatmap(pd.crosstab(g.city,g.companySize),linewidths=0.01,linecolor='pink',cmap='Blues')

<AxesSubplot:xlabel='companySize', ylabel='city'>

JAVA行业领域与工作城市之间的相关关系

h=df1[['industryField','city']]
h.apply(lambda x: x.factorize()[0]).corr()
industryField city
industryField 1.000000 0.104283
city 0.104283 1.000000 
f,ax=plt.subplots(figsize=(15,20))
sns.heatmap(pd.crosstab(h.city,h.industryField),linewidths=0.01,linecolor='pink',cmap='Blues')

<AxesSubplot:xlabel='industryField', ylabel='city'>

JAVA城市活力榜单

import numpy as np# 替换薪水
df1.replace('5K以下', 1, inplace=True)
df1.replace('5-10K', 2, inplace=True)
df1.replace('10-15K', 3, inplace=True)
df1.replace('15-25K', 4, inplace=True)
df1.replace('25K以上', 5, inplace=True)
# 替换公司规模
df1.replace('少于50人', 1, inplace=True)
df1.replace(' 50-150人', 2, inplace=True)
df1.replace(' 150-500人', 3, inplace=True)
df1.replace(' 500-2000人', 4, inplace=True)
df1.replace(' 2000人以上', 5, inplace=True)
# 替换工作年限
df1.replace('1年以下', 1, inplace=True)
df1.replace('1-3年', 2, inplace=True)
df1.replace('3-5年', 3, inplace=True)
df1.replace('5-10年', 4, inplace=True)
df1.replace('10年以上', 5, inplace=True)

c:\users\13530\appdata\local\programs\python\python37\lib\site-packages\pandas\core\frame.py:4382: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrameSee the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copymethod=method,

# 北京
beijing_values = []
beijing = df1[df1['city'] == '北京']
beijing_values.append(beijing['salary'].value_counts().index[0])
beijing_values.append(beijing['companySize'].value_counts().index[0])
beijing_values.append(beijing['workYear'].value_counts().index[0])
# 西安
xian_values = []
xian = df1[df1['city'] == '西安']
xian_values.append(xian['salary'].value_counts().index[0])
xian_values.append(xian['companySize'].value_counts().index[0])
xian_values.append(xian['workYear'].value_counts().index[0])
# 郑州
zhengzhou_values = []
zhengzhou = df1[df1['city'] == '郑州']
zhengzhou_values.append(zhengzhou['salary'].value_counts().index[0])
zhengzhou_values.append(zhengzhou['companySize'].value_counts().index[0])
zhengzhou_values.append(zhengzhou['workYear'].value_counts().index[0])
# 青岛
qingdao_values = []
qingdao = df1[df1['city'] == '青岛']
qingdao_values.append(qingdao['salary'].value_counts().index[0])
qingdao_values.append(qingdao['companySize'].value_counts().index[0])
qingdao_values.append(qingdao['workYear'].value_counts().index[0])

feature = ['薪水','公司规模','工作年限']
N = len(feature)
angles = np.linspace(0,2*np.pi,N,endpoint=False)#使雷达图封闭起来
angles = np.concatenate((angles,[angles[0]]))
beijing = np.concatenate((beijing_values,[beijing_values[0]]))
xian = np.concatenate((xian_values,[xian_values[0]]))
zhengzhou = np.concatenate((zhengzhou_values,[zhengzhou_values[0]]))
qingdao = np.concatenate((qingdao_values,[qingdao_values[0]]))
#绘图
fig = plt.figure(figsize=(6, 6))
#设置为极坐标格式
ax = fig.add_subplot(111, polar=True)
#绘制折线图
ax.plot(angles,beijing,'o-',linewidth=2,label='北京')
ax.fill(angles,beijing,'r',alpha=0.2)ax.plot(angles,xian,'o-',linewidth=2,label='西安')
ax.fill(angles,xian,'b',alpha=0.2)ax.plot(angles,zhengzhou,'o-',linewidth=2,label='郑州')
ax.fill(angles,zhengzhou,'y',alpha=0.2)ax.plot(angles,qingdao,'o-',linewidth=2,label='青岛')
ax.fill(angles,qingdao,'g',alpha=0.2)#添加每个特质的标签
ax.set_thetagrids(angles[:3]*180/np.pi,feature)
#设置极轴范围
ax.set_ylim(0, 5)
#添加标题
plt.title('Java城市活力榜单')
plt.legend(loc='right', bbox_to_anchor=(1.5, 0.5))
#增加网格纸
ax.grid(True)
plt.show()

JAVA公司活力榜单

# Xmov
Xmly_values = []
Xmly = df1[df1['companyShortName'] == '喜马拉雅']
Xmly_values.append(Xmly['salary'].value_counts().index[0])
Xmly_values.append(Xmly['companySize'].value_counts().index[0])
Xmly_values.append(Xmly['workYear'].value_counts().index[0])
#小红书
book_values = []
book = df1[df1['companyShortName'] == '小红书']
book_values.append(book['salary'].value_counts().index[0])
book_values.append(book['companySize'].value_counts().index[0])
book_values.append(book['workYear'].value_counts().index[0])
# 华为技术有限公司
huawei_values = []
huawei = df1[df1['companyShortName'] == '华为技术有限公司']
huawei_values.append(huawei['salary'].value_counts().index[0])
huawei_values.append(huawei['companySize'].value_counts().index[0])
huawei_values.append(huawei['workYear'].value_counts().index[0])
# 途游
Dd_values = []
Dd = df1[df1['companyShortName'] == '当当网']
Dd_values.append(Dd['salary'].value_counts().index[0])
Dd_values.append(Dd['companySize'].value_counts().index[0])
Dd_values.append(Dd['workYear'].value_counts().index[0])

feature = ['薪水','公司规模',"工作年限"]
N = len(feature)
angles = np.linspace(0,2*np.pi,N,endpoint=False)#使雷达图封闭起来
angles = np.concatenate((angles,[angles[0]]))
Xmly = np.concatenate((Xmly_values,[Xmly_values[0]]))
book = np.concatenate((book_values,[book_values[0]]))
huawei = np.concatenate((huawei_values,[huawei_values[0]]))
Dd = np.concatenate((Dd_values,[Dd_values[0]]))
#绘图
fig = plt.figure(figsize=(6, 6))
#设置为极坐标格式
ax = fig.add_subplot(111, polar=True)
#绘制折线图
ax.plot(angles,Xmly,'o-',linewidth=2,label='喜马拉雅')
ax.fill(angles,Xmly,'r',alpha=0.2)ax.plot(angles,book,'o-',linewidth=2,label='小红书')
ax.fill(angles,book,'b',alpha=0.2)ax.plot(angles,huawei,'o-',linewidth=2,label='华为技术有限公司')
ax.fill(angles,huawei,'y',alpha=0.2)ax.plot(angles,Dd,'o-',linewidth=2,label='当当网')
ax.fill(angles,Dd,'g',alpha=0.2)#添加每个特质的标签
ax.set_thetagrids(angles[:3]*180/np.pi,feature)
#设置极轴范围
ax.set_ylim(0,5)
#添加标题
plt.title('Java公司活力榜单')
plt.legend(loc='right', bbox_to_anchor=(1.5, 0.5))
#增加网格纸
ax.grid(True)
plt.show()


df1=df[df['job']=='python']
df1
id positionID positionName longitude latitude workYear education salary city jobNature ... industryField companyShortName companySize companyLabelList positionAdvantage label_2 label_3 label_4 job district
0 1 1 python 113.264434 23.129162 1-3年 本科 10-15K 广州 全职 ... 消费生活 省省回头车 150-500人 “五险一金 年底双薪” Golang GO NaN NaN python 广州
1 2 2 python 113.264434 23.129162 3-5年 本科 15-25K 广州 全职 ... 消费生活 省省回头车 150-500人 “五险一金 年底双薪” Golang GO NaN NaN python 广州
2 3 3 Python开发工程师 113.264434 23.129162 1-3年 本科 15-25K 广州 全职 ... 移动互联网 悦谦科技 50-150人 “双休，发展空间大，团队氛围好，扁平化管理” 金融 Python 数据挖掘 图像算法 python 广州
3 4 4 Python开发工程师 113.264434 23.129162 3-5年 本科 15-25K 广州 全职 ... 移动互联网 悦谦科技 50-150人 “双休 扁平化管理 发展平台好 团队氛围好” 移动互联网 互联网金融 Python NaN python 广州
4 5 5 python开发工程师 113.264434 23.129162 1-3年 大专 10-15K 广州 全职 ... 移动互联网 广州游爱 500-2000人 “双休,五险一金,包三餐,年底双薪” 后端 Python NaN NaN python 广州
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
38210 38211 38211 高级Python开发工程师 121.473701 31.230416 3-5年 本科 25K以上 上海 全职 ... 企业服务 CloudChef 50-150人 “带薪年假,五险一金,团建旅游,补充公积金” Python Linux/Unix MySQL 云计算 python 上海
38211 38212 38212 中级Python开发工程师 121.473701 31.230416 3-5年 本科 15-25K 上海 全职 ... 移动互联网 NextTao 互道信息 50-150人 “技术氛围浓郁 团队氛围轻松 发展空间大” 新零售 企业服务 后端 分布式 python 上海
38212 38213 38213 Python高级开发工程师 121.473701 31.230416 3-5年 本科 25K以上 上海 全职 ... 移动互联网 NextTao 互道信息 50-150人 “互联网零售革命的推动者” 新零售 Python NaN NaN python 上海
38213 38214 38214 Python开发工程师 120.155070 30.274084 3-5年 本科 15-25K 杭州 全职 ... 移动互联网 智云健康 500-2000人 “前景行业，待遇丰厚” python爬虫 NaN NaN NaN python 杭州
38214 38215 38215 Python开发工程师（兼职） 113.264434 23.129162 应届 本科 5K以下 广州 兼职 ... 移动互联网 微宽信息 15-50人 “兼职” python爬虫 NaN NaN NaN python 广州

38215 rows × 23 columns

df1.loc[df1['workYear']==' 不限','workYear']='不限'
df1.loc[df1['workYear']=='不限 ','workYear']='不限'
df1.loc[df1['workYear']==' 应届','workYear']='应届'

c:\users\13530\appdata\local\programs\python\python37\lib\site-packages\pandas\core\indexing.py:1765: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value insteadSee the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copyisetter(loc, value)

Python岗位的职位描述进行分析，分析工作内容

import os

path='D:\\大学\\2020数据处理综合实训\\数据处理综合实训\\job_data'
files=os.listdir(path)#得到文件夹下的所有文件名称
txts=[]
for file in files:#遍历文件夹position=path+'\\'+file#构造绝对路径#print(position)with open(position,'r',encoding='utf-8') as f:data=f.read()#读取文件txts.append(data)
txts=','.join(txts)#转化为非数组类型
print(txts)

岗位职责1、负责集成各种维度的数据源，使用各种数据获取技巧，转换、分析、调度、存储数据，为公司业务提供正确稳定的数据；
2、负责建设高可靠、高并发的分布式系统；
3、负责提升系统的稳定性，持续迭代更新，保证系统质量和交付及时性；
4、负责编写相关的技术文档和单元测试，对产品质量负责。岗位要求1、统招本科及以上学历，具备英语读写能力；
2、熟悉 Git/GitHub，通信协议 TCP/HTTP 及 RESTful 标准；
3、五年及以上 Python 开发工作经验，有 Scrapy 等使用经验；
4、有 MySQL, Redis 或 MongoDB 等相关数据库使用经验；
5、有数据意识，有产品数据方面相关经验。加分项1、有 CI/CD使用经验 ；
2、有使用 Docker、Kubernetes、AWS 或 GCP 等经验；
3、熟悉 Tornado、Django 或 Flask ；
4、有写 Blog 的习惯，活跃于技术社区，参与开源项目等；
5、有代码洁癖，对代码精益求精，对技术有极客热情;
6、有软件著作权申请，有专利发明申请。,职责描述：
1. 负责算法平台模块的开发维护工作
2. 负责核心技术问题的攻关，架构设计，系统优化，协助解决项目开发过程中的技术难题
3. 与算法工程师紧密配合，共同创造稳定可靠的算法项目
……
……
……

d={'开发':0,'测试':0,'设计':0,'维护':0,'实现':0,'修复':0,'编写':0,'Python':0,'处理':0,'SQL':0,'爬虫':0,'多线程':0,'监控':0,'优化':0,'框架':0}
num=txts.count('开发')
d['开发']=num
num=txts.count('测试')
d['测试']=num
num=txts.count('设计')
d['设计']=num
num=txts.count('维护')
d['维护']=num
num=txts.count('实现')
d['实现']=num
num=txts.count('修复')
d['修复']=num
num=txts.count('编写')
d['编写']=num
num=txts.count('Python')
d['Python']=num
num=txts.count('处理')
d['处理']=num
num=txts.count('SQL')
d['SQL']=num
num=txts.count('爬虫')
d['爬虫']=num
num=txts.count('多线程')
d['多线程']=num
num=txts.count('监控')
d['监控']=num
num=txts.count('优化')
d['优化']=num
num=txts.count('框架')
d['框架']=num
d

{'开发': 171,'测试': 29,'设计': 57,'维护': 19,'实现': 17,'修复': 2,'编写': 17,'Python': 43,'处理': 16,'SQL': 28,'爬虫': 12,'多线程': 6,'监控': 5,'优化': 35,'框架': 41}

from wordcloud import WordCloud

wc = WordCloud(max_words=500,  # 最多显示词数# max_font_size=100,  # 字体最大值background_color="white",  # 设置背景为白色，默认为黑色width = 1500,  # 设置图片的宽度height= 960,  # 设置图片的高度margin= 10,  # 设置图片的边缘#font_path=’./fonts/simhei.ttf’font_path='msyh.ttc')
wc.generate_from_frequencies(d)  # 从字典生成词云
plt.imshow(wc)  # 显示词云
plt.axis('off')  # 关闭坐标轴
plt.show()  # 显示图像


d={'本科':0,'英语':0,'经验':0,'HTML5':0,'CSS3':0,'RBAC':0,'django':0,'Python':0,'SQL':0,'沟通':0,'JavaScript':0,'Linux':0,'前端':0,'HTTP':0,'计算机':0}
num=txts.count('本科')
d['本科']=num
num=txts.count('英语')
d['英语']=num
num=txts.count('经验')
d['经验']=num
num=txts.count('HTML5')
d['HTML5']=num
num=txts.count('CSS3')
d['CSS3']=num
num=txts.count('RBAC')
d['RBAC']=num
num=txts.count('django')
d['django']=num
num=txts.count('Python')
d['Python']=num
num=txts.count('SQL')
d['SQL']=num
num=txts.count('沟通')
d['沟通']=num
num=txts.count('JvaScript')
d['JavaScript']=num
num=txts.count('Linux')
d['Linux']=num
num=txts.count('前端')
d['前端']=num
num=txts.count('HTTP')
d['HTTP']=num
num=txts.count('计算机')
d['计算机']=num
d

{'本科': 29,'英语': 5,'经验': 92,'HTML5': 3,'CSS3': 3,'RBAC': 1,'django': 10,'Python': 43,'SQL': 28,'沟通': 21,'JavaScript': 0,'Linux': 15,'前端': 12,'HTTP': 9,'计算机': 27}

wc = WordCloud(max_words=500,  # 最多显示词数# max_font_size=100,  # 字体最大值background_color="white",  # 设置背景为白色，默认为黑色width = 1500,  # 设置图片的宽度height= 960,  # 设置图片的高度margin= 10,  # 设置图片的边缘#font_path=’./fonts/simhei.ttf’font_path='msyh.ttc')
wc.generate_from_frequencies(d)  # 从字典生成词云
plt.imshow(wc)  # 显示词云
plt.axis('off')  # 关闭坐标轴
plt.show()  # 显示图像

附加内容

import jieba
path='D:\\大学\\2020数据处理综合实训\\数据处理综合实训\\job_data'
files=os.listdir(path)#得到文件夹下的所有文件名称
result=''
for file in files:position=path+'\\'+file#构造绝对路径with open(position,'r',encoding='utf-8') as f:lines=f.readlines()for index,line in enumerate(lines):if '岗位要求'in line or '任职要求'in line or '任职资格'in line:for line in lines[1:index]:result +=line.strip('\n')
with open ('停用词表.txt','r',encoding='utf-8')as f:stop =f.read()
words=jieba.lcut_for_search(result)
word_list=[]
for word in words:if len(word)>1 and word not in stop:word_list.append(word)
keyword1=set(word_list)

result=''
for file in files:position=path+'\\'+file#构造绝对路径with open(position,'r',encoding='utf-8') as f:lines=f.readlines()for index,line in enumerate(lines):if '岗位要求'in line or '任职要求'in line:for line in lines[index+1:]:result +=line.strip('\n')
words=jieba.lcut_for_search(result)
word_list=[]
for word in words:if len(word)>1 and word not in stop:word_list.append(word)
keyword2=set(word_list)

jiao=keyword1&keyword2
keyword1_alone=keyword1-jiao
keyword2_alone=keyword2-jiao
keyword1_count=0
keyword2_count=0
str_='''1、本科及以上学历，熟悉Python语言，有3年以上的实际 Python Web 开发经验;
2、熟练掌握 Python Web开发框架Django ;
3、熟悉Postgresql/Redis/MongoDB等数据库及相关操作;
4、熟悉Linux 操作系统及基础命令，熟悉Shell;
5、熟悉Docker，能使用docker部署应用python/django项目;
6、具备较强的学习能力和责任心，良好的沟通能力、文档编写能力；
7、为团队引入创新的技术、创新的解决方案，用创新的思路解决问题；
8、对现存或未来系统进行宏观的思考，规划形成统一的组件、框架或平台
9、较好的产品意识，愿意将产品效果做为工作最重要的驱动因素
10、良好的设计和编码规范，热爱写代码'''
words=jieba.lcut_for_search(str_)
for word in words:if word in keyword1_alone:keyword1_count += 1
#         print(word)if word in keyword2_alone:
#         print(word)keyword2_count += 1
if keyword1_count > keyword2_count:print('***********职位描述************')
else:print('***********任职要求************')

***********任职要求************

Web可视化

from pyecharts.charts import Bar
from pyecharts.globals import ThemeType

df=pd.read_excel('D:\\大学\\2020数据处理综合实训\\数据处理综合实训\jobs.xls')

df1=df[df['job']=='python']
df1
PY_city=df1['city'].value_counts()
PY_city=PY_city.head(20)

c=(Bar({'theme':ThemeType.MACARONS}).add_xaxis(PY_city.index.tolist()).add_yaxis('Python',PY_city.values.tolist()).set_global_opts(title_opts={'t]ext':'语言与城市'}).render('语言与城市.html'))

互联网招聘数据分析处理与可视化相关推荐

  1. 分享思路：Python+Spark招聘爬虫可视化系统 招聘数据分析 Hadoop职位可视化 大数据毕业设计 51job数据分析(可选加推荐算法)

    开发技术 Hadoop.HDFS.Spark.SpringBoot.echarts.PySpark.Python.MySQL 创新点 大数据架构.爬虫.数据可视化 啰里啰嗦 适合大数据毕业设计.数据分 ...

  2. 1【源码】数据可视化：基于 Echarts +Java SpringBoot 实现的动态实时大屏范例-互联网企业数据分析

    目录 效果展示 1.首先看动态效果图 2.再看实时分片数据图 一. 需求确认 1.确定产品上线部署的屏幕LED分辨率 2.功能模块 3.部署方式 二.整体架构设计 三.开发环境搭建 1.Java开发环 ...

  3. 51 Job招聘数据分析与可视化

    招聘数据分析与可视化 背景 为了分析现有数据行业的招聘情况,抓取2017年3月14日到2017年5月13日发布在51Job上的数据相关招聘职位116273条信息,并从中筛选出职位是数据分析.数据挖掘. ...

  4. 动漫评分数据分析与可视化 与 IT行业招聘数据分析与可视化

    数据可视化课设 1,动漫评分数据分析与可视化 可视化地址预览 2,IT行业招聘数据分析与可视化 可视化地址预览 1,动漫评分数据分析与可视化 1.1 数据抓取 BilibiliSpider 将抓取文件 ...

  5. 基于Python的招聘网站爬虫及可视化的设计与实现

    摘 要 I Abstract II 引 言 1 第1章 课题概述 2 1.1 课题内容 2 1.2 课题背景 2 1.3 课题意义 3 1.4 运行环境 3 1.5 相关技术 3 1.5.1 Pyth ...

  6. 【基于Python的招聘网站爬虫及可视化的设计与实现】

    完整下载:基于Python的招聘网站爬虫及可视化的设计与实现.docx 目录 目录 2 摘要 3 关键词 3 第一章 绪论 3 1.1 研究背景 3 1.2 研究意义 4 1.3 研究目的 6 1.4 ...

  7. 数据分析：构建可视化报表服务

    上一步>>数据处理:数据建模与加工 实验背景介绍 本手册为北京云栖 Workshop<云数据·大计算:快速搭建互联网在线运营分析平台>的<数据分析:构建可视化报表服务&g ...

  8. 【原创】互联网行业数据分析通识（中）

    数据说·梦想季 努力的意义就是以后的日子里放眼望去全部都是自己喜欢的人和事.  前言  上一期我们从互联网行业特性.互联网行业常见的数据指标.数据分析概述等几个方面了解一下基于互联网行业背景下的数据分 ...

  9. 互联网业务数据分析- 数据处理

    本文简单介绍互联网业务数据分析中的数据处理,主要包括excel的数据格式化.数据清洗步骤以及数据的二次处理,此外,还简单介绍了数据如何进行快如呈现以及一些市面上较为好用的数据可视化工具.

  10. 【数据分析】基于Python的一次职位招聘数据分析（入门参考）

    基于Python的一次职位招聘数据分析 1 Python数据分析常用的库和库函数 2 一次完整的数据分析过程 画图 工作地点处理 工资计量单位统一 公司类型 行业类型 参考 配套资源下载 职位信息分析 ...

最新文章

  1. Python使用matplotlib可视化树状图、层次聚类系统树图、树状图根据给定的距离度量将相似点分组在一起、并根据点的相似性将它们组织成树状图链接起来（Dendrogram）
  2. 下列有关python语言的说法正确的是-下列有关对Python 语言的叙述中，不正确的是【 】。...
  3. 阿里重磅发布大规模图神经网络平台AliGraph，架构算法解读
  4. 2021-07-29
  5. Java中的状态设计模式–示例教程
  6. 和吴昊一起玩推理 Round 2 —— 蚂蚁爬杆问题
  7. 服务器内存升级与oracle 参数调整 实施
  8. TUIO协议 (转)
  9. 最直白的编译原理-基础知识（清华-王书3版）
  10. 一键拼接所有微信好友头像
  11. python 将微信聊天记录生成词云
  12. （附源码）ssm人力资源管理系统 毕业设计 271621
  13. 人工智能续写哈利波特，超魔幻风格你能接受吗？
  14. lua脚本PHP加密网站源码,【几维安全】lua脚本加密，lua代码加密使用说明
  15. 1.urllib爬取数据
  16. java prase xml error
  17. java中IOException是什么异常
  18. when I want to have a rest
  19. 简单通俗易懂 汽车入门知识图解大集合
  20. 我与我的专业计算机作文500字,我的学习生活作文500字（通用5篇）

热门文章

  1. 笔记：《深入浅出统计学》第十四章：卡方分布
  2. 计算机病毒有几个阶段,计算机病毒发展9阶段
  3. 移动应用开发之相关需求文档详细说明
  4. wps解密excel表格xlsx文件，excel表格xlsx权限密码多少？
  5. 使用C#调用P6 Primavera WebService(自建服务IntegrationAPI)
  6. Modelsim SE 的下载安装与注册
  7. 【机器学习数学基础】Mathematics for Machine Learning 梳理+习题答案
  8. Yedda Twitter C# Library
  9. 无法启动此程序因为计算机丢失gdiplus,gdiplus.dll 丢失
  10. ati 缺少关键性文件_win10重装系统缺少计算机所需的介质驱动程序的解决方法