BOSS招聘网站数据分析岗位分析详情

数据来源于BOSS招聘网站,仅供学习

#导包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import re

#中文显示及负号显示
plt.rcParams[‘font.sans-serif’]=[‘SimHei’]
plt.rcParams[‘axes.unicode_minus’]=False

#读取数据
df = pd.read_csv(’./boss.csv’,header=None,names=[‘公司’,‘职位’,‘地点’,‘薪资’,‘工作经验及学历’,‘所属行业’,‘详情’])
df.head()

#查看数据详情
df.info()

#查看是否有重复
df.duplicated().sum()

#删除重复
df.drop_duplicates(inplace=True)

#确认是否删除
df.duplicated().sum()

#查看职位信息
df[‘职位’].unique()

#发现有找实习岗位
sx = df[‘职位’].str.contains(‘实习’)
sx.sum()

#实习岗位数量较少,需进行删除
df = df[~sx]
df.reset_index(drop=True,inplace=True)
df.head()

#查看地点
df[‘地点’].unique()

#查看薪资
df[‘薪资’].unique()

#薪资进行拆分,分为最高薪资和最低薪资
df[‘最低薪资’] = df[‘薪资’].str.extract(’^(\d+).’)
df[‘最高薪资’] = df[‘薪资’].str.extract(’^.?-(\d+).*’)
df.head()

#有些公司薪资包含有奖金,计算每个岗位的奖金率
df[‘奖金率’] = df[‘薪资’].str.extract(’^.*?·(\d{2})薪’)
df[‘奖金率’].fillna(12,inplace=True)
df[‘奖金率’] = df[‘奖金率’].astype(‘float’)
df[‘奖金率’] = df[‘奖金率’] / 12
df.head()

#计算平均薪资
df[‘最高薪资’] = df[‘最高薪资’].astype(‘int’)
df[‘最低薪资’] = df[‘最低薪资’].astype(‘int’)
df[‘平均薪资’] = (df[‘最高薪资’] + df[‘最低薪资’]) / 2
df.head()

#查看薪资详情
df.describe()

#剔除异常薪资
df = df[(df.平均薪资 > 3)&(df.平均薪资 < 70)]
df.describe()

#查看工作经验及学历
df[‘工作经验及学历’].unique()

#将工作经验和学历进行拆分
df[‘工作经验’] = df[‘工作经验及学历’].str.extract(’^(\d+/?-\d+)’)
df[‘学历’] = df[‘工作经验及学历’].str[-2:]
df.head()

#查看工作经验
df[‘工作经验’].unique()

#将工作经验进行分层
df[‘工作经验’].replace(‘1-3’,‘1-3年’,inplace=True)
df[‘工作经验’].replace(‘3-5’,‘3-5年’,inplace=True)
df[‘工作经验’].replace(‘5-10’,‘5-10年’,inplace=True)
df[‘工作经验’].replace(np.nan,‘经验不限’,inplace=True)
df[‘工作经验’].unique()

#查看学历
df[‘学历’].unique()

#查看所属行业
df.所属行业.value_counts()[:15]

#查看不同城市的平均薪资和中位数薪资
plt.figure(figsize=(14,8))
df[‘平均薪资’].groupby(df[‘地点’]).agg([‘mean’,‘median’]).plot.bar()

由图可知,发现上海,北京,杭州,深圳四个城市的薪资水平远远高于其它城市,广州紧随其后

#不同薪资的数量分布
plt.figure(figsize=(12,8))
plt.hist(df[‘平均薪资’],bins=30,alpha=0.6,edgecolor=‘k’)
plt.ylabel(‘岗位数’)
plt.xlabel(‘薪资’)
plt.xticks(list(range(0,70,5)))
plt.show()

由图可知,少部分人拿高工资,月薪五千到一万岗位数量最多,月薪一万到三万的岗位不在少数

#以平均月薪10K分段比较不同城市的占比
plt.figure(figsize=(12,8))
plt.subplot(121)
temp = df[df[‘平均薪资’]<10].groupby(‘地点’)[‘平均薪资’].count()
plt.pie(temp,labels=temp.index,autopct=’%.2f%%’)
plt.title(‘薪资小于10K各城市对比’)

plt.subplot(122)
temp = df[df[‘平均薪资’]>10].groupby(‘地点’)[‘平均薪资’].count()
plt.pie(temp,labels=temp.index,autopct=’%.2f%%’)
plt.title(‘薪资大于10K各城市占比’)

由图可知,北杭上广深五城市薪资大于10K共占比高达66.03%,薪资与其它城市薪资水平差异很大,底薪岗位位于苏州,及中西部城市.

#不同学历的薪资情况
plt.figure(figsize=(14,8))
df[‘平均薪资’].groupby(df[‘学历’]).agg([‘mean’,‘median’]).plot.bar()

由图可知,是否是本科及以上对薪资影响很大,本科和硕士薪资没有多大区别,博士薪资水平远远高于其它学历

#查看学历需求情况
data = df[‘学历’].value_counts()

plt.figure(figsize=(8,8))
plt.pie(data.values,labels=data.index,autopct=’%.2f%%’)
plt.title(“各学历占比”)
plt.show()

由图可知,要求有本科学历占绝大多数,占比高达79.13%,其次是大专占比12.69%,硕士占比5.45%,而博士则是极少数

#不同经验的薪资情况
plt.figure(figsize=(12,8))
df[‘平均薪资’].groupby(df[‘工作经验’]).agg([‘mean’,‘median’]).plot.bar()

由图可知,5-10年工作经验薪资是最多的,应届生工资是比较低的,随着工作经验

#各工作经验占比情况
data = df[‘工作经验’].value_counts()

plt.figure(figsize=(8,8))
plt.pie(data.values,labels=data.index,autopct=’%.2f%%’)
plt.title(‘各工作经验占比’)
plt.show()

由图可知,3-5年工作经验需求是最多,占比36.62%,其次是1-3年占比29.66%,1-5年工作经验占比69.28%,可想而知,市场对工作经验的要求是很强烈的,有与工作经验是成功入职的关键

#不同行业的薪资情况
plt.figure(figsize=(12,8))
df[‘平均薪资’].groupby(df[‘所属行业’][:15]).agg([‘mean’,‘median’]).plot.bar()

由题可知,互联网行业平均薪资比其他行业较高,其次是电子商务,在线教育和其他服务业平均薪资较低

#各行业占比
data = df[‘所属行业’].value_counts()

plt.figure(figsize=(8,8))
plt.pie(data.values,labels=data.index,autopct=’%.2f%%’)
plt.title(‘各行业占比’)
plt.show()

由图可知,互联网行业和电子商务对数据分析岗位的需求非常大,占比达57.94%,同时薪资水平相比其他行业较高,而其他行业相对来说需求较少,薪资也低一些.

#岗位要求词云图,发现一些意义不大的字段,需要剔除
from wordcloud import WordCloud

text = df[‘详情’].dropna().to_string()
text = text.replace(‘数据分析师’,’’)
text = text.replace(‘数据分析工程’,’’)
text = text.replace(‘数据分析专员’,’’)
text = text.replace(‘数据分析’,’’)
plt.figure(figsize=(8,6))
wordcloud = WordCloud(font_path=‘simhei.ttf’,
background_color=‘white’,
min_font_size=10,
color_func=lambda *args,**kwargs:(0,0,0),
width=900,height=600).generate(text)

plt.imshow(wordcloud)
plt.axis(‘off’)

此图显示各个企业对数据分析师职业技能需求的关键字。数据挖掘，商业分析,python,数据仓库，SQL,建模,大数据是最需要的技能

总结:
通过以上分析,可以发现,如果要成功转行,应该去北上广深杭这几个城市发展,这些城市的薪资水平较高,
需求量较多,特别是互联网行业和电子商务,胜任岗位所需要的相关技能是很重要的,
工作经验对于岗位而言是非常重要的,能否成功转行的关键门槛在于是否有工作经验,也和薪资水平呈正相关,
而转行以后,只要迈过3年这个坎,才会有比较大的突破.

BOSS招聘网站数据分析岗位分析详情相关推荐

Python 实战分析某招聘网站数据分析岗位的招聘情况
前言嗨喽~大家好呀,这里是魔王呐 ❤ ~ 今天案例难度指数: ☆☆☆ 准备环境使用: Anaconda (python3.9) –>识别我们写的代码开发工具: jupyter notebo ...
某招聘网站“数据分析”相关岗位招聘信息爬取并分析
确定目标简单分析数据分析相关岗位的薪酬状况及技能要求: 尝试数据分析从数据获取到数据分析报告撰写的整个数据分析流程,学习爬虫.数据清洗.数据分析相关技巧. 数据获取获取的岗位数据来源于某招聘网站, ...
R分析实现对招聘网站薪资预测分析
1.首先确定数据分析目标--薪酬受哪些因素影响确定变量: 因变量:薪资自变量:(定性)-- 公司类别.公司规模.地区.行业类别.学历要求.软件要求. (定量)-- 经验要求(数值型) 分析目标:建 ...
python实时招聘信息与岗位分析数据可视化大屏展示（selenium+mysql+flask）
第一部分(数据获取) 1.数据库表创建首先通过python的sqlalchemy模块,来新建一个表. creat_tables.py(配置好自己的数据库连接和密码) from sqlalchemy ...
某Boss招聘网站的反反爬机制详解
近日出于学习的目的对某Boss网站的反爬机制进行了分析和逆向,终于完全搞定了,记录总结下方便日后学习! 本代码请仅用于纯技术研究的用途,请勿用于商业用途或非法用途,如果因使用者非法使用造成的法律 ...
大数据毕业设计招聘网站数据分析可视化 - python flask 网络爬虫
文章目录 0 前言 1 课题背景 2 实现效果 3 Flask框架 4 Echarts 5 爬虫 6 最后 0 前言
（附源码）ssm招聘网站毕业设计 250858
SSM招聘网站摘要招聘网站采用B/S结构.java开发语言.以及Mysql数据库等技术.系统主要分为管理员.用户.企业三部分,管理员管理主要功能包括:首页.站点管理(轮播图.公告栏)用户管理( ...
招聘网站分析-智联招聘网的爬虫设计与实现
爬虫文件原理 1.分析智联招聘网是招聘网站中爬取难度最高的网站.为了减轻爬虫对网站运营的影响,要求用户必须注册登录,否则提示登录后才能进行信息检索. 智联招聘网的页面布局以及列表页请求url.注册 ...
综合项目：人工智能领域目前职位及薪资现状分析 - 基于主流招聘网站信息
~~~~~~~~本文基于对三大主流招聘网站收集的信息进行清洗.处理.转换的基础上,对当前人工智能领域的行业现状进行了简要分析.通过对数据的特征工程处理生成适合于机器学习算法的数据集,并利用数据集对目前 ...
数据挖掘相关岗位分析及规划
目录相关岗位情况个人能力要求具体计划实施相关岗位情况资料来源如下,以及一些招聘网站. 岗位详细介绍https://www.zhihu.com/question/50538518/answer ...

BOSS招聘网站数据分析岗位分析详情

BOSS招聘网站数据分析岗位分析详情相关推荐

最新文章

热门文章