进一步分析51job上宁波财务和IT的数据的招聘数据

进一步分析上次爬的数据后发现上次应该把地址爬下来，现在的数据只能做个简单的热力图，不过也懒得重新去爬了。将就用吧。

一、看看财务和IT的需求比例

用pyecharts实现的，发现这个画的图很漂亮。
代码和官网的demo很像，基本没怎么改。

# -- coding:utf-8 --
import pymongo
import pandas as pd
from pyecharts import options as opts
from pyecharts.charts import Pie
from pyecharts.charts import Mapconn = pymongo.MongoClient('127.0.0.1',port=27017)
db = conn['51job']['51job宁波财务']
db2= conn['51job']['51job宁波IT']
df=list(db.find())+list(db2.find())
df=pd.DataFrame(list(df))
df.drop("公司名",axis=1,inplace=True)
df.drop("职位名",axis=1,inplace=True)
df.drop("_id",axis=1,inplace=True)#画饼图
def pie_rich_label() -> Pie:# cw=df['分类'].value_counts()cw = df['分类'].loc[df['分类'] == '财务'].value_counts()[0]it = df['分类'].loc[df['分类'] == 'IT'].value_counts()[0]c = (Pie().add("",[('财务',int(cw)),('IT',int(it))],# 饼图的半径，数组的第一项是内半径，第二项是外半径# 默认设置成百分比，相对于容器高宽中较小的一项的一半radius=["20%", "55%"],# 标签配置项label_opts=opts.LabelOpts(position="outside",formatter="{hr|}\n {b|{b}: }{c}  {per|{d}%}  ",background_color="#eee",border_color="#aaa",border_width=1,border_radius=4,rich={"hr": {"borderColor": "#aaa","width": "100%","borderWidth": 0.5,"height": 0,},"b": {"fontSize": 16, "lineHeight": 33},"per": {"color": "#eee","backgroundColor": "#334455","padding": [2, 4],"borderRadius": 2,},},),).set_global_opts(title_opts=opts.TitleOpts(title="宁波财务和IT需求比例")))return c
pie_rich_label().render(path='宁波财务和IT需求比例.html')

二、看看IT和财务的平均工资热力图

不管是IT还是财务，平均工资居然还是两头的不发达区工资高，而位于市中心的地区平均工资低，难以想象。

三、再看看各区招聘需求

果然还是中心地区需求高，特别是鄞州区，独占了宁波南部商务区，东部新城，高新区等几个新区。看上去果然活力满满啊。
特地回去看看了下周边地区平均工资高的原因。恩，举个例子，我和马云平均年薪好几亿，但上海市人民平均年薪只有几十万。
看来有机会还是要去鄞州区啊。
最后放个代码


df['薪资范围'],df['年月'] = df['薪资'].str.split('/',n=1).str
df.drop("薪资",axis=1,inplace=True)#删除原有的列
df['最低薪资'],df['最高薪资0'] = df['薪资范围'].str.split('-',n=1).str
df.drop("薪资范围",axis=1,inplace=True)
df['单位'] = df['最高薪资0'].str.extract(r'([\u4E00-\u9FA5])')
df['最高薪资'] = df['最高薪资0'].str.extract(r'(\d+.\d+|\d+)')
df.drop("最高薪资0",axis=1,inplace=True)
df.单位[df['单位']=='千']=1000
df.单位[df['单位']=='万']=10000
df.年月[df['年月']=='年']=12
df.年月[df['年月']=='月']=1
#删除‘最低薪资’列，值为‘薪资’的所有行
df = df[(True^df['最低薪资'].isin(['薪资']))]
df = df[(True^df['最高薪资'].isin(['薪资']))]
#删除所有包含空值的行
df = df.dropna()
df['最低薪资']=df['最低薪资'].astype(float)
df['最高薪资']=df['最高薪资'].astype(float)
df['单位']=df['单位'].astype(float)
df['年月']=df['年月'].astype(float)
df['最低薪资（元）']=(df['最低薪资']*df['单位']/df['年月']).round(0)
df['最高薪资（元）']=(df['最高薪资']*df['单位']/df['年月']).round(0)
df.drop("最高薪资",axis=1,inplace=True)
df.drop("最低薪资",axis=1,inplace=True)
df.drop("单位",axis=1,inplace=True)
df.drop("年月",axis=1,inplace=True)
df['最低薪资（元）'] = df['最低薪资（元）'].loc[ df['最低薪资（元）'] < 50000]
df['最高薪资（元）'] = df['最高薪资（元）'].loc[ df['最高薪资（元）'] < 50000]
df = df.dropna()
df['工作地点0'],df['工作地点'] = df['工作地点'].str.split('-',n=1).str
df.drop("工作地点0",axis=1,inplace=True)
dfdz = df.dropna()
#排除某一列
dfdz.replace('高新区','鄞州区',inplace=True)
dfcw = dfdz[(True^dfdz['分类'].isin(['IT']))]
dfit = dfdz[(True^dfdz['分类'].isin(['财务']))]
#global ningbo_city,aa,bb,cc,dd
ningbo_city = ["慈溪市", "余姚市", "镇海区", "海曙区", "江北区", "鄞州区", "北仑区", "奉化区", "象山县", "宁海县"]
aa=[]
bb=[]
cc=[]
dd=[]
for i in ningbo_city:A = [dfcw[(dfcw['工作地点']==i)].mean()[0].round(0)]if A is None:aa =aa+''else: aa = aa+AB = [dfit[(dfit['工作地点']==i)].mean()[0].round(0)]if B is None:bb=bb+''else: bb = bb+BC = list(dfcw['工作地点'].loc[dfcw['工作地点']==i].value_counts())if C==[]:cc=cc+[0]else: cc = cc+CD = list(dfit['工作地点'].loc[dfit['工作地点']==i].value_counts())if D==[]:dd=dd+[0]else:dd = dd+Ddef map_aa() -> Map:c = (Map().add("财务", [list(z) for z in zip(ningbo_city, aa)], "宁波").set_global_opts(title_opts=opts.TitleOpts(title="宁波地图财务平均薪资"),visualmap_opts=opts.VisualMapOpts(max_=max(aa),min_=min(aa)),))return c
map_aa().render(path='宁波地图财务平均薪资.html')def map_bb() -> Map:c = (Map().add("IT", [list(z) for z in zip(ningbo_city, bb)], "宁波").set_global_opts(title_opts=opts.TitleOpts(title="宁波地图IT平均薪资"),visualmap_opts=opts.VisualMapOpts(max_=max(bb),min_=min(bb)),))return c
map_bb().render(path='宁波地图IT平均薪资.html')def map_cc() -> Map:c = (Map().add("财务", [list(z) for z in zip(ningbo_city, cc)], "宁波").set_global_opts(title_opts=opts.TitleOpts(title="宁波地图财务平均需求"),visualmap_opts=opts.VisualMapOpts(max_=max(cc),min_=min(cc)),))return c
map_cc().render(path='宁波地图财务平均需求.html')def map_dd() -> Map:c = (Map().add("IT", [list(z) for z in zip(ningbo_city, dd)], "宁波").set_global_opts(title_opts=opts.TitleOpts(title="宁波地图IT平均需求"),visualmap_opts=opts.VisualMapOpts(max_=max(dd),min_=min(dd)),))return c
map_dd().render(path='宁波地图IT平均需求.html')

下次要把准确地址爬下来，做个真正的热力图。

进一步分析51job上宁波财务和IT的数据的招聘数据相关推荐

国内操作系统OS分析（上）
国内操作系统OS分析(上) 一．操作系统(OS)概述操作系统(OS,Operating System),是管理.控制计算机软硬件资源的计算机程序,并为用户提供一个与系统交互的操作界面.OS是配置在计 ...
Linux内存技术分析（上）
Linux内存技术分析(上) 一．Linux存储器限于存储介质的存取速率和成本,现代计算机的存储结构呈现为金字塔型.越往塔顶,存取效率越高.但成本也越高,所以容量也就越小.得益于程序访问的局部性原理 ...
通过检查table_locks_waited和table_locks_immediate状态变量来分析系统上的表锁定争夺
可以通过检查table_locks_waited和table_locks_immediate状态变量来分析系统上的表锁定争夺: mysql> show status like 'Table%'; ...
案例分享 | 某券商利用AI技术进行告警关联分析（上）
本内容来自公众号"布博士"------(擎创科技资深产品专家) 背景: 作为大型券商企业之一,某券商对深入数字化转型,以及对应用.网络.主机.操作系统.中间件.用户使用体验等的全面 ...
Python爬虫，爬取51job上有关大数据的招聘信息
Python爬虫,爬取51job上有关大数据的招聘信息爬虫初学者,练手实战最近在上数据收集课,分享一些代码. 分析所要爬取的网址 https://search.51job.com/list/000 ...
利用python编写爬虫程序，从招聘网站上爬取数据，将数据存入到MongoDB数据库中，将存入的数据作一定的数据清洗后做数据分析，最后将分析的结果做数据可视化
教程演示创建爬虫项目编写需要爬取的字段(items.py) 编写spider文件(wuyou.py) 编写数据库连接(pipelines.py) 编写反爬措施(settings.py) Mongo ...
rustup 慢_Rust真的比C慢吗？进一步分析queen微测评
昨天,我在文章里分析了微测评的不可靠的问题,遗留了一点技术细节没有剖析清楚.评论区@王明哲提示了我可以用VTune工具,那我今天就来接着分析一下. 前情回顾昨天的微测评中,我分别通过在queen.r ...
用python实行财务报告分析,用python做财务数据分析
Python是否有用于财务报表分析的库谷歌人工智能写作项目:小发猫 python如何做数据分析用Python做数据分析,大致流程如下:1.数据获取可以通过SQL查询语句来获取数据库中想要数据typ ...
DID会固定年份吗_倍分法DID详解 (三)：多时点 DID (渐进DID) 的进一步分析
作者:王昆仑 (天津大学) E-mail: shawn0513@163.com 连享会专题课程:DSGE 模型及应用连享会 DSGE 专题课程这是连享会「倍分法(DID)专题推文」系列的第三篇文章 ...

进一步分析51job上宁波财务和IT的数据的招聘数据

进一步分析51job上宁波财务和IT的数据的招聘数据

一、看看财务和IT的需求比例

二、看看IT和财务的平均工资热力图

三、再看看各区招聘需求

进一步分析51job上宁波财务和IT的数据的招聘数据相关推荐

最新文章

热门文章