關于招聘信息簡單分析第三彈甘改，對招聘信息中融資情況歼培、工作經(jīng)驗嘴办、學歷要求和薪酬之間的關系進行簡單分析和數(shù)據(jù)可視化操作（本例中數(shù)據(jù)主要集中為Python相關職位分析）
分析工具
import pandas as pd
from pyecharts import Boxplot
import matplotlib.pyplot as plt
import seaborn as sns
df = pd.read_csv("數(shù)據(jù)文件")
# matplotlib 中文顯示設置
plt.rcParams['font.sans-serif']=['SimHei']
# 取平均值為薪酬值
def avg_salary(salary):
salary_list = salary.split('-')
salary_min = salary_list[0][:-1]
salary_max = salary_list[1][:-1]
return (int(salary_min)+int(salary_max))/2.0
北京部分區(qū)縣薪酬比較
薪酬和區(qū)域之間關系數(shù)據(jù)處理
df["salary_avg"] = df["工資"].apply(avg_salary).astype(int)
groupy_by_dist = df.groupby(["區(qū)域"])["salary_avg"]
count_by_dist = df.groupby(['區(qū)域'])['區(qū)域'].count()
df_dist =[]
for group in count_by_dist.index:
v = groupy_by_dist.get_group(group).values
df_dist.append(v)
- seaborn工具實現(xiàn)數(shù)據(jù)展示
ax = plt.figure(figsize=(10, 6)).add_subplot(111)
sns.boxplot(data=df_dist)
ax.set_xticklabels(count_by_dist.index, rotation=-30,fontsize=18)
ax.set_title('北京部分地區(qū)薪酬比較', fontsize=22)
ax.set_ylabel('薪酬K/月', fontsize=20)
plt.savefig('北京部分地區(qū)薪酬比較', bbox_inches='tight')
plt.show()
- pycharts工具實現(xiàn)數(shù)據(jù)展示
boxplot = Boxplot("北京部分城區(qū)薪酬比較")
boxplot.use_theme("dark")
_yaxis = boxplot.prepare_data(df_dist)
boxplot.add("",count_by_dist.index , _yaxis,is_area_show=True,yaxis_name="薪酬（k/月）",is_label_show=True,
is_axisline_show=True,is_fill=True,mark_point=["max","min","average"])
boxplot.render()
北京部分地區(qū)薪酬比較
北京部分地區(qū)薪酬比較
朝陽區(qū)薪酬最高弹谁，海淀區(qū)緊跟其后乾巧。并且北京各區(qū)Python職位薪資水平普遍還是較高的，薪酬分布最大值為25k（石景山區(qū)）预愤、最小值為2K（海淀區(qū)）沟于、平均值為11K（東城區(qū)）。
不同工作經(jīng)驗的薪酬情況
薪酬和工作經(jīng)驗之間關系數(shù)據(jù)處理
count_by_experience = df.groupby(['工作經(jīng)驗'])['工作經(jīng)驗'].count()
value_by_experience = pd.DataFrame([count_by_experience.index, count_by_experience.values], index = ['experience', 'counts']).T
sort_by_experience = value_by_experience.copy()
mappings = {'應屆畢業(yè)生':1, '1年以下':2, '1-3年':3, '3-5年':4, '5-10年':5, '10年以上':6,'不限':7}
sort_by_experience['sortby'] = sort_by_experience['experience'].map(mappings)
sort_by_experience.sort_values(by='sortby', inplace=True)
df["salary_avg"] = df["工資"].apply(avg_salary).astype(int)
groupy_by_experience = df.groupby(['工作經(jīng)驗'])["salary_avg"]
df_exper = []
for group in sort_by_experience["experience"]:
v = groupy_by_experience.get_group(group).values
df_exper.append(v)
- seaborn工具實現(xiàn)數(shù)據(jù)展示
ax = plt.figure(figsize=(10,6)).add_subplot(111,axisbg='#FFDAB9')
# add_subplot(111)
sns.boxplot(data=df_exper)
ax.set_xticklabels(sort_by_experience["experience"],fontsize=18)
ax.set_title('不同工作經(jīng)驗的薪酬分布',fontsize=20)
ax.set_ylabel('薪酬K/月', fontsize=20)
plt.savefig('不同工作經(jīng)驗的薪酬分布')
plt.show()
- Pyecharts工具實現(xiàn)數(shù)據(jù)展示
from pyecharts import Boxplot
boxplot = Boxplot("不同工作經(jīng)驗的薪酬分布")
boxplot.use_theme("dark")
_yaxis = boxplot.prepare_data(df_exper)
boxplot.add("",sort_by_experience["experience"] , _yaxis,is_area_show=True,yaxis_name="薪酬（k/月）",is_label_show=True,
is_axisline_show=True,mark_point=["max","min","average"],
is_geo_effect_show=True)
boxplot.render("exp_sal.html")
不同工作經(jīng)驗的薪酬分布
不同工作經(jīng)驗的薪酬分布
工作經(jīng)驗和薪資呈正相關分布鳖粟，而3-5年和5-10年工作經(jīng)驗基本代表Python職位薪資普遍薪酬社裆。薪酬分布最大值為40k（10年以上）、最小值為2K（應屆畢業(yè)生）向图、平均值為11K（3-5年）泳秀。
不同學歷要求的薪酬分布
學歷要求和薪酬之間關系數(shù)據(jù)處理
count_by_degree = df.groupby(['學歷要求'])['學歷要求'].count()
value_by_degree = pd.DataFrame([count_by_degree.index, count_by_degree.values], index = ['degree', 'counts']).T
sort_by_degree = value_by_degree.copy()
degree_mappings = {'不限':1, '大專':2, '本科':3, '碩士':4,'博士':5}
sort_by_degree['sortby'] = sort_by_degree['degree'].map(degree_mappings)
sort_by_degree.sort_values(by='sortby', inplace=True)
df["salary_avg"] = df['工資'].apply(avg_salary).astype(int)
group_by_degree = df.groupby(['學歷要求'])['salary_avg']
df_deg = []
for group in sort_by_degree['degree']:
v = group_by_degree.get_group(group).values
df_deg.append(v)
-
seaborn工具實現(xiàn)數(shù)據(jù)展示
ax = plt.figure(figsize=(10, 8)).add_subplot(111,axisbg='#FFDAB9') sns.boxplot(data=df_deg) ax.set_xticklabels(sort_by_degree['degree'], fontsize=18) ax.set_title('不同學歷的薪酬分布', fontsize=22) ax.set_ylabel('薪酬K/月', fontsize=20) plt.savefig('不同學歷的薪酬分布') plt.show()``` -
Pyecharts工具實現(xiàn)數(shù)據(jù)展示
from pyecharts import Boxplot boxplot = Boxplot("不同學歷要求的薪酬分布") boxplot.use_theme("dark") _yaxis = boxplot.prepare_data(df_deg) boxplot.add("",sort_by_degree["degree"] , _yaxis,is_area_show=True,yaxis_name="薪酬（k/月）",is_label_show=True, is_axisline_show=True,mark_point=["max","min","average"], is_geo_effect_show=True) boxplot.render("deg_sal.html")
不同學歷的薪酬分布
不同學歷要求的薪酬分布
同樣學歷和薪資呈正相關分布，而大專和本科基本代表Python職位薪資普遍薪酬榄攀。薪酬分布最大值為35k（博士）嗜傅、最小值為2K（碩士）、平均值為7K（不限）檩赢。而由于數(shù)據(jù)樣本過于集中導致數(shù)據(jù)分析結(jié)果出現(xiàn)極值吕嘀，本科占整個數(shù)據(jù)比例為90%左右。
公司融資情況和薪酬之間關系
公司融資情況和薪酬之間關系數(shù)據(jù)處理
count_by_financing = df.groupby(['融資階段'])['融資階段'].count()
value_by_financing = pd.DataFrame([count_by_financing.index, count_by_financing.values], index = ['financing', 'counts']).T
sort_by_financing = value_by_financing.copy()
mappings = {'未融資':1, '天使輪':2, 'A輪':3, 'B輪':4, 'C輪':5,'D輪及以上':6, '上市公司':7,'不需要融資':8}
sort_by_financing['sortby'] = sort_by_financing['financing'].map(mappings)
sort_by_financing.sort_values(by='sortby', inplace=True)
df["salary_avg"] = df["工資"].apply(avg_salary).astype(int)
groupy_by_financing = df.groupby(['融資階段'])["salary_avg"]
df_financing = []
for group in sort_by_financing["financing"]:
v = groupy_by_financing.get_group(group).values
df_financing.append(v)
-
seaborn工具實現(xiàn)數(shù)據(jù)展示
ax = plt.figure(figsize=(10,6)).add_subplot(111,axisbg='#FFDAB9') sns.boxplot(data=df_financing) ax.set_xticklabels(sort_by_financing["financing"],rotation=-45,fontsize=18) ax.set_title('融資情況和薪酬之間的關系',fontsize=20) ax.set_ylabel('薪酬K/月', fontsize=20) plt.savefig('融資情況和薪酬之間的關系') plt.show() -
Pyecharts工具實現(xiàn)數(shù)據(jù)展示
from pyecharts import Boxplot boxplot = Boxplot("融資情況和薪酬之間的關系") boxplot.use_theme("dark") _yaxis = boxplot.prepare_data(df_financing) boxplot.add("",sort_by_financing["financing"] , _yaxis,is_area_show=True,yaxis_name="薪酬（k/月）",is_label_show=True, is_axisline_show=True,mark_point=["max","min","average"], is_geo_effect_show=True) boxplot.render("financing_sal.html")
融資情況和薪酬之間的關系
融資情況和薪酬之間的關系
公司融資和薪資關系并不是很緊密，公司獲得天使輪投資的Python職位薪資相對較高偶房。薪酬分布最大值為6k（天使輪）趁曼、最小值為2K（A輪）、平均值為3K（B輪）棕洋。
