# python数据分析_flask期末项目 **Repository Path**: Yuandaorrr/analysis ## Basic Information - **Project Name**: python数据分析_flask期末项目 - **Description**: 大三python数据分析项目 - **Primary Language**: Unknown - **License**: Not specified - **Default Branch**: master - **Homepage**: https://gitee.com/Yuandaorrr/analysis - **GVP Project**: No ## Statistics - **Stars**: 1 - **Forks**: 0 - **Created**: 2021-07-02 - **Last Updated**: 2023-08-30 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # “数据分析”岗位的分析 - 作者：潘丽璇 ## 项目介绍 - 该项目选用了和鲸社区关于数据分析岗位的数据集来进行分析。项目主要使用“job.csv”文件作为数据源，其中数据文件的主要栏位有职位、城市、公司、薪资、学历、工作经验、行业标签。其中本项目所使用的可计算的栏位为最低薪资、最高薪资、平均薪资、奖金率。 本项目所使用的可分类的栏位为职位、城市、学历、工作经验、行业标签。通过对数据进行清洗重塑和分析，再使用plotly等工具进行绘图，实现图表的交互式数据可视化，最后使用flask框架（利用了bootstrap）进行网页上的可视化展示。最后展示了关于数据分析岗位的人才需求分布情况、薪资情况以及发展前景。 - 项目来源：选用boss直聘网站的数据分析职位的招聘数据 ## 数据分析目标 ![目标](img/数据分析目标.png) [数据分析目标](http://naotu.baidu.com/file/879df08193b02242e219c71829a020ed?token=acf51578fe1a1994) ## 数据分析结果价值宣言 ### 1. “数据分析”的优势 * 及时性高、可信度高、相关性强、安全性高 ### 2. 数据分析行业的就业前景 * 随着互联网和大数据的发展，数据分析市场需求大。 * 高于行业平均水平的薪资。 * 发展前景和选择性非常广。 ### 3. 本人研究数据分析行业的就业前景的原因 * 这学期开始接触数据分析，我对这个行业也慢慢从一开始“抵触复杂的代码”产生的害怕抗拒心理，转变成如今对数据分析有了兴趣，并且有以后从事这方面的兴趣和想法。看到一个又一个bug被自己解决的成就感，以及看到自己做出来的数据分析成果的满足感，还有通过数据分析，我对数据有了更深的理解。 * 我想了解数据分析行业的职位、薪资以及在各大城市的招聘情况是如何的，为以后作准备。 ## 数据清洗 - 清洗重复值、空缺值，重塑职位、城市、薪资、工作经验以及行业标签数据。 ## 数据绘图显示统计结果 - 1. 不同城市的平均薪资 ![](img/不同城市的平均薪资.jpg) * 通过上图，可以发现各个城市的均值与中位数差距不大，但是城市之间区别非常大 * 北上深杭这四个城市的工资水平远远高于其他城市，广州苏州稍为靠后 * 靠前的这几个城市也是全国经济最为发达的几个城市，而且都发布在东部 * 中西部城市薪资水平普遍低一些 - 2. 各个薪资阶段的岗位数量 ![](img/各个薪资阶段的岗位数量.jpg) * 通过上图可以观察到，从总体来看，这个岗位少部分人拿着极高的工资 * 他们拉高了整个岗位的平均水平 * 月薪八千至两万五的岗位不在少数 * 然而四千至六千的岗位居然是最多的，那么这些岗位主要是分布在哪些地区或行业呢，下面尝试进行分析. - 3. 薪资在四千至六千 ![](img/薪资在四千至六千.jpg) * 由上可知，岗位人数最多的薪资水平较低，为4-6k。 * 同时薪资水平在4-6k的岗位主要集中分布于郑州、青岛、南京、重庆、苏州、天津、成都、武汉、长沙等中西部城市。 * 东部地区的“数据分析”岗位薪资基本不在4-6k范围。 - 4. 薪资小于八千 * 根据调研得知大多数人找工作会把8k当作薪资的分水岭，以下分别分析薪资小于和大于8k的情况。 ![](img/薪资小于八千.jpg) - 4. 薪资大于八千 ![](img/薪资大于八千.jpg) * 从以上饼图可以看到，各城市间薪资水平差异非常大。 * 岗位人数最多的薪资阶段为4-6k，而且这些岗位大多分布在中西部城市。 * 薪资水平小于8k的岗位主要集中分布于青岛、天津、郑州、重庆、成都、武汉等中西部城市； 而北上广深杭等城市薪资水平小于8K的特别少。 * 而薪资水平大于8K的岗位分布区别则非常明显，北上广深杭的所占比重直接升至7%以上，青岛、郑州等城市所占比重则减少到3%左右。 * 由此可见，低薪岗位主要分布于中西部城市；高薪岗位主要分布在东部城市，特别是一线城市。 - 5. 选取薪资水平较高的五个城市进行分析 ![](img/选取薪资水平较高的五个城市进行分析.jpg) * 可以发现，北京的薪资水平是最高的，无论是最低值还是最高值，而且均分布在较高的水平 * 相对来说，杭州上海深圳两级分化最为严重 - 6. 不同学历的薪资和岗位情况 ![](img/不同学历的薪资情况.jpg) * 从学历方面来看，本科是一个分水岭 * 是否是本科，对薪资水平的影响还是很大的 * 而本科与硕士之间并没有特别大的差距 * 博士的薪资水平远远高于其他学历 ![](img/不同学历的岗位情况.jpg) * 从市场需求来看，要求本科占据绝大多数 * 该岗位对学历的门槛并不是很高，要求硕士的较少，而博士则是凤毛麟角 * 不过这也从侧面反映了社会上学历的分布状况，本科生及大专生占绝对多数 * 虽然市场需求量大，但是本科生就业压力也很大 - 7. 不同工作经验的薪资和岗位情况 ![](img/不同工作经验的薪资情况.jpg) * 应届生的工资还是比较低的，和工作经验一年内的差距并不大 * 但是随着工作年限的增加，迈过3年工作经验这个门槛，工资水平将直线上升 * 说明这个岗位是一个需要累积丰富经验的岗位 ![](img/不同工作经验的岗位情况.jpg) * 我们发现，市场上对于工作经验的要求还是很强烈的 * 1-5年的经验要求占绝大多数 * 而应届生和10年以上的需求则非常少 * 工作经验是入职成功与否的关键因素大。 - 8. 不同行业的薪资和岗位情况 ![](img/不同行业的薪资情况.jpg) ![](img/不同行业的岗位情况.jpg) * 通过上图我们可以发现，互联网行业和电子商务对该岗位的需求非常大，同时薪资水平相比于其他行业也高了很多。 * 而其他传统行业相对来说，无论是需求量还是薪资水平，都低一些。 ## 数据交互可视化展示 #### 首页 ![](网页展示/1.png) #### 跳转交互页面 ![](网页展示/2.png) #### 不同城市的平均薪资 ![](网页展示/3.png) #### 薪资在四千至六千的岗位数量 ![](网页展示/4.png) #### 薪资小于八千 ![](网页展示/5.png) #### 薪资大于八千 ![](网页展示/6.png) #### 不同学历的薪资情况 ![](网页展示/7.png) #### 不同学历的岗位情况 ![](网页展示/8.png) #### 不同工作经验的薪资情况 ![](网页展示/9.png) #### 不同工作经验的岗位情况 ![](网页展示/10.png) #### 不同行业的薪资情况 ![](网页展示/11.png) #### 不同行业的岗位情况 ![](网页展示/12.png) ## 数据结果总结 * 通过以上分析，可以发现，如果要成功进入数据分析行业，应该往北上广深行这几个城市考虑，这些城市的薪资水平高。 * 而行业方面应该着眼于互联网及电子商务等新兴行业，这些行业对该岗位的需求都比较大，而且薪资水平也普遍高。 * 该岗位对学历的门槛并不是很高，从市场需求来看，要求硕士的较少，而博士则是凤毛麟角。本科是一个分水岭。是否是本科，对薪资水平的影响还是很大的 不过这也从侧面反映了社会上学历的分布状况，本科生及大专生占绝对多数。 虽然市场需求量大，但是本科生就业压力也很大 * 工作经验对于该岗位而言非常重要，能否成功进入数据分析行业的关键门槛在于是否有工作经验，与薪资水平呈正相关。 * 而成功进入数据分析行业以后，只有在迈过3年这个坎，才会有比较大的突破。