关于数据分析与可视化 本公众号定期分享数据分析与可视化干货文章，并有时结合热点话题进行深入讨论，希望您会喜欢，要是哪里写的不好，也渴望倾听您的想法和意见，感谢！❤️
128篇原创内容
公众号
数据抓取的步骤
我们用Python当中的requests模块来发送与接收请求，然后用BeautifulSoup模块也解析返回的数据，代码如下@retry(stop=stop_after_attempt(7))
def make_requests(url):
response = requests.get(url=url, headers=headers)
response_1 = BeautifulSoup(response.text, 'lxml')
return response_1
解析数据的代码如下
def process_data(index, job_title, response_text):
response_2 = response_text.select('div.list__YibNq')
for resp in response_2[0]:
if resp.select('div.p-top__1F7CL a'):
job_titles = resp.select('div.p-top__1F7CL a')[0].get_text()
else:
job_titles = ''
if resp.select('span.money__3Lkgq'):
payments = resp.select('span.money__3Lkgq')[0].get_text()
else:
payments = ''
.........
然后最后将收集到的数据导出到excel当中，代码如下
df = pd.DataFrame(
{'职位名称': job_titles_list, '薪资待遇': payments_list, '工作年限': work_years_list, '公司名称': company_name_list,
'所处行业': industry_list, '岗位简介': job_title_description_list})
path = 'job_files/'
if not os.path.exists(path):
os.makedirs(path)
df.to_excel('./job_files/{}_{}.xlsx'.format(job_title, index), index = False)
小编这次所抓取的岗位分别有“数据分析师”、“数据挖掘工程师”、“数据产品经理”、“大数据开发工程师”以及“数据运营助理”等等，接下来我们就针对所收集到的数据进行清洗与进一步的处理吧数据的清洗与处理
我们用到的是Pandas模块，首先先导入所有收集到的数据
import pandas as pd
import os
df_all = pd.DataFrame(columns=['职位名称', '薪资待遇', '工作年限', '公司名称', '所处行业', '岗位简介'])
for file in os.listdir('./job_files'):
df = pd.read_excel('./job_files/' + file)
df_all = df_all.append(df, ignore_index=True)
我们来看一下最终的数据集长什么样子
print(df_all.info())
output
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2238 entries, 0 to 2237
Data columns (total 6 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 职位名称 2238 non-null object
1 薪资待遇 2238 non-null object
2 工作年限 2238 non-null object
3 公司名称 2238 non-null object
4 所处行业 2234 non-null object
5 岗位简介 2238 non-null object
dtypes: object(6)
memory usage: 105.0+ KB
数据集当中或许存在重复的内容，我们用drop_duplicates()方法来进行重复项的去除df_all_1 = df_all.drop_duplicates()
df_all_1.info()
output
<class 'pandas.core.frame.DataFrame'>
Int64Index: 2207 entries, 0 to 2237
Data columns (total 6 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 职位名称 2207 non-null object
1 薪资待遇 2207 non-null object
2 工作年限 2207 non-null object
3 公司名称 2207 non-null object
4 所处行业 2203 non-null object
5 岗位简介 2207 non-null object
dtypes: object(6)
memory usage: 120.7+ KB
df_all_1 = df_all_1.dropna(axis = 0, how = 'any')
df_all_1.info()
output
<class 'pandas.core.frame.DataFrame'>
Int64Index: 2203 entries, 0 to 2237
Data columns (total 6 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 职位名称 2203 non-null object
1 薪资待遇 2203 non-null object
2 工作年限 2203 non-null object
3 公司名称 2203 non-null object
4 所处行业 2203 non-null object
5 岗位简介 2203 non-null object
dtypes: object(6)
memory usage: 120.5+ KB
接下来为了方便对薪资数据进行统计分析，我们对此也需要进行相对应的处理
df_all_1['薪资待遇'] = df_all_1['薪资待遇'].str.replace('k', '000')
可视化分析结果
我们先来看薪资上面的差距，根据不同的职位名称来看，例如我们来看“数据产品经理”这个岗位df_all_1[df_all_1['职位名称'].str.contains('产品经理')]['薪资待遇'].value_counts().head(5)
output
20000-40000 66
15000-30000 48
15000-25000 46
20000-30000 27
25000-50000 26
Name: 薪资待遇, dtype: int64
较多的是集中在20K-40K这个范围当中，具体我们可以通过下面这个可视化的结果来看
我们可以发现的是整体的市场中“数据产品经理”这个岗位的整体待遇是相对更好一点的，其次便是“数据挖掘工程师”这个岗位，薪资一般也比较容易达到20K-40K之间的区间接下来我们来看一下哪些城市对数据方面的人才需求是最多的，
df_all_1['城市分布'] = df_all_1['职位名称'].apply(lambda x: x.split('[')[1].split('·')[0])
df_all_1['城市分布'].value_counts().head(10)
output
北京 702
上海 446
深圳 404
杭州 194
广州 190
成都 68
武汉 57
西安 23
南京 18
苏州 15
Name: 城市分布, dtype: int64
可以看到的是对于数据方面的人才需求最旺盛的仍然是北京，上海排在第二，与此同时呢，杭州在这方面的需求上面已经超过了广州，位列第四，同时在前十名当中成都、南京以及武汉与西安都纷纷上榜接下来我们来看一下哪个行业所需要的数据方面的人才最多，
df_all_1['行业'] = df_all_1['所处行业'].apply(lambda x: x.split('｜')[0].split('/')[0])
df_all_1['行业'].value_counts().head(10)
output
数据服务 175
内容资讯,短视频 155
软件服务 141
科技金融 114
电商平台 84
IT技术服务 68
企业服务 61
游戏 55
专业服务 52
消费生活 52
Name: 行业, dtype: int64
从上面的结果中看到，除了“数据服务”行业之外，还有“内容咨询、短视频”领域、“软件服务”、“科技金融”、“电商平台”、“IT技术服务”等领域对于数据方面的人才都有着相当旺盛的需求我们来看一下各家公司对于数据方面的人才，在学历上又有何种要求呢？
df_all_1['学历要求'] = df_all_1['工作年限'].apply(lambda x: x.split('/')[-1])
df_all_1['学历要求'].value_counts()
output
本科 1922
硕士 119
不限 77
大专 73
博士 12
Name: 学历要求, dtype: int64
一般来说仅仅是“本科”的学历就可以了，当然还有少数的公司对于学历的要求是局限在硕士之上各家公司为了吸引越来越多的人才前往加入公司，也打出了各色各样的标语，小编做了汇总，并且做成词云图，首先我们用jieba模块对文本数据进行分词word_num = jieba.lcut(text, cut_all = False)
rule = re.compile(r'^[\u4e00-\u9fa5]+$')
word_num_selected = [word for word in word_num if word not in stop_words and
re.search(rule, word) and len(word) >= 2]
接着我们使用stylecloud模块来进行词云图的绘制
stylecloud.gen_stylecloud(text=' '.join(review_list), max_words=100, collocations=False,
font_path='KAITI.ttf', icon_name='fab fa-apple', size=653,
output_name='4.png')
output
