摘要 1.分析动机:学习数据分析相关知识之后，学到不少知识，准备开始找工作。在这之前想自己做一个实战，一是能够证明自己确实做了准备，初步具备数据分析师岗位的能力，二是通过实战复习自己所学知识，熟悉数据分析流程。三是，从自己想从事的数据分析职位入手分析，也能够借此了解数据分析师的收入情况. 判断自己的学历、工作经验是否符合数据分析师的要求, 知晓哪些公司招聘需求高, 哪个城市、哪个领域较为需要数据分析师. 2.分析过程, 使用了爬虫爬取拉勾网数据分析职位的信息,共450条. 收集了以下字段的信息

职业名称, job_title 薪水, job_salary 城市, job_city 工作经验, job_experience 教育背景, job_education 公司名称, company_name 公司类型, company_type 公司状况, company_status 公司人数, company_people 技能需要, job_tips 工作福利, job_welfare

怕去完成之后导入数据库,这里用到的是mysql数据库. 在利用pandas进行数据清洗和归类,分析 最后利用pyecharts进行数据可视化操作.

以求能够全方位的获取和分析数据分析岗位的要求,和前景.为工作的选择和判断做出规划.

例子: 代码如下(后面的分析具体代码见文件)

from pyecharts import Geo import dy #自建库来完成重复的数据库数据调用 df = dy.con_sql('job') 分组, 计数, 重设索引, 排序(数据清洗) city_message = df.groupby(['job_city']) city_com = city_message['job_city'].agg(['count']) city_com.reset_index(inplace=True) city_com_last = city_com.sort_index() 画图 geo = Geo("拉勾网数据分析岗—城市分布热力图", title_pos='center', title_top='0', width=1200, height=600, title_color="#fff", background_color="#404a59",) attr = city_com_last['job_city'] value = city_com_last['count'] geo.add("", attr, value, type="heatmap", is_visualmap=True, visual_range=[0, 30], visual_text_color="#fff", is_label_show=True) geo.render('拉勾网数据分析岗—城市分布图.html')

从城市维度来看，北京数据分析职位的需求量为最多，其次其次是上海，杭州，深圳的数量不如杭州多。在TOP10城市中,对数据分析人才需求最大少的是郑州、合肥，职位数量仅仅4个。所以想要从事数据分析一职，基本上要选择留在北上广深，或者杭州，才能拥有更好的发展

由图可以看出：在10个细分领域中数据分析职位需求最高的是金融和移动互联网行业，其次是电子商务行业。需求最少的是生活服务和文化娱乐行业。

从工作年限来看，大部分公司的需求都在1-3年和3-5年这两个阶段。这两个阶段的人较工作5-10年的人年轻，精力旺盛，对工资要求不是特别高，学习能力也较强。 其中最值得注意的是应届生, 大部分岗位的工资甚至高过了一年经验的.

可以看到15-150内的公司薪资状况差不太多, 150-2000高一个档次, 2000+的又是另一个档次,比如BAT

这里可以发现本科和硕士的情况大致相同,知识极端情况本科多一些.我们能判断这个岗位和硕士学历不大匹配.

/拉勾网数据分析岗—公司状态薪水图(元_月).png 这是公司是否融资对于薪资的影响情况.

这是从450各岗位中筛选出来的所需技能的频次图,并且把其包装成树图的样子,可以清晰的看到,此岗位对于数据分析能力,SQL,数据运营, PowerBI, 数据挖掘, 数据库, 可视化, SPSS软件的使用有要求. 想求职的话最好是掌握和熟悉其中的大部分技能.

可以看到五险一金,双休, 扁平化管理,绩效等等

从城市维度来看，北京数据分析职位的需求量为最多，其次是上海，杭州，深圳的 薪资：数据分析职位的工资大部分集中在8K-22K左右，整体呈左偏分布。 从城市角度来看，北京、杭州、上海的数据分析职位工资位列前三名。 从公司规模维度分析，公司规模越大对数据分析人才的需求也就越大。从结果发现少于15人的公司需求量最少。 薪资：随着公司规模的增大，数据分析职位的工资也随之增高。高工资更多存在于公司规模大一些的公司。 融资阶段 需求情况：可以选择融资A轮以上的公司，尤其是上市公司和不需要融资的公司，这样的公司需求量较高。 薪资：从未融资到D轮融资，融资次数越多的公司工资水平也缓慢增加。 工作年限 需求情况：从工作年限来看，大部分公司的需求都在1-3年和3-5年这两个阶段。 薪资：从工作年限来分析，工作经验的增加有助于提升工资。 学历 需求情况：从学历维度看，本科学历的数据分析人才需求量最高，占比85.3%。 薪资：从学历方面来说，学历的提升还是有助于工资水平的增长。 总的来说维度比较单一.

数据分析更重要的是数学、统计知识和对业务的理解。后续会增加这方面的学习，进行更加深入的分析。