62 Pandas+Pyecharts | 智联招聘大数据岗位数据分析可视化
- 可视化系列
- 3天前
- 944热度
- 1评论
大家好，我是欧K~
本期我们利用Python分析「智联招聘大数据岗位数据集」，看看：各招聘城市平均薪资分布、招聘岗位数量分布、岗位学历要求、岗位经验要求、不同学历不同工作经验平均薪资分布等等，希望对大家有所帮助，如有疑问或者需要改进的地方可以联系小编。
涉及到的库：
Pandas— 数据处理
Pyecharts— 数据可视化
1. 导入模块
import pandas as pd
from pyecharts.charts import *
from pyecharts import options as opts
import warnings
warnings.filterwarnings('ignore')2. Pandas数据处理
2.1 读取数据
df = pd.read_excel('datas.xlsx')
2.2 数据信息
df.info()
2.3 数据去重
df = df.drop_duplicates()2.4 薪资处理
def split_salary(salary, method):
low_salary_1 = 0.0
high_salary_1 = 0.0
salary_t = salary.split('·')[0]
if '-' in salary_t:
low_salary = salary_t.split('-')[0]
high_salary = salary_t.split('-')[1]
if '万' in salary_t:
low_salary_1 = float(low_salary) * 10000
high_salary_1 = float(high_salary.replace('万','')) * 10000
elif '元' in salary_t:
low_salary_1 = float(low_salary)
high_salary_1 = float(high_salary.replace('元',''))
if method == 'low':
returnint(low_salary_1)
elif method == 'high':
returnint(high_salary_1)
3. Pyecharts数据可视化
3.1 各城市平均薪资
def get_chart():
chart = (
Map(i)
.add('',
data_pair=datas,
maptype='china-cities',
is_map_symbol_show=False,
)
.set_global_opts(
visualmap_opts=opts.VisualMapOpts(
pos_left = '3%',
pos_bottom='20%',
range_color=range_color
),
legend_opts=opts.LegendOpts(is_show=False),
title_opts=opts.TitleOpts(
title="1-各城市平均薪资",
subtitle=subtitle,
pos_left='center', pos_top='2%',
title_textstyle_opts=opts.TextStyleOpts(color='#fff200',font_size=20)
),
)
)
-
东部地区平均薪资要明显高于中西部地区，沿海地区平均薪资更高。
3.2 岗位数量前20的城市
def get_chart():
chart = (
Bar()
.add_xaxis(x_data)
.add_yaxis('', y_data)
.set_global_opts(
visualmap_opts=opts.VisualMapOpts(range_color=range_color),
title_opts=opts.TitleOpts(
title='2-岗位数量前20的城市',
pos_top='2%',pos_left = 'center',
title_textstyle_opts=opts.TextStyleOpts(color='#fff200',font_size=20)
),
)
)
-
从招聘岗位上看上海、西安、成都、天津、重庆、武汉、北京、长沙、杭州、郑州等城市较其他城市更多。
3.3 岗位学历占比
-
本科学历要求占比最高，占比高达67%，其次是大专类约19%，硕士类约8%。
3.4 不同学历平均薪资
-
不同学历薪资方面来看，平均薪资和学历关系比较明显，博士平均薪资27K、硕士平均薪资16K、本科平均薪资13K。
3.5 岗位工作经验占比
def get_chart():
chart = (
Pie()
.add('',
datas,
radius=['40%', '70%'],
)
.set_global_opts(
title_opts=opts.TitleOpts(
title="5-岗位工作经验占比",
pos_top='2%',pos_left = 'center',
title_textstyle_opts=opts.TextStyleOpts(color='#fff200',font_size=20)
),
visualmap_opts=opts.VisualMapOpts(
is_show=False,
range_color=range_color
),
)
)
-
3-5年工作经验需求数量最多，占比约30%，其次是1-3年占比约25%，不限工作经验的岗位数量约占24%，和1-3年占比相当，5-10年工作经验的岗位也达到了15%。
3.6 不同工作经验平均薪资
-
不同工作经验平均薪资来看，工作经验和平均薪资基本呈正相关的关系，10年工作经验平均薪资30K，5-10年工作经验19K，3-5年工作经验13K。
3.7 不同行业平均薪资
-
从招聘行业薪资上看：汽车后市场、专用设备制造、新闻/出版、在线医疗、建材、人力资源服务、基金、船舶/航空/航天/火车制造、装饰装修、橡胶和塑料制品等行业的平均薪资相对较高
3.8 不同企业类型数量
3.9 公司规模占比
3.10 岗位词云
def get_chart():
chart = (
WordCloud()
.add('',words,word_size_range=[20,50])
.set_global_opts(
title_opts=opts.TitleOpts(
title='10-岗位词云',
pos_top='2%', pos_left="center",
title_textstyle_opts=opts.TextStyleOpts(color='#fff200',font_size=20)
),
visualmap_opts=opts.VisualMapOpts(
is_show=False,
range_color=range_color
)
)
)
