听说数据分析师挺火，我们来数据分析一下-阿里云开发者社区

听说数据分析师挺火，我们来数据分析一下

2022-05-25 189

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 经常看见各种数据分析师培训的运营推荐，那么数据分析师的就业行情究竟如何？让我们用数据说话，一探究竟！

经常看见各种数据分析师培训的运营推荐，那么数据分析师的就业行情究竟如何？让我们用数据说话，一探究竟！

01 数据来源

各大招聘网站提供的数据很多，简单写一个小爬虫就能轻松获得大量数据。虽然这些数据的真实性不能完全保证，但至少有一定的参考价值。

本文所用数据来源于Boss直聘，城市定位"杭州"，搜索标签选择"数据分析师"。爬虫实现本身并不复杂，只是直聘网的cookie更新比较快，不过好在爬取数量也不大，所以也还可以应对。网站默认仅显示10页搜索结果，每页30条，共抓取299条，且经检验无重复记录。

注：联系号主可获取爬虫源码文件。另外，本文所有数据分析工作和图表创建均应用pandas和matplotlib完成，两幅词云图片应用wordcloud库制作。

02 数据清洗

由于数据爬取时较为随意，所以数据清洗的难度就自然比较大。首先来看下爬取得到的原始数据记录：

5条原始数据记录

去除id字段和url字段后，了解各字段的基本统计信息：

可以发现：

299条招聘记录涵盖了201家招聘单位、主要分布于9个地理区划
招聘岗位名称多达67种（可见数据分析师岗命名之混乱程度），指明"数据分析师"的有181条记录
发布招聘记录最多的单位是蚂蚁金服，有7条（经模糊匹配，网易相关的有9条记录）
教育相关信息中，具有3-5年工作经验、本科学历的记录数最多，有126条
薪资在15-30K的记录最多，有24条

由于原始数据中各字段均为字符串类型，且有很多不够规范之处，所以需要进行数据清洗。主要清晰流程及代码包括：

去除无用字段：id和url

1df.drop(['id', 'url'],axis=1, inplace = True)

浏览数据发现有4条是招聘实习数据分析师，记录格式与其他相差较大（尤其是教育和薪资字段），且不是本文分析主体，直接过滤掉

1df = df.loc[~df['salary'].str.contains('天'),:]

这是通过筛选记录构建新的dataframe的思路，也可以继续用drop函数实现：

1df.drop(df[df['salary'].str.contains('天')].index, inplace = True)

根据薪资字段提取薪水信息，包括提取薪资下限、薪资上限、每年开薪月数，并根据薪资下限和薪资上限构建"平均"薪资：avg = min + 0.25*(max - min)，后续分析薪资与其他因素关系时均应用平均薪资数据。

1df['salLow']=df['salary'].str.findall('(\d+)-\d+').str[0].astype('int')
2df['salHigh']=df['salary'].str.findall('\d+-(\d+)').str[0].astype('int')
3df['salAvg'] = df['salLow']+0.25*(df['salHigh']-df['salLow'])
4df['salNum']=df['salary'].str.findall('(\d+)薪').str[0]
5df.drop(['salary'], axis=1, inplace=True)

根据教育字段，提取经验要求和学历要求，其中原始数据中教育字段由经验和学历直接拼接而成，不存在任何直接可用分隔符

1#以经验要求中的最小年份要求作为经验数据
2df['exp'] = df['education'].str.findall('(\d+)-\d+年').str[0]
3df['exp'].fillna(value = '0', inplace = True)
4#初始化为"未知"，包括某种学历时就赋值为该学历字段
5df['edu'] = '未知'
6edus = ['高中', '大专', '本科', '硕士', '博士']
7for e in edus:
8    df.loc[df['education'].str.contains(e), 'edu'] = e

根据公司类型字段提取企业融资情况和企业人数规模

1#提取融资类型，主要包括信息情况用列表表示
2types = ['已上市', '未融资', '不需要融资', 'A轮', 'B轮', 'C轮', 'D轮', '天使轮']
3df['finance'] = '未知'
4for t in types:
5    df.loc[df['com_type'].str.contains(t), 'finance'] = t
6#以公司类型中人数区间上限作为公司规模信息
7df['com_size'] = df['com_type'].str.findall('(\d+人)').str[0]