随着互联网大数据的日益火热&＃xff0c;各大企业对于数据的需求逐日增加。大数据浪潮的袭来&＃xff0c;带来了数据分析师岗位的就业。基于此&＃xff0c;对前程无忧关于数据分析师岗位招聘的数据进行系统的分析。
本分析报告解决以下三个问题&＃xff1a;
1. 数据分析师岗位在哪些城市需求量较大&＃xff1f;
2. 数据分析师岗位的薪资待遇情况是如何&＃xff1f;
3. 数据分析师岗位薪资待遇的发展趋势如何&＃xff1f;
1. 准备数据源
利用爬虫工具对前程无忧进行数据分析岗搜索结果进行爬虫&＃xff0c;提取分析字段&＃xff1a;职位名称、公司名称、工作城市、薪资待遇、学历要求、工作经验以及公司规模。
2. 数据清洗
2.1. 清洗学历要求字段
因前程无忧学历项不是必填项&＃xff0c;在爬虫过程中会抓取错误数据&＃xff0c;需要清洗掉。结果如下。
处理过程&＃xff1a;将包含“招”的单元格直接替换为“无要求”
2.2. 清洗工作城市
将类似于“广州-天河区”调整为“广州”&＃xff0c;便于后期统计城市数据。
处理过程&＃xff1a;利用数据分列直接调整。
2.3. 删除数据重复项
职位ID是唯一识别码&＃xff0c;所以对职位ID进行排重。
处理过程&＃xff1a;利用删除重复项功能进行删除。
2.4. 清洗薪资待遇
处理过程&＃xff1a;
最低薪资&＃xff1a;利用FIND函数求得“-”从左开始第几位&＃xff0c;然后利用LEFT函数从左开始取值&＃xff0c;取值范围比“-”位数少1即可&＃xff1b;加入IF函数和ISNUMBER函数&＃xff0c;判定如果薪资待遇包含“万”&＃xff0c;那么计算需要乘以10。
最高薪资&＃xff1a;利用LEN函数求得单元格字符总长度&＃xff0c;再减去利用FIND函数求得“-”的位数&＃xff0c;即可求得“-”以后的字符总长度。利用MID函数取值“-”以后的字符再减去3&＃xff08;3即为千/月&＃xff09;。加入IF函数和ISNUMBER函数&＃xff0c;判定如果薪资待遇包含“万”&＃xff0c;那么计算需要乘以10。
平均薪资&＃xff1a;利用AVERAGE函数直接求平均值。
删除【薪资待遇】列
2.5. 清洗异常值
将不包含“数据分析”、“数据运营”和“分析师”等字符的职位删除掉。
处理过程&＃xff1a;利用FIND函数查找特殊字符并返回结果值&＃xff0c;利用COUNT函数计数&＃xff0c;利用IF函数判定&＃xff0c;如果计数成功则为“是”&＃xff0c;表示符合数据分析师岗位&＃xff1b;如果计数失败则为“否”&＃xff0c;表示不符合&＃xff0c;可以删除。
剩余2293条数据。
3. 数据结果可视化
3.1. 数据分析师岗位在哪些城市需求量较大&＃xff1f;
小结&＃xff0c;如果从事数据分析师岗位&＃xff0c;在北上广深可以提升成功的概率。
3.2. 数据分析师岗位的薪资待遇情况是如何&＃xff1f;
依据柱形图所示&＃xff0c;数据分析师岗位大部分集中在1-3年和3-5年&＃xff0c;属于年轻化和朝阳化的行业。5-10年的岗位急剧下降&＃xff0c;也就是意味着如果5年后没有能力的提升&＃xff0c;那么你的就业竞争就会很大。
依据柱形图所示&＃xff0c;数据分析师薪资待遇深圳和北京最高&＃xff0c;其次是上海和杭州。追求高薪可以去这些城市发展。
3.3. 数据分析师岗位薪资待遇的发展趋势如何&＃xff1f;
依据折线图所示&＃xff0c;随着工作年限的逐步增加&＃xff0c;薪资待遇也会逐步增加。
1&＃xff09;从就业需求来讲&＃xff0c;大量的工作机会集中在北上广深和新一线城市。如果想从事数据分析工 作&＃xff0c;去这些城市将提升你成功的条件概率。
2&＃xff09;从薪资待遇上看&＃xff0c;数据分析师留在深圳发展是个不错的选择&＃xff0c;其次是北京、上海。
3&＃xff09;数据分析是个年轻的职业方向&＃xff0c;大量的工作经验需求集中在1-3年和3-5年。对于数据分析师来说&＃xff0c;5年的就业岗位数量急剧下降&＃xff0c;如果在5年之内没有提升自己的能力&＃xff0c;以后的竞争压力会比较大。
4&＃xff09;随着经验的提升&＃xff0c;数据分析师的薪酬也在不断提高&＃xff0c;10年以上工作经验的人&＃xff0c;能获得相当丰厚的薪酬。
注&＃xff1a;因特殊原因&＃xff0c;数据图表均未标识数据来源以及爬虫工具名称&＃xff0c;请忽略此点。
请扫码关注&＃xff1a;
京公网安备 11010802041100号