BOSS直聘上数据分析岗位的数据分析

发布时间:2023年12月25日

????????昨天-2023年12月24日抽空爬取了一下BOSS直聘上base北京的数据分析岗位的相关数据,本文简单分析拿给大家做参考,该说不说、在现在的大环境下数据分析薪资还是高的呀。

????????在PC端上打开BOSS直聘网页搜索数据分析,只会显示10页岗位(每页30条),所以我按照工作经验要求对应届生、 1年以内、 1-3年、 3-5年、 5-10年、 10年以上分别爬了10页数据,总共1800条。

一、数据介绍及预处理

1、数据介绍

????????数据包括职位名称、base地点、薪资水平、经验及学历要求、招聘公司、行业、融资阶段、员工规模等?文末获取数据集

图片

2、数据预处理

(1)数据筛选

????????由于BOSS直聘上搜索数据分析岗位的结果中,包含一些数据开发、需求分析等其他岗位,因此按照岗位名称是否包含数据分析/商业分析来做筛选,剩余1039条

图片

图片

(2)数据分割提取

????????在job_area中包括市、行政区、乡镇三级地址,tag_list中包含经验要求、学历要求,company_tag_list中包含行业、融资阶段、员工规模,所以结合split方法、正则表达式分别进行数据提取。

图片

 
import re
def get_industry(string):
    try:
        result=re.findall('(.*?)[0-9].*[0-9].*',string)[0]
        l=['已上市','不需要融资','未融资','天使轮','A轮','B轮','C轮','D轮及以上']
        for s in l:
            result=result.replace(s,'')
        return result
    except:
        return None

def get_scale(string):
    try:
        result=re.findall('([0-9].*[0-9].*)',string)[0]
        l=['已上市','不需要融资','未融资','天使轮','A轮','B轮','C轮','D轮及以上']
        for s in l:
            if s in result:
                result=result.split(s)[1]
        return result
    except:
        return None
    
def dat_pred(data):
    df=data[data.job_name.str.contains('数据分析')|data.job_name.str.contains('商业分析')].reset_index(drop=True).copy()
    df['district']=df.job_area.str.split('·').str[1]
    df['town']=df.job_area.str.split('·').str[2]
    
    df['experience']=df.tag_list.str.split('\\n').str[0]
    df['education']=df.tag_list.str.split('\\n').str[1]
    
    df['industry']=df.company_tag_list.apply(get_industry)
#     df['scale']=df.company_tag_list.apply(lambda x:re.findall('([0-9].*[0-9].*)',x)).str[0]
    df['scale']=df.company_tag_list.apply(get_scale)
    
    df['base_salary']=df.salary.str.split('-').str[0]
    df.base_salary=df.base_salary.astype(float)
    return df


df_all_copy=df_all.pipe(dat_pred)
df_all_copy

(3)薪资数据处理

????????考虑到薪资待遇下限更贴近实际,因此提取左边界作为base_salary用于分析,此外发现大部分salary单位是k、但是还有部分为元,所以进行标准化处理、统一为k。

图片

二、数据分析

1、缺失值统计

????????由于BOSS直聘上的数据格式规范,所以爬取的数据质量尚可,整体缺失率低

图片

2、岗位数量、薪资水平统计

????????对地域、学历、经验、员工规模等进行分组统计岗位数量、薪资水平

(1)行政区分组统计

????????不出所料,朝阳和海淀的数据分析岗位数量远超其他地区,在这个数据集中直接按行政区分组统计base_salary平均水平最高的反而是顺义,而顺义的数据量少、所以结果仅供参考

图片

图片

(2)经验要求分组统计

????????从数据结果来看,企业偏爱于有一定经验的求职者;而随着工作经验增加,数据分析岗位的薪资待遇增长也很稳定,3年基本就能拿到20k+了

图片

图片

(3)学历要求分组统计

????????从数据结果来看,企业对学历还是有一定要求的,大多本科起步;随着学历提高,薪资差异虽然没有那么大、但也还是明显的单调关系

图片

图片

3、企业维度岗位数量

图片

4、top薪资岗位

????????分别对不同经验要求的数据分析岗位排序的到最高的top10薪资,可以看到在不同经验要求下、最高的一批薪资都是很客观的,所以加油吧朋友们,钱途可期啊

图片

图片

图片

图片

三、划重点
少走10年弯路

? ? ? ??关注威信公众号?Python风控模型与数据分析,回复?BOSS直聘数据分析?获取本篇数据及代码

? ? ? ? 还有更多理论、代码分享等你来拿

文章来源:https://blog.csdn.net/a7303349/article/details/135192116
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。