上回說到我們如何如何把拉勾的數據抓取下來的，既然獲取了數據，就別放着不動，把它拿出來分析一下，看看這些數據里面都包含了什么信息。（本次博客源碼地址：https://github.com/MaxLyu/Lagou_Analyze）
一、前期准備
由於上次抓的數據里面包含有 ID 這樣的信息，我們需要將它去掉，並且查看描述性統計，確認是否存在異常值或者缺失值。
read_file = "analyst.csv" # 讀取文件獲得數據 data = pd.read_csv(read_file, encoding="gbk") # 去除數據中無關的列 data = data[:].drop(['ID'], axis=1) # 描述性統計 data.describe()
結果中的 unique 表示的是在該屬性列下面存在的不同值個數，以學歷要求為例子，它包含【本科、大專、碩士、不限】這4個不同的值，top 則表示數量最多的值為【本科】，freq 表示出現的頻率為 387。由於薪資的 unique 比較多，我們查看一下存在什么值。
print(data['學歷要求'].unique()) print(data['工作經驗'].unique()) print(data['薪資'].unique())
二、預處理
從上述兩張圖可以看到，學歷要求和工作經驗的值比較少且沒有缺失值與異常值，可以直接進行分析；但薪資的分布比較多，總計有75種，為了更好地進行分析，我們要對薪資做一個預處理。根據其分布情況，可以將它分成【5k 以下、5k-10k、10k-20k、20k-30k、30k-40k、40k 以上】，為了更加方便我們分析，取每個薪資范圍的中位數，並划分到我們指定的范圍內。
# 對薪資進行預處理 def pre_salary(data): salarys = data['薪資'].values salary_dic = {} for salary in salarys: # 根據'-'進行分割並去掉'k',分別將兩端的值轉換成整數 min_sa = int(salary.split('-')[0][:-1]) max_sa = int(salary.split('-')[1][:-1]) # 求中位數 median_sa = (min_sa + max_sa) / 2 # 判斷其值並划分到指定范圍 if median_sa < 5: salary_dic[u'5k以下'] = salary_dic.get(u'5k以下', 0) + 1 elif median_sa >= 5 and median_sa < 10: salary_dic[u'5k-10k'] = salary_dic.get(u'5k-10k', 0) + 1 elif median_sa >= 10 and median_sa < 20: salary_dic[u'10k-20k'] = salary_dic.get(u'10k-20k', 0) + 1 elif median_sa >= 20 and median_sa < 30: salary_dic[u'20k-30k'] = salary_dic.get(u'20k-30k', 0) + 1 elif median_sa >= 30 and median_sa < 40: salary_dic[u'30k-40k'] = salary_dic.get(u'30k-40k', 0) + 1 else: salary_dic[u'40以上'] = salary_dic.get(u'40以上', 0) + 1 print(salary_dic) return salary_dic
對【薪資】進行預處理之后，還要對【任職要求】的文本進行預處理。因為要做成詞雲圖，需要對文本進行分割並去除掉一些出現頻率較多但沒有意義的詞，我們稱之為停用詞，所以我們用 jieba 庫進行處理。jieba 是一個python實現的分詞庫，對中文有着很強大的分詞能力。
import jieba def cut_text(text): stopwords =['熟悉','技術','職位','相關','工作','開發','使用','能力', '優先','描述','任職','經驗','經驗者','具有','具備','以上','善於', '一種','以及','一定','進行','能夠','我們'] for stopword in stopwords: jieba.del_word(stopword) words = jieba.lcut(text) content = " ".join(words) return content
預處理完成之后，就可以進行可視化分析了。
三、可視化分析
我們先繪制環狀圖和柱狀圖，然后將數據傳進去就行了，環狀圖的代碼如下：
def draw_pie(dic): labels = [] count = [] for key, value in dic.items(): labels.append(key) count.append(value) fig, ax = plt.subplots(figsize=(8, 6), subplot_kw=dict(aspect="equal")) # 繪制餅狀圖，wedgeprops 表示每個扇形的寬度 wedges, texts = ax.pie(count, wedgeprops=dict(width=0.5), startangle=0) # 文本框設置 bbox_props = dict(boxstyle="square,pad=0.9", fc="w", ec="k", lw=0) # 線與箭頭設置 kw = dict(xycoords='data', textcoords='data', arrowprops=dict(arrowstyle="-"), bbox=bbox_props, zorder=0, va="center") for i, p in enumerate(wedges): ang = (p.theta2 - p.theta1)/2. + p.theta1 y = np.sin(np.deg2rad(ang)) x = np.cos(np.deg2rad(ang)) # 設置文本框在扇形的哪一側 horizontalalignment = {-1: "right", 1: "left"}[int(np.sign(x))] # 用於設置箭頭的彎曲程度 connectionstyle = "angle,angleA=0,angleB={}".format(ang) kw["arrowprops"].update({"connectionstyle": connectionstyle}) # annotate()用於對已繪制的圖形做標注，text是注釋文本，含 'xy' 的參數跟坐標點有關 text = labels[i] + ": " + str('%.2f' %((count[i])/sum(count)*100)) + "%" ax.annotate(text, size=13, xy=(x, y), xytext=(1.35*np.sign(x), 1.4*y), horizontalalignment=horizontalalignment, **kw) plt.show()
柱狀圖的代碼如下：
def draw_workYear(data): workyears = list(data[u'工作經驗'].values) wy_dic = {} labels = [] count = [] # 得到工作經驗對應的數目並保存到count中 for workyear in workyears: wy_dic[workyear] = wy_dic.get(workyear, 0) + 1 print(wy_dic) # wy_series = pd.Series(wy_dic) # 分別得到 count 的 key 和 value for key, value in wy_dic.items(): labels.append(key) count.append(value) # 生成 keys 個數的數組 x = np.arange(len(labels)) + 1 # 將 values 轉換成數組 y = np.array(count) fig, axes = plt.subplots(figsize=(10, 8)) axes.bar(x, y, color="#1195d0") plt.xticks(x, labels, size=13, rotation=0) plt.xlabel(u'工作經驗', fontsize=15) plt.ylabel(u'數量', fontsize=15) # 根據坐標將數字標在圖中，ha、va 為對齊方式 for a, b in zip(x, y): plt.text(a, b+1, '%.0f' % b, ha='center', va='bottom', fontsize=12) plt.show()
我們再把學歷要求和薪資的數據稍微處理一下變成字典形式，傳進繪制好的環狀圖函數就行了。另外，我們還要對【任職要求】的文本進行可視化。
from wordcloud import WordCloud # 繪制詞雲圖 def draw_wordcloud(content): wc = WordCloud( font_path = 'c:\\Windows\Fonts\msyh.ttf', background_color = 'white', max_font_size=150, # 字體最大值 min_font_size=24, # 字體最小值 random_state=800, # 隨機數 collocations=False, # 避免重復單詞 width=1600,height=1200,margin=35, # 圖像寬高，字間距 ) wc.generate(content) plt.figure(dpi=160) # 放大或縮小 plt.imshow(wc, interpolation='catrom',vmax=1000) plt.axis("off") # 隱藏坐標
四、成果與總結
python數據分析師的學歷大部分要求是本科，占了86%。
從柱狀圖可以看出，python數據分析師的工作經驗絕大部分要求1-5年。
由此可以得出python數據分析的工資為10k-30k的比較多,工資高的估計要求會比較高，所以我們看一下職位要求。
從詞雲圖可看出，數據分析肯定要對數據比較敏感，並且對統計學、excel、python、數據挖掘、hadoop等也有一定的要求。不僅如此，還要求具有一定的抗壓能力、解決問題的能力、良好的表達能力、思維能力等。