本项目的数据来源是2019年拉勾网——上海的数据分析岗位的信息

---

首先第一步：爬取数据

爬取的代码就不贴上来了，有很多种，本人的爬虫水平仅限于BeautifulSoup库和requests库，更深入的scrapy等并没掌握；注意用requests爬取的话，请求方式是post，get是无法得到页码的

贴上最后爬取到的2019上海拉勾网数据分析岗位的csv文件链接：链接：https://pan.baidu.com/s/1jqYAs1HsBtHVM1BiRiHHqQ；提取码：nfoh

第二步：数据的清洗和重构

先正常导入数据分析需要的库，设置画图可显示中文和负号以及seaborn的主题

读取文件，爬取后的源数据是这样的

然后是去重，inplace=True直接将去重后的结果保存下来。

df.drop_duplicates(subset=['公司全称','职位名称','技能标签'], keep='first', inplace=True)

接下来要判断是否有缺失值，有的话需要处理缺失值

从上图可以看到还是有不少公司地址是带缺失的，我们这里可以填补成“未知”，再用布尔值索引方法看是否处理成功

df[df.fillna('未知').isna().values == True]

看数据发现，我们需要再添加一列薪资列，取薪资范围的中间值，方便之后做数据分析

tmp = df['薪资范围'].str.split('-', expand=True)

def drop_k(x): 

     return re.search('\d+', x).group()

tmp = tmp.applymap(drop_k)

tmp = tmp.apply(pd.to_numeric)

def average_s(x):

    return (x[0] + x[1]) / 2

tmp['平均薪资'] = tmp.apply(average_s, axis=1)

tmp

上述处理过后，可以发现，平均薪资已经出来了，就是薪资范围下限和薪资范围上限的均值

把列的名字改一下，可读性更强

tmp = tmp.rename({0:'最低薪资 单位:k',1:'最高薪资 单位:k','平均薪资':'平均薪资 单位:k'}, axis=1)

然后我们把做好的平均薪资表和原表合并一下

df = df.join(tmp)

现在，我们基本的数据清洗和重构已经完成了，后续就是根据具体要分析的内容来做可视化了

第三步：数据分析

我们先来分析下不同工作经验的岗位数量情况，并用直方图和饼图来可视化

首先去除“不限”这个不确定因素，然后将目前的“所需资历”按照从少到多来排序，增加可读性

tmp = df[df['所需资历'] != '不限']

result = tmp.groupby('所需资历') 

tmp2 = result.size() 

list_custom = ['应届毕业生', '1年以下', '1-3年', '3-5年', '5-10年', '10年以上']

下面自定义两个函数，一个专门进行排序，一个专门获取索引值和列值，后续也会用到

先用seaborn来画Bar状图

可以直观看到，工作经验要求3-5年的最多，1-3年其次，刚毕业或1年以下的经验是比较少的，我们换个饼图来看一下：

from pyecharts import Pie

pie = Pie('上海拉勾网数据分析 工作经验统计')

pie.add('', xindex, vals, is_label_show=True, legend_top='bottom',

                radius=[20,75], rosetype='area')

pie

未完待续，后续继续分析教育背景和薪资间的关系，工作经验和薪资之间的关系，公司行业的分布情况，工作标签分布情况等等