导读:今天我们来看看招聘网站上,关于Python的工作,薪资状况是怎样的呢!
01 数据来源
数据来源于BOSS直聘,说实话,现在的招聘网站,做的比较好的还是BOSS直聘,其相关的数据、报告等都是比较有代表性的。今天我们就来看看相关的数据吧!
数据获取
BOSS直聘上有这么一个接口,可以很好的获取当前不同岗位,不同城市的薪资水平
https://www.zhipin.com/wapi/zpboss/h5/marketpay/statistics.json
可以很方便的获取比较详细的薪资数据。
importrequests
headers = { ‘accept’: ‘application/json, text/plain, */*’,
‘user-agent’: ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 11_0_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.96 Safari/537.36’}
querystring = { “positionId”: “100109”, “industryId”: “0”, “cityId”: “0”, “companySize”: “0”, “financingStage”: “0”, “experienceCode”: “0”}
job_statics_url = ‘https://www.zhipin.com/wapi/zpboss/h5/marketpay/statistics.json’
job_statics_data = requests.get(job_statics_url, params=querystring, headers=headers)
这样,就可以获取到我们想要的 json 数据了。
下面我们就可以简单的来分析下相关的薪资数据了。
02 数据分析
1. 薪资分位值
在我们获取到的数据当中,就有分位值的数据,可以方便的获取。
job_statics_data_json = job_staticis_data.json
job_statics_data_json[ ‘zpData’][ ‘salaryByPoints’]
接下来就可以整理横纵坐标轴了。
statics_x = []
statics_y = []
fori injob_statics_data_json[ ‘zpData’][ ‘salaryByPoints’]:
statics_x.append(i[ ‘name’] + ‘\n’+ i[ ‘title’])
statics_y.append(i[ ‘salary’])
下面开始作图。
importpyecharts.options asopts
frompyecharts.charts importLine, Bar, Pie, Calendar, WordCloud
frompyecharts.commons.utils importJsCode
frompyecharts.globals importSymbolType
x_data = statics_x
y_data = statics_y
background_color_js = (
“new echarts.graphic.LinearGradient(0, 0, 0, 1, ”
“[{offset: 0, color: ‘#c86589’}, {offset: 1, color: ‘#06a7ff’}], false)”
)
area_color_js = (
“new echarts.graphic.LinearGradient(0, 0, 0, 1, ”
“[{offset: 0, color: ‘#eb64fb’}, {offset: 1, color: ‘#3fbbff0d’}], false)”
)
c_line = (
Line(init_opts=opts.InitOpts(bg_color=JsCode(background_color_js)))
.add_xaxis(xaxis_data=x_data)
.add_yaxis(
series_name= “薪资”,
y_axis=y_data,
is_smooth= True,
is_symbol_show= True,
symbol= “circle”,
symbol_size= 6,
linestyle_opts=opts.LineStyleOpts(color= “#fff”),
label_opts=opts.LabelOpts(is_show= True, position= “top”, color= “white”),
itemstyle_opts=opts.ItemStyleOpts(
color= “red”, border_color= “#fff”, border_width= 3
),
tooltip_opts=opts.TooltipOpts(is_show= False),
areastyle_opts=opts.AreaStyleOpts(color=JsCode(area_color_js), opacity= 1),
)
.set_global_opts(
title_opts=opts.TitleOpts(
title= “收入分位”,
pos_bottom= “5%”,
pos_left= “center”,
title_textstyle_opts=opts.TextStyleOpts(color= “#fff”, font_size= 16),
),
xaxis_opts=opts.AxisOpts(
type_= “category”,
boundary_gap= False,
axislabel_opts=opts.LabelOpts(margin= 30, color= “#ffffff63”),
axisline_opts=opts.AxisLineOpts(is_show= False),
axistick_opts=opts.AxisTickOpts(
is_show= True,
length= 25,
linestyle_opts=opts.LineStyleOpts(color= “#ffffff1f”),
),
splitline_opts=opts.SplitLineOpts(
is_show= True, linestyle_opts=opts.LineStyleOpts(color= “#ffffff1f”)
),
),
yaxis_opts=opts.AxisOpts(
type_= “value”,
position= “right”,
axislabel_opts=opts.LabelOpts(margin= 20, color= “#ffffff63”),
axisline_opts=opts.AxisLineOpts(
linestyle_opts=opts.LineStyleOpts(width= 2, color= “#fff”)
),
axistick_opts=opts.AxisTickOpts(
is_show= True,
length= 15,
linestyle_opts=opts.LineStyleOpts(color= “#ffffff1f”),
),
splitline_opts=opts.SplitLineOpts(
is_show= True, linestyle_opts=opts.LineStyleOpts(color= “#ffffff1f”)
),
),
legend_opts=opts.LegendOpts(is_show= False),
)
)
可以得到一个还不错的折线图。
可以看到,业内Python的薪资水平,大部分应该都处于1万左右,这个薪资水平其实并不太高,看来纯的Python岗位并不太吃香,要想获得更高的薪资,还是需要有更多的技能傍身!
2. 薪资区间分布
下面再来看看薪资的分布情况。
statics_x = []
statics_y = []
fori injob_statics_data_json[ ‘zpData’][ ‘salaryByDistributed’]:
statics_y.append(i[ ‘percent’])
statics_x.append(i[ ‘salaryRange’])
defbar_chart(x, y)-> Bar:
background_color_js = (
“new echarts.graphic.LinearGradient(0, 0, 0, 1, ”
“[{offset: 0, color: ‘#c86589’}, {offset: 1, color: ‘#06a7ff’}], false)”
)
c = (
Bar(init_opts=opts.InitOpts(bg_color=JsCode(background_color_js)))
#Bar
.add_xaxis(x)
# .add_xaxis(searchcount.index.tolist[:10])
.reversal_axis
.add_yaxis( “”, y,
label_opts=opts.LabelOpts(position= ‘inside’, formatter= “{c}%”),
color= ‘plum’, category_gap= “60%”
)
.set_global_opts(xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate= -30, formatter= “{value}%”),
axisline_opts=opts.AxisLineOpts(is_show= False),),
yaxis_opts=opts.AxisOpts(
axislabel_opts=opts.LabelOpts(is_show= True),
axisline_opts=opts.AxisLineOpts(is_show= False),
axistick_opts=opts.AxisTickOpts(
is_show= True,
length= 25,
linestyle_opts=opts.LineStyleOpts(color= “#ffffff1f”),
),)
)
.set_series_opts(
itemstyle_opts={
“normal”: {
“color”: JsCode( “””new echarts.graphic.LinearGradient(0, 0, 0, 1, [{
offset: 0,
color: ‘rgba(255,100,97,.5)’
}, {
offset: 1,
color: ‘rgba(221,160,221)’
}], false)””” ),
“barBorderRadius”: [ 30, 30, 30, 30],
“shadowColor”: ‘rgb(0, 160, 221)’,
}}
)
)
returnc
来看看薪资分布情况。
可以看到,15K以上的薪资还是占了16%以上,而占比最大的薪资区间则是7-9K。
3. 工作年限薪资分布
下面我们继续来看看薪资水平和工作年限之间的关系。
statics_x = []
statics_y = []
fori injob_statics_data_json[ ‘zpData’][ ‘salaryByWorkExp’]:
statics_y.append(i[ ‘percent’])
statics_x.append(i[ ‘workExp’] + ‘:’+ str(i[ ‘aveSalary’]))
background_color_js = (
“new echarts.graphic.LinearGradient(0, 0, 0, 1, ”
“[{offset: 0, color: ‘#c86589’}, {offset: 1, color: ‘#06a7ff’}], false)”
)
c = (
Pie(init_opts=opts.InitOpts(bg_color=JsCode(background_color_js)))
.add(
“”,
list(zip(statics_x, statics_y)),
radius=[ “40%”, “55%”],
label_opts=opts.LabelOpts(
position= “outside”,
formatter= “{a|job}{abg|}\n{hr|}\n {b|{b}: }{per|{d}%} “,
background_color= “#eee”,
border_color= “#aaa”,
border_width= 1,
border_radius= 4,
rich={
“a”: { “color”: “#999”, “lineHeight”: 22, “align”: “center”},
“abg”: {
“backgroundColor”: “#e3e3e3”,
“width”: “100%”,
“align”: “right”,
“height”: 22,
“borderRadius”: [ 4, 4, 0, 0],
},
“hr”: {
“borderColor”: “#aaa”,
“width”: “100%”,
“borderWidth”: 0.5,
“height”: 0,
},
“b”: { “fontSize”: 16, “lineHeight”: 33},
“per”: {
“color”: “#eee”,
“backgroundColor”: “#334455”,
“padding”: [ 2, 4],
“borderRadius”: 2,
},
},
),
)
.set_global_opts(title_opts=opts.TitleOpts(title= “”))
)
可以看到,下面的图片还是比较直观的。
1-3年的应聘者还是最多的,占比达到了50%+,这个经验段,确实是职场的主力军了!
4. 任职年龄分布
职场的年龄也是一个热点话题,35+岁的程序员们,总是一言难尽啊。
statics_x = []
statics_y = []
fori injob_statics_data_json[ ‘zpData’][ ‘salaryByAge’]:
statics_x.append(i[ ‘ageRange’])
statics_y.append(i[ ‘people’])
defbar_chart_age(x, y)-> Bar:
background_color_js = (
“new echarts.graphic.LinearGradient(0, 0, 0, 1, ”
“[{offset: 0, color: ‘#c86589’}, {offset: 1, color: ‘#06a7ff’}], false)”
)
c = (
Bar(init_opts=opts.InitOpts(bg_color=JsCode(background_color_js)))
#Bar
.add_xaxis(x)
# .add_xaxis(searchcount.index.tolist[:10])
# .reversal_axis
.add_yaxis( “”, y,
label_opts=opts.LabelOpts(position= ‘inside’, formatter= “{c}”),
color= ‘plum’, category_gap= “60%”
)
.set_global_opts(xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate= -30, formatter= “{value}”),
axisline_opts=opts.AxisLineOpts(is_show= False),),
yaxis_opts=opts.AxisOpts(
axislabel_opts=opts.LabelOpts(is_show= True),
axisline_opts=opts.AxisLineOpts(is_show= False),
axistick_opts=opts.AxisTickOpts(
is_show= True,
length= 25,
linestyle_opts=opts.LineStyleOpts(color= “#ffffff1f”),
),)
)
.set_series_opts(
itemstyle_opts={
“normal”: {
“color”: JsCode( “””new echarts.graphic.LinearGradient(0, 0, 0, 1, [{
offset: 0,
color: ‘rgba(255,100,97,.5)’
}, {
offset: 1,
color: ‘rgba(221,160,221)’
}], false)””” ),
“barBorderRadius”: [ 30, 30, 30, 30],
“shadowColor”: ‘rgb(0, 160, 221)’,
}}
)
)
returnc
数据很能说明问题。
可以看到,35岁以下的占据了绝大多数,可想而知,35+的程序员生存状况是多么的糟糕!
5. 月薪环比变化
我们通过每个月的薪资变化,来看看哪个月找工作比较有机会获得更高的薪资呢。
statics_x = []
statics_y = []
fori injob_statics_data_json[ ‘zpData’][ ‘salaryByMonth’]:
statics_x.append(i[ ‘year’] + ‘-‘+ i[ ‘month’])
statics_y.append(i[ ‘monthAveSalary’])
x_data = statics_x
y_data = statics_y
每月薪资变化。
可以看到,去年2月份的薪资水平是最高的,之后一路下滑,再之后就基本趋于稳定了,7-8K这个平均水平。
6. 薪资城市分布
通过Pycharts画地图还是蛮方便的。
statics_x = []
statics_y = []
fori injob_statics_data_json[ ‘zpData’][ ‘salaryByCity’]:
ifi[ ‘cityList’]:
statics_x.append(i[ ‘cityList’][ 0][ ‘cityAveMonthSalary’])
statics_y.append(i[ ‘provinceName’])
c = (
Map
.add( “全国薪资”, [list(z) forz inzip(statics_y, statics_x)], “china”)
.set_global_opts(
title_opts=opts.TitleOpts(title= “”),
visualmap_opts=opts.VisualMapOpts(max_= 15000, min_= 6000),
)
)
好了,今天的分享就到这里了,希望对大家有所帮助!
本文完整代码:
https://github.com/zhouwei713/data_analysis/tree/master/boss_job_analyse
作者:周萝卜
来源:萝卜大杂烩(ID:luobodazahui)
本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流,内容版权归原作者所有,如涉作品、版权和其他问题请给「我们」留言处理。