Python数据可视化：浅谈数据挖掘岗

之前在「数据分析岗」的文章提到，会写一期有关「数据挖掘岗」的文章。

本次结合最近学的统计推断，来波简单的实战。

首先请教了两位从事过数据挖掘的大佬，简单说了下什么是数据挖掘。

让小F和大家对数据挖掘有个认识，毕竟这可是大佬的切身体会！！！

当然也感谢我司的大佬给出的建议，小F也是受益颇多。

曾经在知乎上看到一个比较励志的视频，特意去腾讯视频找了下，这里分享给大家。

https://v.qq.com/x/page/h0349v6os0y.html

/ 01 / PostgreSQL

本次使用的数据库为PostgreSQL。

它是一个开源对象关系数据库管理系统(ORDBMS)。

通过psycopg2模块与Python集成。

可视化工具使用Navicat for PostgreSQL，免费试用14天...

没找到如何用Python创建PG数据库，所以数据库的创建在Navicat for PostgreSQL中完成。

数据库的连接通过Pyhton的psycopg2模块，具体如下。

import psycopg2
# 连接数据库
conn = psycopg2.connect(database="lagou_job", user="postgres", password="774110919", host="127.0.0.1", port="5432")
print("Opened database successfully")
# 创建工作表
cur = conn.cursor()
cur.execute('''CREATE TABLE job (id INT PRIMARY KEY NOT NULL, job_title TEXT NOT NULL, job_salary TEXT NOT NULL, job_city TEXT NOT NULL, job_experience TEXT NOT NULL, job_education TEXT NOT NULL, company_name TEXT NOT NULL, company_type TEXT NOT NULL, company_status TEXT NOT NULL, company_people TEXT NOT NULL, job_tips TEXT NOT NULL, job_welfare TEXT NOT NULL);''')
print("Table created successfully")
# 关闭数据库
conn.commit()
conn.close()

希望以后能出一期PostgreSQL的教程，网上关于它的教程并不多，还是选择自力更生...

/ 02 / 数据获取

代码和之前的差不多，有变化的就是「关键词」和「数据库」。

同时还获取了职位详情页的URL，不过我没对详情页进行爬取，有兴趣的小伙伴可以试试。

import requests
import psycopg2
import random
import time
import json

count = 0
url = 'https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36',
    'Cookie': '你的cookie值',
    'Accept': 'application/json, text/javascript, */*; q=0.01',
    'Connection': 'keep-alive',
    'Host': 'www.lagou.com',
    'Origin': 'https://www.lagou.com',
    'Referer': 'https://www.lagou.com/jobs/list_%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90?labelWords=sug&fromSearch=true&suginput=shuju'
}

# 连接数据库
db = psycopg2.connect(database="lagou_job", user="postgres", password="774110919", host="127.0.0.1", port="5432")

def add_Postgresql(id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare):
    # 将数据写入数据库中
    try:
        cursor = db.cursor()
        sql = "insert into job (id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare) values ('%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s')" % (int(id), job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare);
        print(sql)
        cursor.execute(sql);
        print(cursor.lastrowid)
        db.commit()
    except Exception as e:
        print(e)
        db.rollback()

def get_message():
    for i in range(1, 31):
        print('第' + str(i) + '页')
        time.sleep(random.randint(10, 20))
        data = {
            'first': 'false',
            'pn': i,
            'kd': '数据挖掘'
        }
        response = requests.post(url=url, data=data, headers=headers)
        result = json.loads(response.text)
        job_messages = result['content']['positionResult']['result']
        # 职位详情页URL获取
        job_urls = result['content']['hrInfoMap'].keys()
        for k in job_urls:
            url_1 = 'https://www.lagou.com/jobs/' + k + '.html'
            print(url_1)
            with open('job_urls.csv', 'a+', encoding='utf-8-sig') as f:
                f.write(url_1 + '\n')
        for job in job_messages:
            global count
            count += 1
            # 岗位名称
            job_title = job['positionName']
            print(job_title)
            # 岗位薪水
            job_salary = job['salary']
            print(job_salary)
            # 岗位地点
            job_city = job['city']
            print(job_city)
            # 岗位经验
            job_experience = job['workYear']
            print(job_experience)
            # 岗位学历
            job_education = job['education']
            print(job_education)
            # 公司名称
            company_name = job['companyShortName']
            print(company_name)
            # 公司类型
            company_type = job['industryField']
            print(company_type)
            # 公司状态
            company_status = job['financeStage']
            print(company_status)
            # 公司规模
            company_people = job['companySize']
            print(company_people)
            # 工作技能
            if len(job['positionLables']) > 0:
                job_tips = ','.join(job['positionLables'])
            else:
                job_tips = 'None'
            print(job_tips)
            # 工作福利
            job_welfare = job['positionAdvantage']
            print(job_welfare + '\n\n')
            add_Postgresql(count, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare)

if __name__ == '__main__':
    get_message()

获取拉勾网数据挖掘岗数据如下。

获取到详情页的URL信息后，直接点击文件里的链接，并不会跳转到详情页页面。

需复制网址，粘贴到浏览器上，才能访问成功。

具体原因我也不知道，可能和请求头有关吧...

/ 03 / 数据可视化

01 工作经验薪水图

这里1年以下的数据只有一个，所以直接去除。

探索多分类变量与连续变量间的关系，采用单因素方差分析。

原假设为工作经验对薪水无显著影响。

from scipy import stats
import pandas as pd
import psycopg2
# 获取数据库数据
conn = psycopg2.connect(database="lagou_job", user="postgres", password="774110919", host="127.0.0.1", port="5432")
cursor = conn.cursor()
sql = "select * from job"
df = pd.read_sql(sql, conn)
# 清洗数据,生成薪水列
dom = []
for i in df['job_salary']:
    i = ((float(i.split('-')[0].replace('k', '').replace('K', '')) + float(i.split('-')[1].replace('k', '').replace('K', ''))) / 2) * 1000
    dom.append(i)
df['salary'] = dom
# 去除无效列
data = df[df.job_experience != '不限']
# 生成不同工作经验的薪水列表
exp = []
for i in ['应届毕业生', '1-3年', '3-5年', '5-10年']:
    exp.append(data[data['job_experience'] == i]['salary'])
# 单因素方差分析
print(stats.f_oneway(*exp))
# 得到的结果
F_onewayResult(statistic=34.8568474246936, pvalue=5.894831071529752e-20)

得到F值为34.85，P值接近于0，其中取显著性水平为0.05。

所以拒绝原假设，即工作经验会显著影响薪水。

02 学历薪水图

这里大部分岗位的学历要求，为本科和硕士，极少部分为学历不限和大专。

同上，也对学历和薪水做假设，为无显著差异。

# 去除无效列
data = df[df.job_education != '不限']
# 生成不同学历的薪水列表
edu = []
for i in ['大专', '本科', '硕士']:
edu.append(data[data['job_education'] == i]['salary'])
# 单因素方差分析
print(stats.f_oneway(*edu))
# 得到的结果
F_onewayResult(statistic=5.29713465351118, pvalue=0.005345061949394161)

得到F值为5.29，P值为0.005，其中取显著性水平为0.05。

所以拒绝原假设，即学历会显著影响薪水。

综合两个F值和P值，可以看出工作经验比起学历更能影响薪水。

那么我们就通过有交互效应的多元方差分析来看看具体情况。

import statsmodels.formula.api as smf
import statsmodels.api as sm
import pandas as pd
import psycopg2
# 消除pandas输出省略号情况及换行情况
pd.set_option('display.max_columns', 500)
pd.set_option('display.width', 1000)
# 获取数据库数据
conn = psycopg2.connect(database="lagou_job", user="postgres", password="774110919", host="127.0.0.1", port="5432")
cursor = conn.cursor()
sql = "select * from job"
df = pd.read_sql(sql, conn)
# 清洗数据,生成薪水列
dom = []
for i in df['job_salary']:
i = ((float(i.split('-')[0].replace('k', '').replace('K', '')) + float(i.split('-')[1].replace('k', '').replace('K', ''))) / 2) * 1000
dom.append(i)
df['salary'] = dom
# 去除学历不限
data = df[df.job_education != '不限']
# 去除工作经验不限及1年以下
data = data[data.job_experience != '不限']
data = data[data.job_experience != '1年以下']
# smf:最小二乘法,构建线性回归模型
anal = smf.ols('salary ~ C(job_experience) + C(job_education) + C(job_experience)*C(job_education)', data=data).fit()
# anova_lm:多因素方差分析
print(sm.stats.anova_lm(anal))
# 基本信息输出
print(anal.summary())

输出结果。

这里看出学历和工作经验的交互项对薪水影响并不显著。

其F值为1.33，P值为0.2，则无法拒绝原假设。

R²的值为0.277，说明工作经验和学历仅仅解释了薪水变异性的27.7%。

R²的值大于0.8时，则说明模型拟合效果好，本次实验看来是远远达不到要求了。

这是带交互项的多元方差分析的回归系数。

参考标准是工作经验「1-3年」和学历「大专」。

按理说应该是选择工作经验「应届毕业生」和学历「大专」做参考标准的。

这里是由于我没用数字对信息进行归类，导致这一现象出现，所以凑合着看吧！

从表中可以看出：

①「3-5年」的「大专」较「1-3年」的「大专」，P值为0.081，略大于0.05，说明两种情况薪水差异较显著。

②「5-10年」的「大专」较「1-3年」的「大专」，P值为0，说明没有样本。

③「应届生」的「大专」较「1-3年」的「大专」，P值为0.911，说明两种情况薪水无差异。

④「1-3年」的「本科」较「1-3年」的「大专」，P值为0.021，说明两种情况薪水差异显著。

⑤「1-3年」的「硕士」较「1-3年」的「大专」，P值为0.012，说明两种情况薪水差异显著。

03 公司类型TOP10

数据挖掘岗也是集中在互联网行业，「数据服务」「O2O」「金融」「电子商务」。

目前认识的数据挖掘大佬，还真是在「数据服务」「O2O」「金融」行业里。

04 工作技能图

「数据挖掘岗」和「数据分析岗」都是相通的，你中有我，我中有你。

不过「数据挖掘岗」中算法是第一位要求，更高级，更难学...

/ 04 / 总结

依照惯例，贴出拉勾网数据挖掘岗薪水TOP20。

比数据分析岗高出不少，膜拜呐...

看来之前两位大佬是真的牛皮，向大佬看齐！！！

阅读原文，代码都放「GitHub」上头了。

这么走心，还好看的文章，赞赏就算了。

右下角点个「好看」就行啦，比心！！！

··· END ···

更多相关文章

随机推荐