前言
從智聯招聘爬取相關資訊後，我們關心的是如何對內容進行分析，獲取用用的資訊。
本次以上篇文章“5分鐘掌握智聯招聘網站爬取並儲存到MongoDB資料庫”中爬取的資料為基礎，分析關鍵詞為“python”的爬取資料的情況，獲取包括全國python招聘數量Top10的城市列表以及其他相關資訊。
一、主要分析步驟
- 資料讀取
- 資料整理
- 對職位數量在全國主要城市的分佈情況進行分析
- 對全國範圍內的職位月薪情況進行分析
- 對該職位招聘崗位要求描述進行詞雲圖分析，獲取頻率最高的關鍵字
- 選取兩個城市，分別分析月薪分佈情況以及招聘要求的詞雲圖分析
二、具體分析過程
|
1 2 3 4 5 6 7 8 |
import pymongo import pandas as pd import matplotlib.pyplot as plt import numpy as np % matplotlib inline plt.style.use('ggplot') |
|
1 2 3 4 |
# 解決matplotlib顯示中文問題 plt.rcParams['font.sans-serif'] = ['SimHei'] # 指定預設字型 plt.rcParams['axes.unicode_minus'] = False # 解決儲存影象是負號'-'顯示為方塊的問題 |
1 讀取資料
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 |
client = pymongo.MongoClient('localhost') db = client['zhilian'] table = db['python'] columns = ['zwmc', 'gsmc', 'zwyx', 'gbsj', 'gzdd', 'fkl', 'brief', 'zw_link', '_id', 'save_date'] # url_set = set([records['zw_link'] for records in table.find()]) # print(url_set) df = pd.DataFrame([records for records in table.find()], columns=columns) # columns_update = ['職位名稱', # '公司名稱', # '職位月薪', # '公佈時間', # '工作地點', # '反饋率', # '招聘簡介', # '網頁連結', # '_id', # '資訊儲存日期'] # df.columns = columns_update print('總行數為：{}行'.format(df.shape[0])) df.head(2) |
結果如圖1所示：
2 資料整理
2.1 將str格式的日期變為 datatime
|
1 2 3 4 |
df['save_date'] = pd.to_datetime(df['save_date']) print(df['save_date'].dtype) # df['save_date'] |
|
1 2 |
datetime64[ns] |
2.2 篩選月薪格式為“XXXX-XXXX”的資訊
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
df_clean = df[['zwmc', 'gsmc', 'zwyx', 'gbsj', 'gzdd', 'fkl', 'brief', 'zw_link', 'save_date']] # 對月薪的資料進行篩選，選取格式為“XXXX-XXXX”的資訊，方面後續分析 df_clean = df_clean[df_clean['zwyx'].str.contains('\d+-\d+', regex=True)] print('總行數為：{}行'.format(df_clean.shape[0])) # df_clean.head() |
|
1 2 |
總行數為：22605行 |
2.3 分割月薪欄位，分別獲取月薪的下限值和上限值
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
# http://stackoverflow.com/questions/14745022/pandas-dataframe-how-do-i-split-a-column-into-two # http://stackoverflow.com/questions/20602947/append-column-to-pandas-dataframe # df_temp.loc[: ,'zwyx_min'],df_temp.loc[: , 'zwyx_max'] = df_temp.loc[: , 'zwyx'].str.split('-',1).str #會有警告 s_min, s_max = df_clean.loc[: , 'zwyx'].str.split('-',1).str df_min = pd.DataFrame(s_min) df_min.columns = ['zwyx_min'] df_max = pd.DataFrame(s_max) df_max.columns = ['zwyx_max'] df_clean_concat = pd.concat([df_clean, df_min, df_max], axis=1) # df_clean['zwyx_min'].astype(int) df_clean_concat['zwyx_min'] = pd.to_numeric(df_clean_concat['zwyx_min']) df_clean_concat['zwyx_max'] = pd.to_numeric(df_clean_concat['zwyx_max']) # print(df_clean['zwyx_min'].dtype) print(df_clean_concat.dtypes) df_clean_concat.head(2) |
執行結果如圖2所示：
- 將資料資訊按職位月薪進行排序
|
1 2 3 |
df_clean_concat.sort_values('zwyx_min',inplace=True) # df_clean_concat.tail() |
- 判斷爬取的資料是否有重複值
|
1 2 3 |
# 判斷爬取的資料是否有重複值 print(df_clean_concat[df_clean_concat.duplicated('zw_link')==True]) |
|
1 2 3 4 |
Empty DataFrame Columns: [zwmc, gsmc, zwyx, gbsj, gzdd, fkl, brief, zw_link, save_date, zwyx_min, zwyx_max] Index: [] |
- 從上述結果可看出，資料是沒有重複的。
3 對全國範圍內的職位進行分析
3.1 主要城市的招聘職位數量分佈情況
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 |
# from IPython.core.display import display, HTML ADDRESS = [ '北京', '上海', '廣州', '深圳', '天津', '武漢', '西安', '成都', '大連', '長春', '瀋陽', '南京', '濟南', '青島', '杭州', '蘇州', '無錫', '寧波', '重慶', '鄭州', '長沙', '福州', '廈門', '哈爾濱', '石家莊', '合肥', '惠州', '太原', '昆明', '煙臺', '佛山', '南昌', '貴陽', '南寧'] df_city = df_clean_concat.copy() # 由於工作地點的寫上，比如北京，包含許多地址為北京-朝陽區等 # 可以用替換的方式進行整理，這裡用pandas的replace()方法 for city in ADDRESS: df_city['gzdd'] = df_city['gzdd'].replace([(city+'.*')],[city],regex=True) # 針對全國主要城市進行分析 df_city_main = df_city[df_city['gzdd'].isin(ADDRESS)] df_city_main_count = df_city_main.groupby('gzdd')['zwmc','gsmc'].count() df_city_main_count['gsmc'] = df_city_main_count['gsmc']/(df_city_main_count['gsmc'].sum()) df_city_main_count.columns = ['number', 'percentage'] # 按職位數量進行排序 df_city_main_count.sort_values(by='number', ascending=False, inplace=True) # 新增輔助列，標註城市和百分比，方面在後續繪圖時使用 df_city_main_count['label']=df_city_main_count.index+ ' '+ ((df_city_main_count['percentage']*100).round()).astype('int').astype('str')+'%' print(type(df_city_main_count)) # 職位數量最多的Top10城市的列表 print(df_city_main_count.head(10)) |
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
<class 'pandas.core.frame.DataFrame'> number percentage label gzdd 北京 6936 0.315948 北京 32% 上海 3213 0.146358 上海 15% 深圳 1908 0.086913 深圳 9% 成都 1290 0.058762 成都 6% 杭州 1174 0.053478 杭州 5% 廣州 1167 0.053159 廣州 5% 南京 826 0.037626 南京 4% 鄭州 741 0.033754 鄭州 3% 武漢 552 0.025145 武漢 3% 西安 473 0.021546 西安 2% |
- 對結果進行繪圖：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
from matplotlib import cm label = df_city_main_count['label'] sizes = df_city_main_count['number'] # 設定繪圖區域大小 fig, axes = plt.subplots(figsize=(10,6),ncols=2) ax1, ax2 = axes.ravel() colors = cm.PiYG(np.arange(len(sizes))/len(sizes)) # colormaps: Paired, autumn, rainbow, gray,spring,Darks # 由於城市數量太多，餅圖中不顯示labels和百分比 patches, texts = ax1.pie(sizes,labels=None, shadow=False, startangle=0, colors=colors) ax1.axis('equal') ax1.set_title('職位數量分佈', loc='center') # ax2 只顯示圖例（legend） ax2.axis('off') ax2.legend(patches, label, loc='center left', fontsize=9) plt.savefig('job_distribute.jpg') plt.show() |
執行結果如下述餅圖所示：
3.2 月薪分佈情況（全國）
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 |
from matplotlib.ticker import FormatStrFormatter fig, (ax1, ax2) = plt.subplots(figsize=(10,8), nrows=2) x_pos = list(range(df_clean_concat.shape[0])) y1 = df_clean_concat['zwyx_min'] ax1.plot(x_pos, y1) ax1.set_title('Trend of min monthly salary in China', size=14) ax1.set_xticklabels('') ax1.set_ylabel('min monthly salary(RMB)') bins = [3000,6000, 9000, 12000, 15000, 18000, 21000, 24000, 100000] counts, bins, patches = ax2.hist(y1, bins, normed=1, histtype='bar', facecolor='g', rwidth=0.8) ax2.set_title('Hist of min monthly salary in China', size=14) ax2.set_yticklabels('') # ax2.set_xlabel('min monthly salary(RMB)') # http://stackoverflow.com/questions/6352740/matplotlib-label-each-bin ax2.set_xticks(bins) #將bins設定為xticks ax2.set_xticklabels(bins, rotation=-90) # 設定為xticklabels的方向 # Label the raw counts and the percentages below the x-axis... bin_centers = 0.5 * np.diff(bins) + bins[:-1] for count, x in zip(counts, bin_centers): # # Label the raw counts # ax2.annotate(str(count), xy=(x, 0), xycoords=('data', 'axes fraction'), # xytext=(0, -70), textcoords='offset points', va='top', ha='center', rotation=-90) # Label the percentages percent = '%0.0f%%' % (100 * float(count) / counts.sum()) ax2.annotate(percent, xy=(x, 0), xycoords=('data', 'axes fraction'), xytext=(0, -40), textcoords='offset points', va='top', ha='center', rotation=-90, color='b', size=14) fig.savefig('salary_quanguo_min.jpg') |
執行結果如下述圖所示：
不考慮部分極值後，分析月薪分佈情況
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 |
df_zwyx_adjust = df_clean_concat[df_clean_concat['zwyx_min']<=20000] fig, (ax1, ax2) = plt.subplots(figsize=(10,8), nrows=2) x_pos = list(range(df_zwyx_adjust.shape[0])) y1 = df_zwyx_adjust['zwyx_min'] ax1.plot(x_pos, y1) ax1.set_title('Trend of min monthly salary in China (adjust)', size=14) ax1.set_xticklabels('') ax1.set_ylabel('min monthly salary(RMB)') bins = [3000,6000, 9000, 12000, 15000, 18000, 21000] counts, bins, patches = ax2.hist(y1, bins, normed=1, histtype='bar', facecolor='g', rwidth=0.8) ax2.set_title('Hist of min monthly salary in China (adjust)', size=14) ax2.set_yticklabels('') # ax2.set_xlabel('min monthly salary(RMB)') # http://stackoverflow.com/questions/6352740/matplotlib-label-each-bin ax2.set_xticks(bins) #將bins設定為xticks ax2.set_xticklabels(bins, rotation=-90) # 設定為xticklabels的方向 # Label the raw counts and the percentages below the x-axis... bin_centers = 0.5 * np.diff(bins) + bins[:-1] for count, x in zip(counts, bin_centers): # # Label the raw counts # ax2.annotate(str(count), xy=(x, 0), xycoords=('data', 'axes fraction'), # xytext=(0, -70), textcoords='offset points', va='top', ha='center', rotation=-90) # Label the percentages percent = '%0.0f%%' % (100 * float(count) / counts.sum()) ax2.annotate(percent, xy=(x, 0), xycoords=('data', 'axes fraction'), xytext=(0, -40), textcoords='offset points', va='top', ha='center', rotation=-90, color='b', size=14) fig.savefig('salary_quanguo_min_adjust.jpg') |
執行結果如下述圖所示：
3.3 相關技能要求
|
1 2 3 4 5 6 7 |
brief_list = list(df_clean_concat['brief']) brief_str = ''.join(brief_list) print(type(brief_str)) # print(brief_str) # with open('brief_quanguo.txt', 'w', encoding='utf-8') as f: # f.write(brief_str) |
|
1 |
<class 'str'> |
對獲取到的職位招聘要求進行詞雲圖分析，程式碼如下：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 |
# -*- coding: utf-8 -*- """ Created on Wed May 17 2017 @author: lemon """ import jieba from wordcloud import WordCloud, ImageColorGenerator import matplotlib.pyplot as plt import os import PIL.Image as Image import numpy as np with open('brief_quanguo.txt', 'rb') as f: # 讀取檔案內容 text = f.read() f.close() # 首先使用 jieba 中文分詞工具進行分詞 wordlist = jieba.cut(text, cut_all=False) # cut_all, True為全模式，False為精確模式 wordlist_space_split = ' '.join(wordlist) d = os.path.dirname(__file__) alice_coloring = np.array(Image.open(os.path.join(d,'colors.png'))) my_wordcloud = WordCloud(background_color='#F0F8FF', max_words=100, mask=alice_coloring, max_font_size=300, random_state=42).generate(wordlist_space_split) image_colors = ImageColorGenerator(alice_coloring) plt.show(my_wordcloud.recolor(color_func=image_colors)) plt.imshow(my_wordcloud) # 以圖片的形式顯示詞雲 plt.axis('off') # 關閉座標軸 plt.show() my_wordcloud.to_file(os.path.join(d, 'brief_quanguo_colors_cloud.png')) |
得到結果如下：
4 北京
4.1 月薪分佈情況
|
1 2 3 4 5 |
df_beijing = df_clean_concat[df_clean_concat['gzdd'].str.contains('北京.*', regex=True)] df_beijing.to_excel('zhilian_kw_python_bj.xlsx') print('總行數為：{}行'.format(df_beijing.shape[0])) # df_beijing.head() |
|
1 2 |
總行數為：6936行 |
參考全國分析時的程式碼，月薪分佈情況圖如下：
4.2 相關技能要求
|
1 2 3 4 5 6 7 |
brief_list_bj = list(df_beijing['brief']) brief_str_bj = ''.join(brief_list_bj) print(type(brief_str_bj)) # print(brief_str_bj) # with open('brief_beijing.txt', 'w', encoding='utf-8') as f: # f.write(brief_str_bj) |
|
1 |
<class 'str'> |
詞雲圖如下：
5 長沙
5.1 月薪分佈情況
|
1 2 3 4 5 6 |
df_changsha = df_clean_concat[df_clean_concat['gzdd'].str.contains('長沙.*', regex=True)] # df_changsha = pd.DataFrame(df_changsha, ignore_index=True) df_changsha.to_excel('zhilian_kw_python_cs.xlsx') print('總行數為：{}行'.format(df_changsha.shape[0])) # df_changsha.tail() |
|
1 2 |
總行數為：280行 |
參考全國分析時的程式碼，月薪分佈情況圖如下：
5.2 相關技能要求
|
1 2 3 4 5 6 7 |
brief_list_cs = list(df_changsha['brief']) brief_str_cs = ''.join(brief_list_cs) print(type(brief_str_cs)) # print(brief_str_cs) # with open('brief_changsha.txt', 'w', encoding='utf-8') as f: # f.write(brief_str_cs) |
|
1 |
<class 'str'> |
詞雲圖如下：