coding: utf-8

Google招聘需求分析

Google是技术人员梦寐以求的工作圣地，想进入Google，需要什么样的条件？Google在哪些地区有招聘机会？我们一起探索。

这个项目中，我们将处理以csv文件格式存储的数据。数据为从https://careers.google.com/ 爬取的google招聘职位需求。

载入文件

我们尝试使用Pandas的read_csv载入数据，并查看前面的几行内容。

In[1]:

 

import pandas as pdfile = "./data/job_skills.csv"df = pd.read_csv(file)df.head()

1.读取数据.png

从天气数据样本中，我们可以看到数据的一些特征

• Company：公司名字，这里绝大部分是Google
• Title：工作头衔
• Category：职位类别
• Location：工作地点
• Responsibilities: 职责
• Minimum Qualifications：最低要求
• Preferred Qualifications：加分项

技能语言排名

尝试在Minimum Qualifications中，查找各编程语言出现的次数。

我们考察的语言包括python、java、c++、php、javascript、object-C、ruby、perl、c、c#、sql、swift、scala、r。

In[2]:

 

import re
# 定义语言列表
lang_list = ['python', 'java', 'c++', 'php', 'javascript', 'objective-c', 'ruby', 'perl', 'c', 'c#', 'sql', 'swift', 'scala', 'r']# 定义统计函数，输入字符串，从中提取包含的‘python’、'java'等语言单词的次数
def lang_count(miniumum_qualifications_string, lang_dict):'''该函数被以下all_lang_count调用，统计lang_dict中已经有的key在miniumum_qualifications_string中出现的次数。输入：miniumum_qualifications_string：str类型，被查询的字符串（）'''# 从miniumum_qualifications_string中提取单词（可以参考Python正则表达式文档： https://docs.python.org/3/library/re.html）# 将如下re.sqlit中的第一个参数修改为正确的表达式，split 方法按照能够匹配的子串将字符串分割后返回列表""""+?"  重复1次或更多次，但尽可能少重复\.|  匹配文本中的“.”| |  匹配空格|\s| 匹配空白，即空格，tab|\n| 匹配换行|\/| 匹配斜杠|\r| 匹配回车|\(| 匹配左括号|\)  匹配右括号|\v| 匹配纵向制表符 |"""for w in re.split(r'[\.| |,|;|\s|\n|\/|\r|\(|\)]+?', miniumum_qualifications_string):# 如果单词为lang_list中的某一种语言（注意单词大小写问题），将字典lang_dict对应项累加for lang in lang_list:if w.lower() == lang:lang_dict[lang] += 1def all_lang_count(df):'''统计Minimum Qualifications列的内容中，语言出现的次数输入：df：DataFrame，其中包含Minimum Qualifications列。输出：字典类型，其中key为语言名字如'python'、'java'等，value为单词在Minimum Qualifications中出现的次数。'''# 初始化字典变量lang_dict, 以lang_list中的语言名字为key，出现次数为0lang_dict = {'python':0, 'java':0, 'c++':0, 'php':0, 'javascript':0, 'objective-c':0, 'ruby':0, 'perl':0, 'c':0, 'c#':0, 'sql':0, 'swift':0, 'scala':0, 'r':0}# 对于Minimum Qualifications列中的每一项，调用lang_count方法for word in df['Minimum Qualifications']:lang_count(str(word), lang_dict)return lang_dictlang_dict = all_lang_count(df)print(lang_dict)

2.各编程语言出现的次数.png

In[4]:

 

import matplotlib.pyplot as plt
# 解决图形显示中文乱码问题
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
# 对lang_dict.items()按照value所对应项进行排序并生成到新的列表变量lang_sorted中
lang_sorted = sorted(lang_dict.items(),key=lambda d:d[1],reverse=True)# 根据计算出的lang_sorted生成新的DataFrame
df_lang_sorted = pd.DataFrame(lang_sorted, columns = ['Language', 'Pop'])# 将Language设置为df_lang_sorted的index以便绘图时作为横坐标标签
df_lang_sorted.set_index(['Language'],inplace=True)# 绘制df_lang_sorted柱形图
ax = df_lang_sorted.plot(kind='bar', title ="Google招聘考察各编程语言出现的次数分布图",figsize=(10,5),legend=True, fontsize=12)
ax.set_xlabel("编程语言",fontsize=12)
ax.set_ylabel("次数",fontsize=12)
plt.show()

3.Google招聘考察各编程语言出现的次数分布图.png

从图形结果当中，我们可以看到，需求量排名前三的语言是Python、JavaScript和Java

更仔细的探索数据

对数据进行初步的统计得到以上结果，看起来比较惊喜。

让我们仔细看看一些数据的细节。

首先，检查下数据中包含多少空值。

In[5]:

 

pd.isnull(df).sum()

4.检查数据中包含的空值.png

去除空值项

In[6]:

 

df = df.dropna()
df.describe()

5.去除空值项.png

观察一下Company列

在执行df.head结果之后，我们可以发现Company列中的unique为2，这里除了Google，还有另外一家公司。

看看另一家是什么：

In[7]:

 

df['Company'].value_counts()

6.查看Company列中包含的公司.png

可以看到这里还有一家是YouTube，也是被Google收购了的金牌雇主。

为了分析，先不管这么多，把YouTube相关的行数据去掉。

In[8]:

 

# 去掉df中Company列为YouTube的数据
df = df[~df['Company'].isin(['YouTube'])]df.describe()

7.去掉Company列为YouTube的数据.png

观察其它列的大概状况

In[9]:

 

# Title列
df['Title'].value_counts().head(10)

8.观察Title列的统计情况.png

In[10]:

 

# 使用value_counts观察Location列的统计状况
df['Location'].value_counts().head(10)

9.观察Location列的统计状况.png

In[11]:

 

# 使用value_counts观察Category列的统计状况
df['Category'].value_counts().head(10)

10.观察Category列的统计状况.png

工作年限

粗略计算

In[12]:

 

from collections import defaultdict# 使用defaultdict构建value默认值为0的字典
years_exp = defaultdict(lambda: 0)# 定义统计函数，输入字符串，从中提取包含的xxx year字样的情况下期中xxx所描述的数字
def compute_years_exp(miniumum_qualifications_string):# 从miniumum_qualifications_string中提取xxx year中的xxx（可以参考Python正则表达式文档： https://docs.python.org/3/library/re.html）# 然后以年数（xxx）为key，将years_exp中的相应元素value加1。for w in re.findall(r'([0-9]+) year', miniumum_qualifications_string):years_exp[w] += 1# 对于Minimum Qualifications列中的每一项，调用lang_count方法
for word in df['Minimum Qualifications']:compute_years_exp(str(word))print(dict(years_exp))

11.查看各工作年限出现的次数.png

In[13]:

 

# 对dict(years_exp)按照value进行排序并生成到新的列表变量years_exp_sorted中
years_exp_sorted = sorted(years_exp.items(),key=lambda d:d[1],reverse=True)# 根据计算出的years_exp_sorted生成新的DataFrame，列名为Years以及Pop
df_years_exp_sorted = pd.DataFrame(years_exp_sorted, columns = ['Years', 'Pop'])# 将Years设置为df_years_exp_sorted的index以便绘图时作为横坐标标签
df_years_exp_sorted.set_index(['Years'],inplace=True)# 绘制df_years_exp_sorted柱形图
ax = df_years_exp_sorted.plot(kind='bar', title ="Google招聘考察各工作年限出现的次数分布图",figsize=(10,5),legend=True, fontsize=12)
ax.set_xlabel("工作年限",fontsize=12)
ax.set_ylabel("次数",fontsize=12)
plt.show()

12.Google招聘考察各工作年限出现的次数分布图.png

从图形结果当中，我们可以看到，需求量排名前二的工作经验年限是5年和3年

逐行处理

针对每一行，生成一个新列Minimum_years_experience，从当前行的Minimum Qualifications列中，提取xxx year 字样前面的xxx

In[14]:

 

# 生成df['Minimum_years_experience']，每行元素为对应行的Minimum Qualifications这列中xxx year 字样前面的xxx。
# df['Minimum_years_experience']每个元素的类型为列表
df['Minimum_years_experience'] = df['Minimum Qualifications'].apply(lambda x: re.findall(r'([0-9]+) year',x))df.head()

13.提取Minimum Qualifications列中要求的工作经验.png

从结果中，我们可以看出，某些行会提取出多个数字，某些行却一个数字也提取不出来，需要做进一步处理。

空值填充

将df['Minimum_years_experience']中的[]转换成[0]

In[15]:

 

# 将df['Minimum_years_experience']中的[]转换成[0]，（提示：可以使用apply）
df['Minimum_years_experience'] = df['Minimum_years_experience'].apply(lambda x: [0] if len(x)==0 else x)df.head()

14.将df['Minimum_years_experience']中的[]转换成[0].png

处理多值

当df['Minimum_years_experience']中出现多个元素时，比如[x, y, z]，将df['Minimum_years_experience']转换成[max(x, y, z)]

In[16]:

 

# 当df['Minimum_years_experience']中出现多个元素时，比如[x, y, z]，将df['Minimum_years_experience']转换成[max(x, y, z)]
def find_maximum(years):yearList = []for year in years:yearList.append(int(year))return max(yearList)
df['Minimum_years_experience'] = df['Minimum_years_experience'].apply(find_maximum)df.head()

15.将df['Minimum_years_experience']转换成[max(x, y, z)].png

In[17]:

 

# 基于df['Minimum_years_experience']数据，绘制箱线图。
# 注意：如果元素类型非数值类型，绘制箱线图会失败，需要使用astype对元素类型进行转换。
df['Minimum_years_experience'] = df['Minimum_years_experience'].astype(float)
ax = df['Minimum_years_experience'].plot(kind='box', title ="Google招聘各工作年限需求箱线图",figsize=(10,5),legend=True, fontsize=12)
ax.set_ylabel("工作年限",fontsize=12)
plt.show()

16.Google招聘各工作年限需求箱线图.png

从箱线图结果看，需求的工作年限的中位数是2年

查看分析师岗位相关数据

我们从Title中查找包含'Analyst'关键字的职位需求。

In[18]:

 

# 从Title中查找包含'Analyst'关键字的职位，存储到df_Analyst中。
df_Analyst = df[df['Title'].str.contains('Analyst')]df_Analyst.head()

17.从Title中查找包含'Analyst'关键字的职位.png

In[19]:

 

# 查看下分析师需求的位置分布情况
df_Analyst['Location'].value_counts()

18.查看下分析师需求的位置分布情况.png

添加国家信息

在位置信息中，最后一个逗号后面为国家名，我们对Location进一步分组。

在df_Analyst中生成一个新列'Country'，从Location中，将最后一个逗号后面的值提取出来，作为该列的值。

In[20]:

 

# 生成新列df_Analyst['Country']，其中内容为df_Analyst['Location']中截取最后一个逗号之后的内容
df_Analyst['Country'] = df_Analyst['Location'].apply(lambda x: re.split(r',',x)[-1])df_Analyst['Country'].value_counts()

19.从工作地点中统计各个国家出现的次数.png

需求量排在前4的国家是United States, Switzerland, Ireland, United Kingdom

统计数据分析师的语言技能需求

In[21]:

 

print(all_lang_count(df_Analyst))

20.统计数据分析师的语言技能需求.png

In[22]:

 

df_Analyst_count = all_lang_count(df_Analyst)# 对df_Analyst_count按照value进行排序并生成到新的列表变量df_Analyst_sorted中
df_Analyst_sorted = sorted(df_Analyst_count.items(),key=lambda d:d[1],reverse=True)# 根据计算出的df_Analyst_sorted生成新的DataFrame，列名为analyst_lang以及Pop
df_Analyst_sorted = pd.DataFrame(df_Analyst_sorted, columns = ['analyst_lang', 'Pop'])# 将analyst_lang设置为df_Analyst_sorted的index以便绘图时作为横坐标标签
df_Analyst_sorted.set_index(['analyst_lang'],inplace=True)# 绘制df_Analyst_sorted柱形图
ax = df_Analyst_sorted.plot(kind='bar', title ="Google招聘数据分析师的语言技能出现的次数分布图",figsize=(10,5),legend=True, fontsize=12)
ax.set_xlabel("语言技能",fontsize=12)
ax.set_ylabel("次数",fontsize=12)
plt.show()

21.Google招聘数据分析师的语言技能出现的次数分布图.png

对于数据分析师，sql语言的要求最高

透视表

构建透视表，探寻不同国家对于数据分析师的工作年限需求。

透视表index为二级索引，第一级是国家（'Country'），第二级是职位分类（'Category'）,values是'Minimum_years_experience'。当生成表时出现元素冲突时，定义mean为aggfunc。

In[23]:

 

import numpy as np
# 定义透视表category_country，以df_Analyst的Country和Category为二级索引，Minimum_years_experience为value，aggfunc为mean
category_country = df_Analyst.pivot_table(index=['Country','Category'],values=['Minimum_years_experience'],aggfunc=np.mean)category_country

22.不同国家对于数据分析师的工作年限需求.png

中国的职位需求中，其对应的Category是Partnerships，要求的最低工作年限是2年。