Python量化分析：人力资源数据分析_人力资源相关python数据分析课题

量化分析

人力资源数据分析

一、题目：

1. 国内不同地点的招聘人数总数
   1

2. 不同类别岗位的平均工作年限分析
   1

3. 不同类别（大类、小类）的职位招聘人数总数，如“技术>测试”表示大类是技术，小类是测试
   1

4. 不同年份/月份发布的职位需求人数分析
   1

5. 不同地点不同大类职位类别的职位招聘人数总数
   1

6. 描述上述1-6数据分析过程中你遇到了哪些问题以及解决方法
   1

二、要求

用Python进行数据分析，分析职位需求数据，并且进行数据清洗及各种维度的数据分析及可视化

三、可视化示例

这里就给大家简单举例两个啦，基本上上面的题目在代码中都可以一一表示出来。

四、代码展示

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
#题目1
df=pd.read_excel('job_data.xlsx',header=0)#读取数据
print(df)
city_list=list(df['工作地点'].value_counts().keys())#获取工作地点的名称list
print(city_list)
city_job=[]
for city in city_list:
    df_city=df[df['工作地点'].isin([city])].reset_index()#按照工作地点获取对应的dataframe
    city_job.append(sum(df_city['招聘人数']))#获取对应的招聘人数总数
print(city_job)
plt.rcParams['font.sans-serif']=['SimHei'];  #开始画图
plt.rcParams['axes.unicode_minus'] = False
plt.title("不同城市招聘人数")
plt.xlabel("城市")
plt.ylabel("人数 /人")
x=np.arange(len(city_list))
plt.xticks(x,city_list,fontsize=10)
plt.bar(x,city_job,color='g')#画柱状图
for index in range(len(city_list)):
    plt.text(x[index],city_job[index],city_job[index])
plt.show()
#题目2
job_class=df['职位类别'].value_counts().keys()#获取职位的名称list
for index in range(df.shape[0]):
    if df.loc[index,'工作年限']=='不限': 
        df.loc[index,'工作年限']=0
    elif df.loc[index,'工作年限']=='10年以上':
        df.loc[index,'工作年限']=10
    else:
        df.loc[index,'工作年限']=int(df.loc[index,'工作年限'].split('-')[0])
print(city_list)
job_class_worktime=[]
for job in job_class:
    df_job=df[df['职位类别'].isin([job])].reset_index()#按照职位类别获取对应的dataframe
    job_class_worktime.append(round(sum(df_job['工作年限'])/df_job.shape[0],1))#获取不同职位的平均招聘人数
print(job_class_worktime)
plt.rcParams['font.sans-serif']=['SimHei'];  #设置支持中文
plt.rcParams['axes.unicode_minus'] = False
plt.title("不同岗位平均工作年限")
plt.xlabel("工作岗位")
plt.ylabel("工作年限 /年")
x=np.arange(len(job_class_worktime))
plt.xticks(x,job_class,fontsize=10,rotation=90)
plt.bar(x,job_class_worktime,color='b')
for index in range(len(job_class)):
    plt.text(x[index],job_class_worktime[index],job_class_worktime[index])
plt.show()
for index in range(len(job_class)):
    print(f'岗位 {job_class[index]} 平均工作年限为 {job_class_worktime[index]}年')#打印输出不同职位对应工作年限的平均值


#题目3
job_class_recrutment=[]
for job in job_class:
    df_job=df[df['职位类别'].isin([job])].reset_index()#按照职位类别获取对应的dataframe
    job_class_recrutment.append(sum(df_job['招聘人数']))#获取不同职位的平均招聘人数

job_class_big=[]
for job in job_class:
    job_class_big.append(job.split('>')[0])

job_class_big=set(job_class_big)
print(job_class_big)

job_class_big_recrutment={}#建立字典，用来存储大类岗位的招聘人数
for item in job_class_big:
    job_class_big_recrutment[item]=0
for index in range(len(job_class)):
    for job_name in job_class_big:
        if job_name in job_class[index]:
            job_class_big_recrutment[job_name]+=job_class_recrutment[index]
            break
            
print(job_class_big_recrutment)
plt.rcParams['font.sans-serif']=['SimHei'];  #设置支持中文
plt.rcParams['axes.unicode_minus'] = False
plt.title("大类工作岗位招聘人数")
plt.xlabel("工作岗位")
plt.ylabel("招聘人数 /人")
x=np.arange(len(job_class_big_recrutment.keys()))
plt.xticks(x,job_class_big_recrutment.keys(),fontsize=10,rotation=90)
plt.bar(x,job_class_big_recrutment.values(),color='y')
for index in range(len(job_class_big_recrutment.keys())):
    plt.text(x[index],list(job_class_big_recrutment.values())[index],list(job_class_big_recrutment.values())[index])
plt.show()


#题目4
df1=df['发布时间'].str.split('-',expand=True)
df1.columns =['年', '月', '日']
print(df1)
df['年']=df1['年']
df['月']=df1['月']
year_recrutment=df['年'].value_counts()
month_recrutment=df['月'].value_counts()
year_recrutment_people=[]
for year in year_recrutment.keys():
    df_year=df[df['年'].isin([year])].reset_index()#按照年获取对应的dataframe
    year_recrutment_people.append(sum(df_year['招聘人数']))#获取不同年的招聘人数

month_recrutment_people=[]
for month in month_recrutment.keys():
    df_month=df[df['月'].isin([month])].reset_index()#按照月获取对应的dataframe
    month_recrutment_people.append(sum(df_month['招聘人数']))#获取不同月的招聘人数

print(year_recrutment_people)
print(month_recrutment_people)

plt.rcParams['font.sans-serif']=['SimHei'];  #设置支持中文
plt.rcParams['axes.unicode_minus'] = False
plt.title("年 招聘人数")
plt.xlabel("年份")
plt.ylabel("招聘人数 /人")
x=np.arange(len(year_recrutment.keys()))
plt.xticks(x,year_recrutment.keys(),fontsize=10,rotation=90)
plt.bar(x,year_recrutment_people,color='y')
for index in range(len(year_recrutment_people)):
    plt.text(x[index],year_recrutment_people[index],year_recrutment_people[index])
plt.show()

plt.rcParams['font.sans-serif']=['SimHei'];  #设置支持中文
plt.rcParams['axes.unicode_minus'] = False
plt.title("月 招聘人数")
plt.xlabel("月份")
plt.ylabel("招聘人数 /人")
x=np.arange(len(month_recrutment.keys()))
plt.xticks(x,month_recrutment.keys(),fontsize=10,rotation=90)
plt.bar(x,month_recrutment_people,color='lightgreen')
for index in range(len(month_recrutment_people)):
    plt.text(x[index],month_recrutment_people[index],month_recrutment_people[index])
plt.show()


#题目5
city_job_class_big={}#用来保存不同城市不同工作大类的招聘总人数

for city in city_list:
    df_city=df[df['工作地点'].isin([city])].reset_index()#按照工作地点获取对应的dataframe
    job_class_big_recrutment={}#建立字典，用来存储大类岗位的招聘人数
    for item in job_class_big:#初始化字典
        job_class_big_recrutment[item]=0
    for index in range(df_city.shape[0]):
        for job_name in job_class_big:
            if job_name in df_city.loc[index,'职位类别']:
                job_class_big_recrutment[job_name]+=df_city.loc[index,'招聘人数']
                break
    city_job_class_big[city]=job_class_big_recrutment
print(city_job_class_big)

color_list=['#CD853F','#DC143C','#00FF7F','#FF6347','#8B008B','#00FFFF','#0000FF','#8B0000','#FF8C00',
            '#1E90FF','#00FF00','#FFD700','#008080','#008B8B','#8A2BE2','#228B22','#FA8072','#808080']
plt.rcParams['font.sans-serif']=['SimHei'];  #设置支持中文
plt.rcParams['axes.unicode_minus'] = False
plt.title("不同地点大类招聘人数")
plt.xlabel("工作岗位大类")
plt.ylabel("招聘总人数 /人")
x=np.arange(len(job_class_big))
plt.xticks(x,job_class_big,fontsize=10,rotation=90)
for index  in range(len(city_list)):
    plt.plot(city_job_class_big[city_list[index]].values(),color=color_list[index],label=city_list[index])
    for index1 in range(len(job_class_big)):
        plt.text(x[index1],list(city_job_class_big[city_list[index]].values())[index1],list(city_job_class_big[city_list[index]].values())[index1])

plt.legend()
plt.show()

#题目6
education_spread=df['学历要求'].value_counts()
education_job_class_big={}#用来保存不同城市不同工作大类的招聘总人数

for job in job_class_big:
    education_dic={}
    for education in education_spread.keys():#字典初始化
        education_dic[education]=0
    education_job_class_big[job]=education_dic

for index in range(df.shape[0]):
    for job_name in job_class_big:
            if job_name in df.loc[index,'职位类别']:
                education_job_class_big[job_name][df.loc[index,'学历要求']]+=1
                break
print(education_job_class_big)


color_list=['#CD853F','#DC143C','#00FF7F','#FF6347','#8B008B','#00FFFF','#0000FF','#8B0000','#FF8C00',
            '#1E90FF','#00FF00','#FFD700','#008080','#008B8B','#8A2BE2','#228B22','#FA8072','#808080']
plt.rcParams['font.sans-serif']=['SimHei'];  #设置支持中文
plt.rcParams['axes.unicode_minus'] = False
plt.title("不同大类工作学历要求分布")
plt.xlabel("工作岗位大类")
plt.ylabel("学历要求 /次 ")
x=np.arange(len(education_spread.keys()))
plt.xticks(x,education_spread.keys(),fontsize=10,rotation=90)
for index  in range(len(list(job_class_big))):
    plt.plot(education_job_class_big[list(job_class_big)[index]].values(),color=color_list[index],label=list(job_class_big)[index])
    for index1 in range(len(education_spreadkeys())):
        plt.text(x[index1],list(education_job_class_big[list(job_class_big)[index]].values())[index1],list(education_job_class_big[list(job_class_big)[index]].values())[index1])

plt.legend()
plt.show()
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
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203

五、数据表格

六、总结

这个数据分析还是比较简单的，大家好好看看，还是可以看懂的，有什么问题call me！！！！

文案分享

“所有的爱都很可贵，但真诚和深情更胜一筹”