我 相 信 这 么 优秀 的 你
已 经 置 顶了 我
转自：36大数据（dashuju36）
前言
从智联招聘爬取相关信息后，我们关心的是如何对内容进行分析，获取用用的信息。
分析关键词为“python”的爬取数据的情况，获取包括全国python招聘数量Top10的城市列表以及其他相关信息。
一、主要分析步骤
数据读取
数据整理
对职位数量在全国主要城市的分布情况进行分析
对全国范围内的职位月薪情况进行分析
对该职位招聘岗位要求描述进行词云图分析，获取频率最高的关键字
选取两个城市，分别分析月薪分布情况以及招聘要求的词云图分析
二、具体分析过程
import pymongoimport pandas as pdimport matplotlib.pyplot as pltimport numpy as np% matplotlib inlineplt.style.use(‘ggplot’) # 解决matplotlib显示中文问题plt.rcParams[‘font.sans-serif’] = [‘SimHei’] # 指定默认字体plt.rcParams[‘axes.unicode_minus’] = False # 解决保存图像是负号’-‘显示为方块的问题
1 读取数据
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 = [‘职位名称’,# ‘公司名称’,# ‘职位月薪’,# ‘公布时间’,# ‘工作地点’,# ‘反馈率’,# ‘招聘简介’,# ‘网页链接’,# ‘_id’,# ‘信息保存日期’]# df.columns = columns_updateprint(‘总行数为：{}行’.format(df.shape[0]))df.head(2)
结果如图1所示：
2 数据整理
2.1 将str格式的日期变为 datatime
df[‘save_date’] = pd.to_datetime(df[‘save_date’])print(df[‘save_date’].dtype)# df[‘save_date’] datetime64[ns]
2.2 筛选月薪格式为“XXXX-XXXX”的信息
df_clean = df[[‘zwmc’, ‘gsmc’, ‘zwyx’, ‘gbsj’, ‘gzdd’, ‘fkl’, ‘brief’, ‘zw_link’, ‘save_date’]]# 对月薪的数据进行筛选，选取格式为“XXXX-XXXX”的信息，方面后续分析df_clean = df_clean[df_clean[‘zwyx’].str.contains(‘d+-d+’, regex=True)]print(‘总行数为：{}行’.format(df_clean.shape[0]))# df_clean.head() 总行数为：22605行
2.3 分割月薪字段，分别获取月薪的下限值和上限值
# 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 #会有警告s_min, s_max = df_clean.loc[: , ‘zwyx’].str.split(‘-‘,1).strdf_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)
运行结果如图2所示：
将数据信息按职位月薪进行排序
df_clean_concat.sort_values(‘zwyx_min’,inplace=True)# df_clean_concat.tail()
判断爬取的数据是否有重复值
# 判断爬取的数据是否有重复值print(df_clean_concat[df_clean_concat.duplicated(‘zw_link’)==True]) Empty DataFrameColumns: [zwmc, gsmc, zwyx, gbsj, gzdd, fkl, brief, zw_link, save_date, zwyx_min, zwyx_max]Index: []
从上述结果可看出，数据是没有重复的。
3 对全国范围内的职位进行分析
3.1 主要城市的招聘职位数量分布情况
# from IPython.core.display import display, HTMLADDRESS = [ ‘北京’, ‘上海’, ‘广州’, ‘深圳’, ‘天津’, ‘武汉’, ‘西安’, ‘成都’, ‘大连’, ‘长春’, ‘沈阳’, ‘南京’, ‘济南’, ‘青岛’, ‘杭州’, ‘苏州’, ‘无锡’, ‘宁波’, ‘重庆’, ‘郑州’, ‘长沙’, ‘福州’, ‘厦门’, ‘哈尔滨’, ‘石家庄’, ‘合肥’, ‘惠州’, ‘太原’, ‘昆明’, ‘烟台’, ‘佛山’, ‘南昌’, ‘贵阳’, ‘南宁’]df_city = df_clean_concat.copy()# 由于工作地点的写上，比如北京，包含许多地址为北京-朝阳区等# 可以用替换的方式进行整理，这里用pandas的replace()方法for city in ADDRESS: df_city[‘gzdd’] = df_city[‘gzdd’].replace([(city+’.*’)],[city],regex=True)# 针对全国主要城市进行分析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’]# 按职位数量进行排序df_city_main_count.sort_values(by=’number’, ascending=False, inplace=True)# 添加辅助列，标注城市和百分比，方面在后续绘图时使用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))# 职位数量最多的Top10城市的列表print(df_city_main_count.head(10)) class ‘pandas.core.frame.DataFrame’ number percentage labelgzdd 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%广州 1167 0.053159 广州 5%南京 826 0.037626 南京 4%郑州 741 0.033754 郑州 3%武汉 552 0.025145 武汉 3%西安 473 0.021546 西安 2%
对结果进行绘图：
from matplotlib import cmlabel = df_city_main_count[‘label’]sizes = df_city_main_count[‘number’]# 设置绘图区域大小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# 由于城市数量太多，饼图中不显示labels和百分比patches, texts = ax1.pie(sizes,labels=None, shadow=False, startangle=0, colors=colors)ax1.axis(‘equal’) ax1.set_title(‘职位数量分布’, loc=’center’)# ax2 只显示图例（legend）ax2.axis(‘off’)ax2.legend(patches, label, loc=’center left’, fontsize=9)plt.savefig(‘job_distribute.jpg’)plt.show()
运行结果如下述饼图所示：
3.2 月薪分布情况（全国）
from matplotlib.ticker import FormatStrFormatterfig, (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-binax2.set_xticks(bins) #将bins设置为xticksax2.set_xticklabels(bins, rotation=-90) # 设置为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’)
运行结果如下述图所示：
不考虑部分极值后，分析月薪分布情况
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-binax2.set_xticks(bins) #将bins设置为xticksax2.set_xticklabels(bins, rotation=-90) # 设置为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’)
运行结果如下述图所示：
3.3 相关技能要求
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) class ‘str’
对获取到的职位招聘要求进行词云图分析，代码如下：
# -*- coding: utf-8 -*-“””Created on Wed May 17 2017@author: lemon”””import jiebafrom wordcloud import WordCloud, ImageColorGeneratorimport matplotlib.pyplot as pltimport osimport PIL.Image as Imageimport numpy as npwith open(‘brief_quanguo.txt’, ‘rb’) as f: # 读取文件内容 text = f.read() f.close()# 首先使用 jieba 中文分词工具进行分词wordlist = jieba.cut(text, cut_all=False) # cut_all, True为全模式，False为精确模式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) # 以图片的形式显示词云plt.axis(‘off’) # 关闭坐标轴plt.show()my_wordcloud.to_file(os.path.join(d, ‘brief_quanguo_colors_cloud.png’))
得到结果如下：
4 北京
4.1 月薪分布情况
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(‘总行数为：{}行’.format(df_beijing.shape[0]))# df_beijing.head() 总行数为：6936行
参考全国分析时的代码，月薪分布情况图如下：
4.2 相关技能要求
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) class ‘str’
词云图如下：
5 长沙
5.1 月薪分布情况
df_changsha = df_clean_concat[df_clean_concat[‘gzdd’].str.contains(‘长沙.*’, regex=True)]# df_changsha = pd.DataFrame(df_changsha, ignore_index=True)df_changsha.to_excel(‘zhilian_kw_python_cs.xlsx’)print(‘总行数为：{}行’.format(df_changsha.shape[0]))# df_changsha.tail() 总行数为：280行
参考全国分析时的代码，月薪分布情况图如下：
5.2 相关技能要求
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) class ‘str’
词云图如下：
