“数据分析岗位”招聘情况分析！| Execl版

出现了文本与数字交替的情况，

给每个单元格做一次数字运算，全部转换为数字。最后得到统一单位和格式的最高薪水和最低薪水

我们简单取最高薪和最低薪的平均数作为该岗位薪资。这是数据来源的缺陷，因为我们并不能知道应聘者实际能拿多少，这是薪水计算的误差。

刚才说用均值填充缺失值，均值计算为9.3，对avgsalary为0的项进行填充。薪资项的处理就完成了。

然后是info项，info项的格式类似

以 ‘ | ’ 为分隔符分列，但有的单位在此处填写了学历要求，有的单位没有，而是把学历要求写在JD中。导致education项中有一部分的数据错位为招聘人数。

我把薪资小于5千/月的填充为大专要求，小于15千/月的填充为本科要求，大于15千/月的填充为硕士要求，不过这样误差应该会非常大!

然后是city列，用数据透视表统计各城市出现的次数，降序。将小于10个招聘岗位的城市统一归入“其他城市”标签。

数据是否一致化：一致化指的是数据是否有统一的标准或命名。我们看一下表格中的positionName，非常不一致

我们需要将数据分析强相关的职位挑选出来，不然会影响分析结果

用关键词查找的思路，找出包含有数据分析、分析师、数据运营等关键词的岗位，排除掉“品牌专员”、“人力资源总监”、“会计”等非纯数据分析的岗位。用FIND函数和IF函数结合，1为包含，0不包含。将1过滤出来，这就是需要分析的最终数据。

以下是排除掉的岗位，约160个，占总岗位数的6.8%.

04 分析过程

因为主要数据均是文本格式，所以偏向汇总统计的计算。如果数值型的数据比较多，就会涉及到统计、比例等概念。如果有时间类数据，那么还会有趋势、变化的概念。

整体分析使用数据透视表完成，先利用数据透视表获得汇总型统计。

1)工作经验vs岗位数量

广州和上海的数据分析岗位远多于其他城市。3年以下时间段的缺口更大。无工作经验的应届毕业生似乎比1年以下经验的更吃香。但因为很多公司对学历的要求写在详细的岗位描述中，而不是直接选择的。所以很多显示为无工作经验的岗位，其实在岗位描述中是对工作年限进行了要求的，所以这里的统计很不准确。

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!