对数据分析师岗位进行数据分析

1. 爬取数据

利用GitHub上的现成包(需要的话可以留言)，修改参数后获得XX网关于“数据分析师”的数据。爬取完成后为一个txt的文本，内容如下： 总体来说关于职位的信息已经比较齐全了。

2.数据预处理

引入EXCEL后的状态，所有数据都在一列中，导致数据共8W行。。。。。。

对原始数据进行操作

Created with Raphaël 2.2.0 开始 删除-------------- 依靠定位符“：”，通过“分列”操作先将数据分成两列 将第一列的标签转置为一行，然后将第二列中对应数据放在对应标签下 结束

得到整理后的数据，共3315行： 这里没有用python对数据进行预处理是因为爬取的数据形式不固定，python的数据预处理方式实在心有余而力不足。

3.数据可视化

选择了python和powerBI分别进行数据可视化： 1. python （1）一线城市和互联网城市：北上广深杭当仁不让排在前面，成都、武汉、南京、西安等发展比较快速的二线城市紧随其后。 （2）前十名中南方城市占8个，北方城市只有2个。所以干这个还得去南方啊~

（1）数据分析师主力军为本科生，但是数据分析师作为数据科学的入门级职位，学历要求不高也是情理之中 （2）数据科学进阶后去做机器学习，深度学习等对学历和专业度的要求会逐渐提高 啊 （1）规模越大的公司对该岗位要求数量越多 （2）企业规模达到一定程度（一般A轮融资以上），对该岗位要求数量大幅度增多 （1）数据分析师的薪资普遍在10k-20k之间 （2）北上广深杭的起薪和上限都是比较高的，所以该职位想有所发展，还是大城市 （1）虽然学历越高，起薪没有高特别多，但是普遍学历越高，薪资上限越高，发展越好 （1）工作经验和薪资完全正相关 （1）公司标签的词云图表明：绩效奖金和带薪年假是公司主要吸引人的手段 （1）企业标签表明：电商，数据服务公司，金融公司等移动互联网公司是该职业的主要去处 （1）职位标签表明：数据挖掘与数据分析是主要工作，SQL，BI，SPSS等是主要应用工具

总结来说，数据分析师的工作发展在一线城市和互联网发展较好的二线城市还是非常有前景的。在工作中熟悉业务和工具；在平时多学习行业内大牛的思想和理念以及新的工具，才是可持续发展的道路。

2. Power BI

内容上没什么说的，但是个人认为如果不是特别固定和程序化的业务流程。还是BI和SQL等工具比较灵活，展示效果也比较好。

4.总结

1. 从大的行业趋势而言，大数据时代的背景下数据驱动业务将会越来越成为普遍，数据科学的相关行业前景比较看好。 2. 从个人发展而言，数据理念、业务理解和数据工具的掌握三者要紧密结合，共同进步和发展。 3. 从作者个人而言，数据驱动和业务端的相互验证是一个比较理想的良性商业活动循环，而且通过数据的角度可以客观的分析和判断很多有趣的事情，比如知乎大佬数据冰山的分析DATA2掉一塔和比赛失败之间多大联系等案例都很好玩。