为一名在数据行业打拼了两年多的数据分析师，虽然目前收入还算ok，但每每想起房价，男儿三十还未立，内心就不免彷徨不已~

两年时间里曾经换过一份工作，一直都是从事大数据相关的行业。目前是一家企业的BI工程师，主要工作就是给业务部门出报表和业务分析报告。

回想自己过去的工作成绩也还算是不错的，多次通过自己分析告，解决了业务的疑难杂症，领导们各种离不开。

但安逸久了总会有点莫名的慌张，所以我所在的这个岗位未来会有多大发展空间，十年之后我能成为什么样的人呢？自己的收入空间还有多少？

一番惆怅之后，别再问路在何方了，于是抄起自己的“家伙”，花了一小会时间爬了智联招聘上BI岗位的数据信息，做了个分析。

PS：所用工具为Python+BI

数据分析的过程如同烧一顿饭，先要数据采集（买菜），然后数据建模（配菜）、数据清洗（洗菜）、数据分析（做菜）、数据可视化（摆盘上菜）。

所以第一步，要采集/选择数据。

一、Python爬取智联招聘岗位信息（附源码）

选择智联招聘，通过Python来进行“BI工程师”的关键数据信息的爬取，这里大家也可以试着爬取自己岗位的关键词，如“数据分析师”、“java开发工程师 ”等。经过F12分析调试，数据是以JSON的形式存储的，可以通过智联招聘提供的接口调用返回。

那么我这边通过Python对智联招聘网站的数据进行解析，爬取了30页数据，并且将岗位名称、公司名称、薪水、所在城市、所属行业、学历要求、工作年限这些关键信息用CSV文件保存下来。

附上完整Python源码：

import requests
import json
import csv
from urllib.parse import urlencode
import time
 
def saveHtml(file_name,file_content): #保存conten对象为html文件
 with open(file_name.replace('/','_')+'.html','wb') as f:
 f.write(file_content)
 
def GetData(url,writer):#解析并将数据保存为CSV文件
 response=requests.get(url)
 data=response.content
 saveHtml('zlzp',data) #保存html文件
 jsondata=json.loads(data)
 dataList=jsondata['data']['results']
 #print(jsondata)
 for dic in dataList:
 jobName=dic['jobName'] #岗位名称
 company=dic['company']['name'] #公司名称
 salary=dic['salary'] #薪水
 city=dic['city']['display'] #城市
 jobtype=dic['jobType']['display'] #所属行业
 eduLevel=dic['eduLevel']['name'] #学历要求
 workingExp=dic['workingExp']['name'] #工作经验
 print(jobName,company,salary,city,jobtype,eduLevel,workingExp)
 writer.writerow([jobName,company,salary,city,jobtype,eduLevel,workingExp])
param={ 'start':0,
 'pageSize':60,
 'cityId':489,
 'workExperience':-1,
 'education':-1,
 'companyType': -1,
 'employmentType': -1,
 'jobWelfareTag': -1,
 'kw': 'BI工程师', #搜索关键词，可以根据你需要爬取的岗位信息进行更换
 'kt': 3,
 'lastUrlQuery': {"p":1,"pageSize":"60","jl":"681","kw":"python","kt":"3"}
 }#参数配置
pages=range(1,31)#爬取1-30页数据
out_f=open('test.csv', 'w', newline='')
writer=csv.writer(out_f)
writer.writerow(['jobName','company','salary','city','jobtype','eduLevel','workingExp'])
for p in pages: #自动翻页
 param['start']=(p-1)*60
 param['lastUrlQuery']['p']=p
 url='https://fe-api.zhaopin.com/c/i/sou?' + urlencode(param)
 GetData(url,writer)
 time.sleep(3)#间隔休眠3秒，防止IP被封
 print(p)
out_f.close() 

经过一番编译调试，代码成功运行。

全部数据爬取完毕，一共1800条，保存在本地CSV文件中。

数据是爬到了，具体我想了解哪些信息呢：各城市的BI岗位需求情况以及薪资水平；薪水随工作经验的涨幅情况，以及有哪些具体的高薪岗。

由此可见，想要分析的角度很多，且看了源数据，还要做不少的数据处理。最简单快速出可视化的方法自然是用BI工具，来对数据做简单清洗加工，并呈现可视化。

BI能应付绝大多数场景的数据分析，尤其擅长多维数据切片，不需要建模；甚至数据清洗环节也能放在前端，通过过滤筛选、新建计算公式等来解决。最后呈现可视化，并可设计数据报告。

这里我用FineBI来做这样一份分析。

FineBI做分析大体是这样的流程：连接/导入数据——数据处理/清洗（过滤、筛选、新增公式列）——探索式分析——数据可视化——出报告。

二、数据清洗加工

1.薪水上下限分割：

将CSV文件数据导入FineBI中（新建数据链接，建立一个分析业务包，然后导入这张excel表）。因为薪水是以xxK-xxk（还有一些类似校招/薪资面议的数据）的形式进行存储的，我这边使用FineBI新增公式列（类似excel函数）将这些字符进行分割：

薪水下限（数值）：left( indexofarray ( split (salary,"-") ,1),find( "K",INDEXOFARRAY( split(salary,"-") ,1))-1)

薪水上限（含K字符）：right ( indexofarray( split(salary,"-") ,2),len(salary)- find("K",indexofarray(split(salary,"-"),2 ) ) )

薪水上限（数值）：left( 薪水上限(文本),find("K",薪水上限(文本))-1 )

这样就得到每个岗位的数值格式的薪水区间了：

2.脏数据清洗：

浏览了一下数据，没有大问题，但是发现里面有一些类似BIM工程师的岗位信息，这些应该都是土木行业的工程师，这边我直接过滤掉即可（不包含“BIM”且不包含“bim”）。

3.岗位平均数据计算

再新增列，平均薪水=(薪水下限+薪水上限)/2，即可得到每个岗位的平均薪水。

4.真实城市截取

由于城市字段存储有的数据为“城市-区域”格式，例如“上海-徐汇区”，为了方便分析每个城市的数据，最后新增列“城市”，截取“-”前面的真实城市数据。

城市：if(find("-",city)>0 , left(city, find("-",city)-1 ),city)

至此，18000多条数据差不多清洗完毕，食材已经全部准备好，下面可以正式开始数据可视化的美食下锅烹饪。

三、数据可视化

数据可视化可以说是很简单了，拖拽要分析的数据字段即可。

但是这里用finebi分析要理解一个思路。常规我们用excel做分析或者说做图表，是先选用钻则图表然后设定系列、数值。这里没有系列和数值的概念，只有横轴和竖轴。拖入什么字段，该字段就以该轴进行扩展，至于图表嘛，finebi会自动判别推荐。

我这边以各城市平均薪水/岗位数量分析为例给大家简单展示FineBI的可视化呈现过程。

1、横轴以“城市”字段扩展，展现两类数据。先是薪水值，拖拽到纵轴，默认对数值类的字段是汇总求和的。点击字段可直接对改字段修改计算、过滤等操作。

2、然后分析每个城市BI岗位的情况。将数据记录数这个指标拖入到纵轴展示。同样的方式，可以修改字段名。这里为了区分两者，将其修改为折线图，并且倒叙展示。

同理，其他图表也是这样的操作，想清楚展现什么样的数据，怎样展现，数据要作何处理。就得心应手了。其他图表就不一一赘述了。

最后，大概花了15分钟，一份完整的智联招聘网站-BI工程师岗位数据分析的可视化报告就制作完成啦~

审美有限，只能做成这样，其实这个FineBI还能做出这样的效果。

四、分析结果

1.目前BI工程师岗位在智联招聘网站的平均薪资为13.46K（痛哭。。。拉低平均薪水的存在），主要薪水区间大概在12-15K（占比27.07%），相关工作需求总数为634个（仅仅为某一天的招聘需求数据）。

2.从城市岗位需求数量分布来看，BI工程师需求主要集中在北京、上海、深圳、广州区域；各城市BI工程师平均薪水方面，去除岗位需求量较少的城市来看，国内排在前面的分别为深圳（14.72K）、上海（14.59K）、北京（14.51）、杭州（12.07K）、成都（11.13K）、广州（10.94K）。

3.从工作年限的平均薪水和岗位需求数量来看，工作5-10年的资深BI工程师的平均薪水可以达到20K以上（朝资深BI工程师方向奋斗！！！1年以下年限的计算出来的平均薪水虽然为19K，但是由于样本量只有3个，所以参考意义不大），其中大部分的工作需求年限为3-5年，平均薪水为14.24K。

4.从学历方面来看，最低学历需求主要以本科/大专为主，本科和大专学历要求的平均薪资分别为12.68K和11.97K（感觉差距并不大，过硬的技术实力可能才是企业最为看重的吧），博士和硕士学历需求很少。

5.看了一些高薪的招聘企业，最高的可以给到30K~40K的薪酬水平，其中主要是互联网、IT类公司为主。

醍醐灌顶，顿时有了奋斗的动力~知识就是财富，继续好好学习去吧，少年！！！

最后，附上本次爬取到的相关岗位明细的CSV数据（私心回复“csv”获取），如果大家也有分析自己岗位未来前景的想法，但是可能不熟悉数据可视化工具的，可以拿这份数据用FineBI练练手。

常有人不太会，使用excel来进行一些数据分析，通过下文的例子，简要说明其过程。

书写此文的目的是宣传excel的基础应用，提高大家的工作效率。

此文为excel使用的基础文章，高手请略过。

更深层次的excel使用技巧可以在工作中碰到时，可以进一步学习。

例子说明：

1. 获得原始的基础数据

2. 观察数据的特点，然后进行数据格式化

3. 导入excel软件，排序，分析

4. 改名，并存档

例子的说明以及背景说明。

今天在网上，看到一个“2015年中国经济城市百强”的文章，想初步对其进行数据分析，以备后用。

文章出处：http://blog.sina.com.cn/s/blog_53f8060b0102wsrh.html

处理的思路：

1. 从该链接获得原始的基础数据，目的：看看人均排名，网上没有，自己整一个。——将数据复制到文本文件中，重命名为100.txt（因为若直接复制到excel中，会放到每一行的第一格，还要整理数据，所以先复制到文本文件中）

2. 观察数据的特点，然后进行数据格式化——把一些符号（如：（，），亿元、等替换成，适当分割数据，形成列数据）

3. 导入excel软件，排序，分析——导入100.txt到excel软件，进一步整理，补全标题行，补齐数据，并根据需要排序

4. 改名，并存档——把100.txt另存为excel格式的文件，并修改文件标签名。

详细的操作，见视频。

最终的，按照人均数的部分排名截图（前20名）：

说明：

视频是操作流程，由作者本人录制，时长21:30居然。

在查找数据时，用时稍长，但同时也告诉了你去哪里找数据，如何查数据，另外，还有一些有价值的话，喜欢的可以看看。

<script src="https://lf3-cdn-tos.bytescm.com/obj/cdn-static-resource/tt_player/tt.player.js?v=20160723"></script>

建议在wifi下观看视频（土豪可以随意），以后会尽量压缩视频的时间长度，或使用截图来说明。

既然录了，传一次视频，看看反响如何，（未录制文件更名的操作）

若喜欢的人多，继续尝试视频，若一般，则会修正。

感谢您的阅读，聪明人可以不用看视频，了解思路即可。