查看原文
其他

实习僧招聘网爬虫数据可视化

2017-06-15 杜雨 R语言中文社区

 作者:杜雨,EasyCharts团队成员,R语言中文社区专栏作者,兴趣方向为:Excel商务图表,R语言数据可视化,地理信息数据可视化。
个人公众号:数据小魔方(微信ID:datamofang) ,“数据小魔方”创始人。  


我本来对实习僧网站是没什么好感的,因为之前自己在实习僧上投的实习简历几乎全部都石沉大海了(一个文科生偏要去投数据分析岗不碰壁才怪~_~)!

然鹅看到最近知乎爬虫圈儿里的两大趋势:爬美图;爬招聘网站。

后来大致了解下了,几乎各类大型的招聘文章都被别人爬过了,自己再去写免不了模仿之嫌,而且大神们都是用Python去爬的(Python我刚学会装包和导数据),自己也学不来。

现在只能选一个还没怎么被盯上的招聘网站,没错就它了——实习僧。

(http://www.shixiseng.com/)


说老实话,实习僧的网站做的还是不错的,看着结构挺简单,可是我用比较主流的Rvest和RCurl都失败了(主要自己技术太渣了,抓包又抓不好)。最后只能勉强用RSelenium爬完了全部所需内容。(用代码驱动浏览器的好处就是不用怎么考虑时延和伪装包头了,但是要遍历成百上千页网址真的很耗时,爬完这个数据用了大约40多分钟)。


以下是爬虫部分:

library(rvest)

library(stringr)

library(plyr)

library(dplyr)

library(Rwebdriver)

library(dplyr)

library(Rwordseg)

library(wordcloud2)

library(treemap)

library(showtext)

library(Cairo)

library(ggplot2)

library(scales)

library(grid)

library(RColorBrewer)

library(ggimage)

library(geojsonio)


本文主要用的Rwebdriver包来驱动Chrome浏览器,使用该包需要提前配置好桌面环境:

  • 下载selenium启动服务器;

  • 下载Chrome的chromedriver插件并放入Chrome主目录(添加系统环境变量)

  • 下载Rwebdriver包


在cmd或者powershell中启动Selenium服务器

options(stringsAsFactors=FALSE,warn=FALSE)

cd "D:/Rwebdriver-master"

java -jar selenium-server-standalone-3.3.1.jar


在Rsudio中新建进程:

start_session(root="http://localhost:4444/wd/hub/",browser ="chrome")


遍历实习僧的招聘信息网页

baseurl<-"http://www.shixiseng.com/interns?k=&t=zh&c=%E5%85%A8%E5%9B%BD&p="

pageurl<-paste0(baseurl,1:500)


本文所用到的爬虫代码部分:

homepage=internship=companyweb=company=Position=address=salary=period=duration=NULL

fun<-function(url){

post.url(url=url)

baseinfo<-read_html(url,encoding="utf-8")

homepage  <-baseinfo%>%html_nodes("div.po-name>div.names>a")%>% html_attr("href")

internship<-baseinfo%>%html_nodes("div.po-name>div.names>a")%>%html_text()

companyweb<-baseinfo%>%html_nodes("div.po-name>div.part>a")%>%html_attr("href")

company   <-baseinfo%>%html_nodes("div.po-name>div.part>a")%>%

html_text()

Position  <-baseinfo%>%html_nodes("div.po-name>div.part")%>%

html_text()

address   <-baseinfo%>%html_nodes("div.po-detail>div.addr>span")%>%

html_text()

salary    <-baseinfo%>%html_nodes("div.po-detail>div.xz>span:nth-child(2)")%>%

html_text()

period    <-baseinfo%>%html_nodes("div.po-detail>div.xz>span:nth-child(5)")%>%

html_text()

duration  <-baseinfo%>%html_nodes("div.po-detail>div.xz>span:nth-child(8)")%>%

html_text()

interninfo<-data.frame(homepage,internship,companyweb,company,Position,address,salary,period,duration)

}


用一个循环执行上述程序:

final<-data.frame()

for (i in pageurl){

final<-rbind(final,fun(i))

}

quit_session()


DT::datatable(final)


保存本地

write.table (final,"D:/R/File/shixiseng.csv",sep=",",row.names=FALSE)


##############################################


接下来做数据清洗

mydata<-read.csv("D:/R/File/shixiseng.csv",stringsAsFactors=FALSE,check.names=FALSE) 

mydata<-mydata[-5001,]

#补全实习发布单位的招聘信息主页:

mydata$homepage<-str_c("http://www.shixiseng.com",mydata$homepage,sep="")

#补全实习发布单位的公司信息主页:

mydata$companyweb<-str_c("http://www.shixiseng.com",mydata$companyweb,sep="")

mydata$work<-str_split(mydata$Position[1:10], " - ", simplify=TRUE)[,2]

#清除salary中的空格和斜杠

mydata$salary<-str_trim(mydata$salary,side="both")

mydata$salary<-str_extract(mydata$salary,"\\d+\\-\\d+")

#拆分实习工资的高低区间

mydata$salary_low<-str_split(mydata$salary, "-", simplify=TRUE)[,1]

mydata$salary_high<-str_split(mydata$salary, "-", simplify=TRUE)[,2]

#清除period中的汉字和特殊字符

mydata$period<-str_extract(mydata$period,"\\d+")

#清除duration中的汉字和特殊字符

mydata$duration<-str_extract(mydata$duration,"\\d+")

mydata <- tbl_df(mydata)

mydata<-select(mydata,-Position)

#因为address中所含的地址可能有存在多个,影响我们后续的可视化分析,这里为了方便起见,一律使用第一个地址。

mydata$address_unique<-str_split(mydata$address, ",", simplify=TRUE)[,1]

至此,数据清洗工作告一段落,接下来我们要进入分析与可视化阶段


names(mydata)

"homepage"-------公司实习职位简介

"internship"-----公司招聘性质

"companyweb"-----公司主页

"company"--------公司名称

"address"--------所在地

"address_unique"-所在地(唯一值,只取默认第一个地址)

"salary"---------实习工资区间

"salary_low"-----实习工资(最低值)

"salary_high"----实习工资(最高值)

"period"---------到岗天数(每周)

"duration"-------实习周期(按月算)

"work"-----------具体职位


我们最终获取的清洗后数据如上所示。

假如本次项目需求(虚拟)要求我们获取以下几个问题:


1、实习僧的实习招聘主页岗位主要是什么性质的?

2、哪些公司最缺实习僧?

3、实习岗位具体分布的地域和城市?

4、哪些城市对实习僧的需要最为强烈?

5、实习工资大致什么水平,与城市和地域是否有关系?

6、实习岗位一般都要求每周到岗多少天?

7、实习周期一般需要多长时间?

8、哪些职位需求最为频繁,职位需要量与城市之间的大致是如何分布的?

带着这些个问题,让我们尽情的畅游在可视化的世界里吧……

1、实习僧的实习招聘主页主要是什么性质的?

length(unique(mydata$internship))

3357

绝望了,一共爬了5000条实习职位信息,做了去重处理,显示仍有3357条,建议实习僧的产品运营团队考虑下要不要标准化一下这个职位性质,内门怎么可以创造这么多独特的职位~_~


对于这个问题,真的难倒我了,因为所爬数据中的职位性质没有统一的预设标准,所以我只能用文本分词的形式来进行提取了,先分词,然后统计高频词,最后按照词频来进行模糊分析啦(可我我对文本挖掘一窍不通啊~_~)


top100<-table(mydata$internship)%>%as.data.frame(stringsAsFactors=FALSE)%>% arrange(desc(Freq))%>%.[1:100,]

treemap(top100, index=c("Var1"), vSize="Freq",title='实习僧职位性质分布图',palette='RdBu',

fontsize.title=18,fontsize.labels=12,fontface.labels="plain",fontfamily.title="mono",fontfamily.labels="mono")



从实习职位分布图上来看,人力资源实习生职位需求最为强烈,其次是运营、财务、新媒体,这些类型的职位多为现代新兴服务业,更为符合大学生这一群体的口味和兴趣。


myrevieww<-mydata$internship

thewords <- segmentCN(myrevieww,nature=T)%>%unlist()

thewords <- gsub("[a-z]|\\.", "", thewords)

thewords<-thewords[nchar(thewords)>1]

reviewdata<-table(thewords)%>%as.data.frame(stringsAsFactors = FALSE)%>% arrange(desc(Freq))%>%filter(thewords!="实习生")

wordcloud<-wordcloud2(reviewdata[1:1000,],color="random-light",minSize=.6,size=1,backgroundColor="dark",minRotation=-pi/6,maxRotation=-pi/6,fontFamily ="微软雅黑");wordcloud

但是将职位性质分词整理成关键词后,似乎结果有所不同。


2、哪些公司最缺实习僧?

这里我们来统计所爬职位信息中公司发布职位的频率,发布最多的则作为评价公司对实习生需求的标准。

myjob<-table(mydata$company)%>%as.data.frame(stringsAsFactors=FALSE)%>%arrange(desc(Freq))

#看看前十名都是那些公司:

myjob15<-arrange(myjob[1:15,],desc(Freq))


CairoPNG(file="E:/微信公众号/公众号——数据小魔方/2017年5月/20170512/circle-rose.png",width=1580,height=950)

showtext.begin()

ggplot(data=myjob15,aes(x=reorder(Var1,-Freq),y=Freq,fill=Freq))+

geom_linerange(aes(ymin=0,ymax=42),linetype=5,size=.2,colour="#858585")+

geom_image(aes(x=0,y=-40),image="D:/R/Image/image1.jpg", size =.2)+

geom_text(aes(y=45,label=paste0(Var1,"\n",Freq)),vjust=1,size=5)+

geom_bar(stat="identity",width=1,col="white")+

geom_hline(yintercept =54,color="black",size=.5)+

geom_point(aes(y=48,size=Freq),shape=21,fill="#ED7D31",,alpha=0.6,col="orange")+

labs(title="Top 15 of Company",caption="Data Source:shixiseng")+

coord_polar(theta="x")+

ylim(-40,60)+

scale_size_area(max_size=20)+

guides(fill=FALSE,size=guide_legend(reverse=TRUE,title=NULL))+

theme_minimal()+

theme(

axis.title=element_blank(),

axis.text=element_blank(),

panel.grid=element_blank(),

legend.text=element_text(family="myfont",size=12),

legend.title=element_text(family="myfont",size=15,hjust=1),

plot.title=element_text(family="myfont",size=35),

plot.caption=element_text(family="myfont",size=18,hjust=0,lineheight=1.2)

)

showtext.end()

dev.off()



write.table (myjob[1:100,],"D:/R/File/shixiseng_job.csv",sep=",",row.names=FALSE)


前一百个实习生需求最旺盛企业:


3、实习岗位具体分布的地域和城市?

先做一个地域分布图:

add<-table(mydata$address_unique)%>%as.data.frame(stringsAsFactors=FALSE)%>%arrange(desc(Freq))%>%filter(nchar(Var1)==2)


#城市经纬度查询:

library(rjson)

library(RCurl)

library(REmap)

library(baidumap)

address<-add$Var1

baidu_lng <- c()

baidu_lat <- c()

ak<-"X8zlxPUdSe2weshrZ1WqnWxb43cfBI2N"

for(location in address){

   url<-paste("http://api.map.baidu.com/geocoder/v2/?ak=",ak,"&callback=renderOption&output=json&address=",location,sep="")

   url_string <- URLencode(url)                    

   msg.load <- tryCatch({

   json <-readLines(url_string,warn=F,encoding="UTF-8")

   msg.load <- "TRUE"

   },error=function(e) {

   "error"

     }

)

    if(msg.load=='error'){

    Sys.sleep(runif(1,3,10))

    msg.load <- tryCatch({

    connect <- readLines(url_string,warn=F,encoding = "UTF-8")   

    msg.load <- "TRUE"

     }, error = function(e){

     "error"

     }

     )

    }

geo <- fromJSON(substr(json,regexpr("\\(",json)+1,nchar(json)-1))  

    if(msg.load=='error'){

    lng<-'error1' 

    lat<-'error1'

    }else{

    lng<-geo$result$location$lng    

    lat<-geo$result$location$lat

    if(length(lng) == 0){    

        lng <- "error2"

        lat <- "error2"

      }

    }

lng<-geo$result$location$lng

lat<-geo$result$location$lat                 

baidu_lng<-c(baidu_lng,lng)

baidu_lat<-c(baidu_lat,lat)

}

result<-data.frame(address=address,long=baidu_lng,lat=baidu_lat,stringsAsFactors=FALSE)

pointdata<-left_join(add,result,by=c("Var1"="address"))


#成功获取目标城市经纬度信息:

解析来制作分布图:


geojson <-readOGR("D:/R/mapdata/State/china.geojson","OGRGeoJSON",stringsAsFactors=FALSE)

Encoding(geojson$name)<-"UTF-8"

china_Mapdata<-geojson@data

china_MapdataPloygon<-fortify(geojson)

CairoPNG(file="E:/微信公众号/公众号——数据小魔方/2017年5月/20170512/shixiseng_jobcity.png",width=1200,height=640)

showtext.begin()

ggplot()+ 

geom_polygon(data=china_MapdataPloygon,aes(x=long,y=lat,group=group),col="grey60",fill="white",size=.2,alpha=.4)+

geom_point(data=pointdata,aes(x=long,y=lat,size=Freq),shape=21,fill="#C72E29",col="#014D64",alpha=0.6)+ 

scale_size_area(max_size=15,guide=guide_legend(reverse=TRUE,title=NULL))+

     coord_map("polyconic") +

     labs(title="实习僧职位需求城市分布图",caption="数据来源:实习僧官网")+  

     theme(

          title=element_text(family="myfont",size=18),

          plot.title=element_text(size=24), 

          plot.caption=element_text(family="myfont",size=18,hjust=0),        

          panel.grid = element_blank(),

          panel.background = element_blank(),

          axis.text = element_blank(),

          axis.ticks = element_blank(),

          axis.title = element_blank(),

          legend.position = c(0.02,0.6),

          )

showtext.end()

dev.off()



4、哪些城市对实习僧的需要最为强烈?

从第三个问题及其分析结果上我们已经看出了整体形势,北上广深依然是需求最为旺盛的地区,这也符合城市的实际经济发展情况及我们的预期。


CairoPNG(file="E:/微信公众号/公众号——数据小魔方/2017年5月/20170512/jingjixue2.png",width=800,height=600)

showtext.begin()

ggplot(pointdata[1:20,],aes(reorder(Var1,Freq),Freq))+

geom_bar(fill="#0C8DC4",stat="identity")+

coord_flip()+

labs(title="实习僧职位需求城市分布",caption="数据来源:实习僧官网")+

geom_text(aes(y=Freq+25,label=Freq),hjust=2,colour="#C72E29",size=5)+

theme_bw()+

theme(

      panel.border=element_blank(),

      panel.grid.major=element_line(linetype="dashed"),

      panel.grid.minor=element_blank(),

      plot.title=element_text(size=15,colour="#003087",family="myfont"),

      plot.caption=element_text(hjust=0,size=10),

      axis.title=element_blank(),

      axis.text=element_text(size=15)

      )

showtext.end()

dev.off()



5、实习工资大致什么水平,与城市和地域是否有关系?


myjob_salary<-mydata[,c("address_unique","salary_low","salary_high")]  

myjob_salary$salary_low<-as.numeric(myjob_salary$salary_low)

myjob_salary$salary_high<-as.numeric(myjob_salary$salary_high)

myjob_salary<-na.omit(myjob_salary)%>%arrange(salary_high)%>%filter(salary_high>=20&salary_high<=500)

myjob_salary$id<-seq_len(nrow(myjob_salary))

myjob_salary$meansalary<-(myjob_salary$salary_low+myjob_salary$salary_high)/2


CairoPNG(file="E:/微信公众号/公众号——数据小魔方/2017年5月/20170512/shixiseng_jobsaleryarea.png",width=1200,height=800)

showtext.begin()

ggplot(myjob_salary,aes(id))+

geom_ribbon(aes(ymin=salary_low,ymax=salary_high),fill = "grey70")+

labs(title="实习僧职位工资区间分布",caption="数据来源:实习僧官网")+

geom_line(aes(y=meansalary))+

theme_minimal()+

theme(

      panel.border=element_blank(),

      panel.grid.major=element_line(linetype="dashed"),

      panel.grid.minor=element_blank(),

      plot.title=element_text(size=30,colour="#003087",family="myfont"),

      plot.caption=element_text(hjust=0,size=20),

      axis.title=element_blank(),

      axis.text.y=element_text(size=15),

      axis.text.x=element_blank()

      )

showtext.end()

dev.off()



myjob_salary$address_unique<-substr(myjob_salary$address_unique,1,2)

myjobcitysalary<-aggregate(meansalary~address_unique,data=myjob_salary,FUN=mean)


treemap(na.omit(myjobcitysalary), index=c("address_unique"),

vSize="meansalary",title='实习僧职位薪酬地域分布图',palette='RdBu',

fontsize.title=18,fontsize.labels=12,fontface.labels="plain",

fontfamily.title="mono",fontfamily.labels="mono")


按照全部参与计算聚合的平均工资来看,北上广深反而没有什么吸引力了排名普遍不高,我猜想是因为一线城市的低工资职位数量过多,压低了平均值。


接下来我们按照100,150的临界点进行工资高低的划分。


salary100<-myjob_salary%>%filter(meansalary<=100)%>%select(address_unique)%>%table()%>%as.data.frame(stringsAsFactors=FALSE)

salary100<-na.omit(salary100)%>%arrange(desc(Freq));names(salary100)<-c("city","num")


CairoPNG(file="E:/微信公众号/公众号——数据小魔方/2017年5月/20170512/salary100.png",width=1200,height=900)

showtext.begin()

ggplot(salary100[salary100$num>=5,],aes(reorder(city,-num),num))+

geom_bar(fill="#0C8DC4",stat="identity")+

labs(title="实习僧职位薪资城市分布(日薪低于100)",caption="数据来源:实习僧官网")+

geom_text(aes(y=num+10,label=num),hjust=.5,colour="#C72E29",size=5)+

theme_bw()+

theme(

      panel.border=element_blank(),

      panel.grid.major=element_line(linetype="dashed"),

      panel.grid.minor=element_blank(),

      plot.title=element_text(size=25,colour="#003087",family="myfont"),

      plot.caption=element_text(hjust=0,size=18),

      axis.title=element_blank(),

      axis.text=element_text(size=15)

      )

showtext.end()

dev.off()


salary200<-myjob_salary%>%filter(meansalary>=200)%>%select(address_unique)%>%table()%>%as.data.frame(stringsAsFactors=FALSE)

salary200<-na.omit(salary200)%>%arrange(desc(Freq));names(salary200)<-c("city","num")

CairoPNG(file="E:/微信公众号/公众号——数据小魔方/2017年5月/20170512/salary200.png",width=1200,height=900)

showtext.begin()

ggplot(salary200,aes(reorder(city,-num),num))+

geom_bar(fill="#0C8DC4",stat="identity")+

labs(title="实习僧职位薪资城市分布(日薪高于200)",caption="数据来源:实习僧官网")+

geom_text(aes(y=num+10,label=num),hjust=.5,colour="#C72E29",size=5)+

theme_bw()+

theme(

      panel.border=element_blank(),

      panel.grid.major=element_line(linetype="dashed"),

      panel.grid.minor=element_blank(),

      plot.title=element_text(size=25,colour="#003087",family="myfont"),

      plot.caption=element_text(hjust=0,size=18),

      axis.title=element_blank(),

      axis.text=element_text(size=15)

      )

showtext.end()

dev.off()


salary100_200<-myjob_salary%>%filter(meansalary>100 & meansalary<200)%>%select(address_unique)%>%table()%>%as.data.frame(stringsAsFactors=FALSE)

salary100_200<-na.omit(salary100_200)%>%arrange(desc(Freq));names(salary100_200)<-c("city","num")


CairoPNG(file="E:/微信公众号/公众号——数据小魔方/2017年5月/20170512/salary100-200.png",width=1600,height=900)

showtext.begin()

ggplot(salary100_200,aes(reorder(city,-num),num))+

geom_bar(fill="#0C8DC4",stat="identity")+

labs(title="实习僧职位薪资城市分布(日薪处于100-200之间)",caption="数据来源:实习僧官网")+

geom_text(aes(y=num+10,label=num),hjust=.5,colour="#C72E29",size=5)+

theme_bw()+

theme(

      panel.border=element_blank(),

      panel.grid.major=element_line(linetype="dashed"),

      panel.grid.minor=element_blank(),

      plot.title=element_text(size=25,colour="#003087",family="myfont"),

      plot.caption=element_text(hjust=0,size=18),

      axis.title=element_blank(),

      axis.text=element_text(size=15)

      )

showtext.end()

dev.off()


分析到这里,趋势已经很明显了,因为北上广深等一线城市的职位实在是太多了,无论是高新职位还是低薪实习岗位都能排在全国各城市的前列,所以出现日均工资很普通的现象。相对而言,日薪在200以上的高薪职位更能代表各大城市对日常实习生需求的强烈程度,因为在这一阶段,北上广深的优势非常明显,遥遥领先与其他二线城市,而针对日薪高于200的实习职位统计结果可以看出来,北上技压群雄(不愧是帝都和魔都),深圳和广州处于第二线,200以上的高新实习职位遇北上相比,相差比较大,仅占前两者约1/3~1/5。而杭州、南京、武汉、合肥则稳稳处于第三梯队。


6、实习岗位一般都要求每周到岗多少天?

myperiod<-mydata$period

CairoPNG(file="E:/微信公众号/公众号——数据小魔方/2017年5月/20170512/internperiod.png",width=1000,height=750)

showtext.begin()

ggplot(data=NULL,aes(myperiod)) +

geom_histogram(stat="count",show.legend=FALSE,binwidth=1,fill="#F86977",col=NA) +

labs(title="实习职位要求每周工作天数",caption="数据来源:实习僧官网")+

theme(panel.background=element_rect(fill=NA),

        plot.background=element_rect(fill=NA),

        plot.title =element_text(size=20,family="myfont"),

        plot.caption=element_text(hjust=0,family="myfont"),

        axis.line=element_line(colour="grey80"),

        axis.text=element_text(size=12,family="myfont"),

        axis.title=element_blank())

showtext.end()

dev.off()


从分布上看,一周五天居多,这样是正常的工作日现象。3天、4天也是用人单位补缴能接受的周工作天数。


7、实习周期一般需要多长时间?

myduration<-mydata$duration

mydurationhz<-table(myduration)%>%as.data.frame(stringsAsFactors=FALSE)%>%arrange(desc(Freq))

CairoPNG(file="E:/微信公众号/公众号——数据小魔方/2017年5月/20170512/internduration.png",width=1000,height=750)

showtext.begin()

ggplot(data=mydurationhz,aes(reorder(myduration,-Freq),Freq)) +

geom_bar(stat="identity",show.legend=FALSE,width=1,fill="#065573",col=NA) +

geom_text(aes(y=Freq+20,label=Freq),hjust=.5,colour="#C72E29",size=5)+

labs(title="实习职位要求工作时间周期",caption="数据来源:实习僧官网")+

theme(panel.background=element_rect(fill=NA),

        plot.background=element_rect(fill=NA),

        plot.title =element_text(size=20,family="myfont"),

        plot.caption=element_text(hjust=0,family="myfont"),

        axis.line=element_line(colour="grey80"),

        axis.text=element_text(size=12,family="myfont"),

        axis.title=element_blank())

showtext.end()

dev.off()


8、哪些职位需求最为旺盛

下面开始分析最后一个问题,也是我认为最有价值,最值得探究的问题,最后一个待分析指标是实习职位,这个指标跟我们最初分析的那个岗位性质略有不同,该变量相对比较规范(职位类别有确定的预设范围)。


我们新建一个分析数据,用职位、工资区间的中间值,地区三个变量进行后续分析:

mydata$salary_high<-as.numeric(mydata$salary_high)

mydata$salary_low<-as.numeric(mydata$salary_low)

mydata$salary_mean<-(mydata$salary_low+mydata$salary_high)/2

myworkdata<-mydata[,c("address_unique","work","salary_mean")]


首先分析下岗位的集中分布情况:


myworkcount<-table(myworkdata[,2])%>%as.data.frame(stringsAsFactors=FALSE)%>%arrange(desc(Freq))


CairoPNG(file="E:/微信公众号/公众号——数据小魔方/2017年5月/20170512/interndworkcount.png",width=1000,height=750)

showtext.begin()

ggplot(data=myworkcount,aes(reorder(Var1,-Freq),Freq)) +

geom_bar(stat="identity",show.legend=FALSE,width=.75,fill="#5D8DA6",col=NA) +

geom_text(aes(y=Freq+50,label=Freq),hjust=.5,colour="#C72E29",size=5)+

labs(title="实习职位类别分布",caption="数据来源:实习僧官网")+

theme(panel.background=element_rect(fill=NA),

        plot.background=element_rect(fill=NA),

        plot.title =element_text(size=20,family="myfont"),

        plot.caption=element_text(hjust=0,family="myfont"),

        axis.line=element_line(colour="grey80"),

        axis.text=element_text(size=12,family="myfont"),

        axis.title=element_blank())

showtext.end()

dev.off()


各个岗位工资分布:


myworkmean<-aggregate(salary_mean~work,data=myworkdata,FUN=mean)

CairoPNG(file="E:/微信公众号/公众号——数据小魔方/2017年5月/20170512/interndworkmean.png",width=1000,height=750)

showtext.begin()

ggplot(data=myworkmean,aes(reorder(work,-salary_mean),salary_mean)) +

geom_bar(stat="identity",show.legend=FALSE,width=.75,fill="#5D8DA6",col=NA) +

geom_text(aes(y=salary_mean+5,label=round(salary_mean,1)),hjust=.5,colour="#C72E29",size=10)+

labs(title="实习职位类别平均工资",caption="数据来源:实习僧官网")+

theme(panel.background=element_rect(fill=NA),

        plot.background=element_rect(fill=NA),

        plot.title =element_text(size=25,family="myfont"),

        plot.caption=element_text(hjust=0,family="myfont",size=20),

        axis.line=element_line(colour="grey80"),

        axis.text=element_text(size=18,family="myfont"),

        axis.title=element_blank())

showtext.end()

dev.off()


从工资均数上来看,七大类职位差距不大,说明仅就实习岗位工资而言,结合爬取的总体样本,不考虑地域差异,实习工资差异不很明显。也许是因为实习岗位中真正有含金量的并不多,换句话说,企业的高价值岗位,对于工作经验、技能的要求相对较高,而实习生则在这方面都不具备优势。(如果是社招或者小校招岗位信息的话,可能工资均值的差异会大一些)。


最后,让我们用一个桑基图来完结本次针对实习僧网站的爬虫分析:

write.table (myworkdata,"D:/R/File/shixiseng_workdata.csv",sep=",",row.names=FALSE)


桑基流向图的趋势灰常明显,北上两市在所有类别职位(7大类)上均居前列,各职位类别中,市场和运营职位需求最为强烈,北京和上海在对市场和运营职位的需求容量机会平分秋色。广州和深圳仍然略于北上,但是与其他二线城市相比较,优势仍然很明显。(也许是因为实习僧做为主打校园实习岗位信息咨询平台,针对的主流群体基本以在校大学生为主,而北上广深的高等教育资源分布差异明显,在高校数量方面,北上的要沾光很多,广州与深圳的高校资源相对比较匮乏,在以上分析的各项指标中都占尽劣势)。


爬虫和代码分析,算起来整整花了将近12个小时,虽然分析的不是很精准、客观,但是过程还是很有收获的,期待下一次做的更好!




微信回复关键字即可学习


回复 R              R语言快速入门免费视频 
回复 统计          统计方法及其在R中的实现
回复 用户画像   民生银行客户画像搭建与应用 
回复 大数据      大数据系列免费视频教程
回复 可视化      利用R语言做数据可视化
回复 数据挖掘   数据挖掘算法原理解释与应用
回复 机器学习   R&Python机器学习入门 

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存