Python or Java？大数据解读学什么语言最赚钱

Original: 徐涛数据森麟 2019-06-22

作者介绍：徐涛，19年应届毕业生，专注于珊瑚礁研究，喜欢用R各种清洗数据。

知乎：parkson

本文主要用Python爬取拉勾网不同编程语言职位信息，包括：Python岗、Java岗、C++岗、PHP岗、C#岗位（5岗）；用R语言对影响薪资的因素进行分析。由于拉勾网的职位信息只显示30页，一页15个职位信息，如果单独爬取一个城市的岗位信息，只有几页是匹配的信息，信息量太小，分析没有说服力。因此，本文爬取拉勾网全国职位信息。主要三部分内容：

一、爬取拉勾网5岗职位信息--以Python岗为例

二、以Python岗位信息为例，分析影响薪资的因素

三、5岗之间薪水因素影响比较分析

一、爬取拉勾网5岗职位信息--以Python岗为例

我们抓取的信息包括Python岗位名称、公司名称、薪资、工作经验、学历、公司规模、公司福利。

##以python岗位为例，运用selenium+Chrome()爬取岗位信息
# coding=UTF-8
from lxml import etree
from selenium import webdriver
import time
import csv

browser = webdriver.Chrome()
browser.get('https://www.lagou.com/jobs/list_PYTHON?px=default&city=%E5%85%A8%E5%9B%BD#filterBox')
browser.implicitly_wait(10)

def get_dates(selector):
        items = selector.xpath('//*[@id="s_position_list"]/ul/li')
        for item in items:
            yield {
                'Name': item.xpath('div[1]/div[1]/div[1]/a/h3/text()')[0],
                'Company': item.xpath('div[1]/div[2]/div[1]/a/text()')[0],
                'Salary': item.xpath('div[1]/div[1]/div[2]/div/span/text()')[0],
                'Education': item.xpath('div[1]/div[1]/div[2]/div//text()')[3].strip(),
                'Size': item.xpath('div[1]/div[2]/div[2]/text()')[0].strip(),
                'Welfare': item.xpath('div[2]/div[2]/text()')[0]
            }
def main():
    i = 0
    for i in range(30):
        selector = etree.HTML(browser.page_source)
        browser.find_element_by_xpath('//*[@id="order"]/li/div[4]/div[2]').click()
        time.sleep(5)
        print('第{}页抓取完毕'.format(i+1))
        for item in get_dates(selector):
            print(item)
        with open('Py.csv', 'a', newline='') as csvfile:  ##Py.csv是文件的保存路径，这里默认保存在工作目录
            fieldnames = ['Name', 'Company', 'Salary', 'Education', 'Size', 'Welfare']
            writer = csv.DictWriter(csvfile, fieldnames=fieldnames)
            writer.writeheader()
            for item in get_dates(selector):
                writer.writerow(item)
        time.sleep(5)
    browser.close()
if __name__=='__main__':
    main()

抓取结果如下：

将抓取结果循环写入csv文件：

此外还抓取了Java岗、C++岗、PHP岗、C#岗位4岗的信息，代码和抓取Python岗位信息类似。

二、以Python岗位信息为例，分析影响薪资的因素

这里包括数据清洗部分和数据分析部分两部分内容。

数据清洗部分

data<-read.csv("E://Data For R/RData/Py.csv")
data[sample(1:nrow(data),size=10),]

在抓取过程中，由于将python字典循环写入csv文件，因此列名也被循环写在csv文件中。

考虑本文主要分析影响薪资的因素，这里去除Name和Company两列。

##去除Name和Company两列
DATA<-data[,-c(1,2)]
##将python字典循环写入csv文件时，标题也会被写入，去除多余的标题
##查找哪些行是标题重复的行
which(DATA$Salary %in% "Salary")
 [1]  16  32  48  64  80  96 102 118 134 150 166 182 198 214 230 246 262 278 294 310 326 342 358 374 390 406 422 438 454 470 486 502 518
[34] 534 550 566
##去除多余的标题所在的行
DATA<-DATA[-(which(DATA$Salary %in% "Salary")),]
dim(DATA)
[1] 545   4

1.变量Salary

变量Salary一般都是范围值，用“-”连接，但是不排除有XXK以上，例如10k以上这种表示形式，或者其他形式，这里需要处理一下。

##如果薪资是一个范围值，都是"-"连接，注意，薪资是一个范围值，匹配末尾结束k值需要注意，有大写K和小写k两种形式。
newdata<-DATA[grep('\\-',DATA$Salary),]
dim(newdata)
[1] 544   4
##对比前面dim(DATA)，说明薪水少了一行，Salary具有其他的表示形式。
##这里将范围薪水的值分成底薪和高薪两部分，后面取平均值来表示薪水
library(tidyr)
library(stringr)
newdata<-separate(data=newdata,col=Salary,into=c("lowsalary","highsalary"),sep="-")
##分别去除后面的k值，注意k有大写和小写两种形式
newdata$lowsalary<-str_replace(newdata$lowsalary,'k|K',"")##  |表示或的关系
newdata$highsalary<-str_replace(newdata$highsalary,'k|K',"")
newdata$lowsalary<-as.numeric(newdata$lowsalary)##转换数据类型
newdata$highsalary<-as.numeric(newdata$highsalary)
newdata$salary<-(newdata$lowsalary+newdata$highsalary)/2
newdadat<-newdata[,-c(1,2)]##去除原有的lowsalary和highsalary

2.变量Education

###Education部分
##首先将Education中工作经验和学历分开
newdata<-separate(data = newdata,col=Education,into=c("Experience","Graduate"),sep = '/')
table(newdata$Experience)
经验1-3年     经验1年以下       经验3-5年      经验5-10年        经验不限  经验应届毕业生  
 187               6             261              46              37               7 
table(newdata$Graduate)
 本科  不限  大专  硕士 
  447    27    63     7

3.变量Size

##此处以公司人数作为描述公司规模的标准
newdata<-separate(data=newdata,col=Size,into=c('Type','Rong','Number'),sep='/')
table(newdata$Number)

 15-50人   150-500人  2000人以上    50-150人  500-2000人    少于15人 
   76         139         117         119          82          11 
table(newdata$Rong)
A轮          B轮          C轮    D轮及以上   不需要融资     上市公司       天使轮       未融资  
86           81           54           30          132           80           33           48 
##将Type去除   
newdata<-newdata[,-3]

4.变量Welfare

Welfare<-newdata[,"Welfare"]
##将Welfare去除
newdata<-newdata[,-5]
head(newdata)

到此，数据清洗部分内容全部结束。

数据分析部分

1.工资与工作年限的关系

library(ggplot2)
ggplot(newdata,aes(x=Experience,y=salary))+geom_boxplot(col="red")

符合大众的认知，从事python的应届毕业生起始工资平均值在5K左右，且薪资水平跨度最小，经验5-10年，工资水平跨度最大，主要可能是因为，有一部分转为技术管理岗位，工资较低的可能还在继续码代码，是不是对广大同胞们的警告啊.......

2.工资与学历的关系（专科，本科，研究生，不限）

ggplot(newdata,aes(x=Graduate,y=salary))+geom_boxplot(col="red")

这里是否能说明学历在一定程度上的重要性？学历本科的工资跨度比较大，因为工作经验的不同导致了薪资的差异。

3.工资与公司融资的关系

ggplot(newdata,aes(x=Rong,y=salary))+geom_boxplot(col="red")

对于这部分知识是盲点，但是可以看出融资公司（上市也是一种融资方式）比没有融资的公司平均工资要高出不少，这部分是不是可以是以后找工作的一个风向标。。。

4.工资与公司大小的关系

公司规模越大，平均的工资也越高。

5.工资与工作时间和学历的关系

library(ggthemes)
library(scales)
ggplot(newdata,aes(x=Experience,y=salary,fill=factor(Graduate)))+
geom_boxplot()+
geom_hline(aes(yintercept=20),color="red",linetype="dashed",lwd=1)+
scale_y_continuous(labels=dollar_format())+theme_few()

这张图告诉我们，在大部分情况下，没（Ren）钱（Chou）就要多读书。不管是经验经验1年以下、经验3-5年、经验5-10年、经验不限的情况下，拥有硕士学历的平均收入都普遍高于本科，本科都高于大专。（这里完全没有歧视低学历之意）

6.公司福利的云图

##公司福利的云图
library(jiebaR)
Welfare<-as.character(Welfare)
wk = worker()
seg_words<-wk[Welfare]
library(plyr)
library(wordcloud)
tableWord<-count(seg_words)
windowsFonts(myFont=windowsFont("华文彩云")) ##使用华文彩云字体
wordcloud(tableWord[,1],tableWord[,2],random.order=F,col= rainbow(100),family="myFont")