任務一：統計各個城市對于資料分析師的需求情況
這個按城市統計崗位數量，我選擇的條形圖做對比，然后按統計數量值逆序排序，做一些修整，美化
小結：大城市對資料分析師的需求量最多，北京，上海，深圳前三。
任務二：統計對求職者學歷要求的情況
按照學歷要求，分別統計崗位數量，最簡單的方式：資料透視圖和表，選擇education為行，positionID為值，值方式為計數，
選擇圖表型別為柱形圖，行篩選把空白值去除，得出結果如下：
小結：資料分析師本科學歷崗位最多，本科足夠可以勝任資料分析師
任務三：統計對求職者作業經驗要求的情況
跟上面題目差不多，簡單資料透視可以解決，效果如下：
1-5年要求的資料分析師崗位最多
任務四：統計各種職位的需求情況
各種職位這有個問題，什么樣的職位是一種職位，我這把他歸在firsttype這，分成技術，產品，運營之類的崗位，統計崗位數量
得出結果：
小結：技術，產品，運營崗位最多。
任務五：統計不同城市不同行業對于資料分析師的需求情況
這里有2個分類變數對資料分析師的崗位數進行技術，我這添加了城市篩選器，用資料透視圖和表呈現，如果是僅僅使用所有呈現的話，簇狀條形圖，可能太擁擠，得出結果如下：
小結：資料分析師中移動互聯網崗位需求量最多，其實可以用餅圖。，可以通過city按鈕選擇不同城市
任務六：統計不同城市的平均工資水平情況
用資料透視表分別統計不同城市最低工資的平均值，行為city，值為salary（轉換后的7k-11k轉成7，且數字型別），值方式改成平均值
圖表選擇柱形圖，得出結果如下：
小結大城市平均薪資比較高，北京上海深圳薪資前三甲
任務七： 統計不同行業的平均工資水平情況
行業是定義我這用的industryField，里面應該有不可見字符，不可見字符處理方式：1 使用clearn清除不可列印字符，結果發現不管有，
2 使用trim函式轉換，將空格洗掉，3 查找替換 將空格替換掉，最后兩個方法比較使用，這個問題花了我好久，就是找不到哪里不一樣，最后通過len函式才知道原來是空格原因，有幾個是多了空格。然后就可以用資料透視圖和表了，OK，結果如下：
小結：移動互聯，社交網路，電子商務是可以選擇的薪資比較高的領域
任務八：統計不同職位的需求情況
這里把不同崗位通過Positionlabel進行轉換，當然也有其他positionname轉換也可以，Label的話會更細一點，包括技能都有有涉及
轉化方式我選擇的ETL的Pivot-query，將Positionlabel進行逆透視，最后用熱力圖呈現。這樣技能要求，大方向都一清二楚了
轉換后：
使用資料透視表，不同職位資料是行，positionID是值，值方式是計數，然后把做出來的透視表，復制黏貼成普通表，選擇熱力圖呈現
結果如圖：
小結：BI,C,ETL,DBA,資料挖掘，資料倉庫，都是占比比較大的。
任務九：分別統計北京, 上海，深圳，廣州四個城市 不同行業和學歷的工資分布情況
具體操作：c資料透視表，行是education，值是salry，值統計方式是平均薪資，添加兩個切片器，一個是city，一個是indeustfield，industyfied查找替換掉空格，最后圖如圖所示
互聯網領域是學歷越高，薪資越高，個別領域薪資與學歷不成正比，特別是醫療健康行業
任務十：分別統計北京, 上海，深圳，廣州四個城市 不同行業和作業年限的工資分布情況
做法跟任務9一致，效果如下：
小結：作業年限越高薪資越高
轉載請註明出處，本文鏈接：https://www.uj5u.com/caozuo/62647.html
標籤：非技術區