網(wǎng)上有很多關于pos機薪資體系,用Python分析BOSS直聘的薪資數(shù)據(jù)的知識，也有很多人為大家解答關于pos機薪資體系的問題，今天pos機之家(m.afbey.com)為大家整理了關于這方面的知識，讓我們一起來看下吧!
本文目錄一覽：
1、pos機薪資體系
pos機薪資體系
推薦學習金三即過，這300道python高頻面試都沒刷，銀四怎么闖？ 數(shù)據(jù)來源數(shù)據(jù)來源于BOSS直聘，說實話，現(xiàn)在的招聘網(wǎng)站，做得比較好的還是BOSS直聘，其相關的數(shù)據(jù)、報告等都是比較有代表性的。今天我們就來看看相關的數(shù)據(jù)吧！
數(shù)據(jù)獲取BOSS直聘上有這么一個接口，可以很好的獲取當前不同崗位，不同城市的薪資水平
www.zhipin.com/wapi/zpboss…
可以很方便的獲取比較詳細的薪資數(shù)據(jù)
import requestsheaders = {'accept': 'application/json, text/plain, */*', 'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 11_0_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.96 Safari/537.36'}querystring = {"positionId":"100109","industryId":"0","cityId":"0","companySize":"0","financingStage":"0","experienceCode":"0"}job_statics_url = 'https://www.zhipin.com/wapi/zpboss/h5/marketpay/statistics.json'job_statics_data = requests.get(job_statics_url, params=querystring, headers=headers)
這樣，就可以獲取到我們想要的 json 數(shù)據(jù)了
下面我們就可以簡單地來分析下相關的薪資數(shù)據(jù)了
數(shù)據(jù)分析薪資分位值
在我們獲取到的數(shù)據(jù)當中，就有分位值的數(shù)據(jù)，可以方便的獲取
job_statics_data_json = job_staticis_data.json()job_statics_data_json['zpData']['salaryByPoints']
接下來就可以整理橫縱坐標軸了
statics_x = []statics_y = []for i in job_statics_data_json['zpData']['salaryByPoints']: statics_x.append(i['name'] + '\' + i['title']) statics_y.append(i['salary'])
下面開始作圖
import pyecharts.options as optsfrom pyecharts.charts import Line, Bar, Pie, Calendar, WordCloudfrom pyecharts.commons.utils import JsCodefrom pyecharts.globals import SymbolTypex_data = statics_xy_data = statics_ybackground_color_js = ( "new echarts.graphic.LinearGradient(0, 0, 0, 1, " "[{offset: 0, color: '#c86589'}, {offset: 1, color: '#06a7ff'}], false)")area_color_js = ( "new echarts.graphic.LinearGradient(0, 0, 0, 1, " "[{offset: 0, color: '#eb64fb'}, {offset: 1, color: '#3fbbff0d'}], false)")c_line = ( Line(init_opts=opts.InitOpts(bg_color=JsCode(background_color_js))) .add_xaxis(xaxis_data=x_data) .add_yaxis( series_name="薪資", y_axis=y_data, is_smooth=True, is_symbol_show=True, symbol="circle", symbol_size=6, linestyle_opts=opts.LineStyleOpts(color="#fff"), label_opts=opts.LabelOpts(is_show=True, position="top", color="white"), itemstyle_opts=opts.ItemStyleOpts( color="red", border_color="#fff", border_width="360px",height="auto" />
margin=30, color="#ffffff63"), axisline_opts=opts.AxisLineOpts(is_show=False), axistick_opts=opts.AxisTickOpts( is_show=True, length=25, linestyle_opts=opts.LineStyleOpts(color="#ffffff1f"), ), splitline_opts=opts.SplitLineOpts( is_show=True, linestyle_opts=opts.LineStyleOpts(color="#ffffff1f") ), ), yaxis_opts=opts.AxisOpts( type_="value", position="right", axislabel_opts=opts.LabelOpts(margin=20, color="#ffffff63"), axisline_opts=opts.AxisLineOpts( linestyle_opts=opts.LineStyleOpts(width="360px",height="auto" />可以得到一個還不錯的折線圖
可以看到，業(yè)內(nèi)Python的薪資水平，大部分應該都處于1萬左右，這個薪資水平其實并不太高，看來純的Python崗位并不太吃香，要想獲得更高的薪資，還是需要有更多的技能傍身！
薪資區(qū)間分布
下面再來看看薪資的分布情況
statics_x = []statics_y = []for i in job_statics_data_json['zpData']['salaryByDistributed']: statics_y.append(i['percent']) statics_x.append(i['salaryRange'])def bar_chart(x, y) -> Bar: background_color_js = ( "new echarts.graphic.LinearGradient(0, 0, 0, 1, " "[{offset: 0, color: '#c86589'}, {offset: 1, color: '#06a7ff'}], false)" ) c = ( Bar(init_opts=opts.InitOpts(bg_color=JsCode(background_color_js))) #Bar() .add_xaxis(x) # .add_xaxis(searchcount.index.tolist()[:10]) .reversal_axis() .add_yaxis("", y, label_opts=opts.LabelOpts(position='inside', formatter="{c}%"), color='plum', category_gap="60%" ) .set_global_opts(xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-30, formatter="{value}%"), axisline_opts=opts.AxisLineOpts(is_show=False),), yaxis_opts=opts.AxisOpts( axislabel_opts=opts.LabelOpts(is_show=True), axisline_opts=opts.AxisLineOpts(is_show=False), axistick_opts=opts.AxisTickOpts( is_show=True, length=25, linestyle_opts=opts.LineStyleOpts(color="#ffffff1f"), ),) ) .set_series_opts( itemstyle_opts={ "normal": { "color": JsCode("""new echarts.graphic.LinearGradient(0, 0, 0, 1, [{ offset: 0, color: 'rgba(255,100,97,.5)' }, { offset: 1, color: 'rgba(221,160,221)' }], false)"""), "barBorderRadius": [30, 30, 30, 30], "shadowColor": 'rgb(0, 160, 221)', }} ) ) return c
來看看薪資分布情況
可以看到，15K以上的薪資還是占了16%以上，而占比最大的薪資區(qū)間則是7-9K
工作年限薪資分布
下面我們繼續(xù)來看看薪資水平和工作年限之間的關系
statics_x = []statics_y = []for i in job_statics_data_json['zpData']['salaryByWorkExp']: statics_y.append(i['percent']) statics_x.append(i['workExp'] + ':' + str(i['aveSalary']))background_color_js = ( "new echarts.graphic.LinearGradient(0, 0, 0, 1, " "[{offset: 0, color: '#c86589'}, {offset: 1, color: '#06a7ff'}], false)")c = ( Pie(init_opts=opts.InitOpts(bg_color=JsCode(background_color_js))) .add( "", list(zip(statics_x, statics_y)), radius=["40%", "55%"], label_opts=opts.LabelOpts( position="outside", formatter="{a|job}{abg|}\{hr|}\ {b|: }{per|h7hh71l%} ", background_color="#eee", border_color="#aaa", border_width="360px",height="auto" />
可以看到，下面的圖片還是比較直觀的
1-3年的應聘者還是最多的，占比達到了50%+，這個經(jīng)驗段，確實是職場的主力軍了！
任職年齡分布
職場的年齡也是一個熱點話題，35+歲的程序員們，總是一言難盡啊
statics_x = []statics_y = []for i in job_statics_data_json['zpData']['salaryByAge']: statics_x.append(i['ageRange']) statics_y.append(i['people'])def bar_chart_age(x, y) -> Bar: background_color_js = ( "new echarts.graphic.LinearGradient(0, 0, 0, 1, " "[{offset: 0, color: '#c86589'}, {offset: 1, color: '#06a7ff'}], false)" ) c = ( Bar(init_opts=opts.InitOpts(bg_color=JsCode(background_color_js))) #Bar() .add_xaxis(x) # .add_xaxis(searchcount.index.tolist()[:10]) # .reversal_axis() .add_yaxis("", y, label_opts=opts.LabelOpts(position='inside', formatter="{c}"), color='plum', category_gap="60%" ) .set_global_opts(xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-30, formatter="{value}"), axisline_opts=opts.AxisLineOpts(is_show=False),), yaxis_opts=opts.AxisOpts( axislabel_opts=opts.LabelOpts(is_show=True), axisline_opts=opts.AxisLineOpts(is_show=False), axistick_opts=opts.AxisTickOpts( is_show=True, length=25, linestyle_opts=opts.LineStyleOpts(color="#ffffff1f"), ),) ) .set_series_opts( itemstyle_opts={ "normal": { "color": JsCode("""new echarts.graphic.LinearGradient(0, 0, 0, 1, [{ offset: 0, color: 'rgba(255,100,97,.5)' }, { offset: 1, color: 'rgba(221,160,221)' }], false)"""), "barBorderRadius": [30, 30, 30, 30], "shadowColor": 'rgb(0, 160, 221)', }} ) ) return c
數(shù)據(jù)很能說明問題
可以看到，35歲以下的占據(jù)了絕大多數(shù)，可想而知，35+的程序員生存狀況是多么的糟糕！
月薪環(huán)比變化
我們通過每個月的薪資變化，來看看哪個月找工作比較有機會獲得更高的薪資呢
statics_x = []statics_y = []for i in job_statics_data_json['zpData']['salaryByMonth']: statics_x.append(i['year'] + '-' + i['month']) statics_y.append(i['monthAveSalary'])x_data = statics_xy_data = statics_y
每月薪資變化
可以看到，去年2月份的薪資水平是最高的，之后一路下滑，再之后就基本趨于穩(wěn)定了，7-8K這個平均水平
薪資城市分布
通過Pycharts畫地圖還是蠻方便的
statics_x = []statics_y = []for i in job_statics_data_json['zpData']['salaryByCity']: if i['cityList']: statics_x.append(i['cityList'][0]['cityAveMonthSalary']) statics_y.append(i['provinceName'])c = ( Map() .add("全國薪資", [list(z) for z in zip(statics_y, statics_x)], "china") .set_global_opts( title_opts=opts.TitleOpts(title=""), visualmap_opts=opts.VisualMapOpts(max_=15000, min_=6000), ))
全國薪資分布
好了，今天的分享就到這里了，希望對大家有所幫助！
作者：周蘿卜原文鏈接：https://juejin.cn/post/6930118946415312909
以上就是關于pos機薪資體系,用Python分析BOSS直聘的薪資數(shù)據(jù)的知識，后面我們會繼續(xù)為大家整理關于pos機薪資體系的知識，希望能夠幫助到大家！
