欢迎访问 快意信息网,社会信息中心 mobile mip

当前位置:快意信息网 > 科技 >

石家庄python培训 ... 科技

科技     来源:网络     标签:[db:词语]     发布:2020-10-30 22:17     手机版     MIP

[db:词语]

一、童程在线简介童程在线作为童程童美独立开发的专有可视化在线少儿编程教育平台是美国纳斯达克上市的达内教育集团旗下产品,拥有来自国内外优秀名企、名校的师资教研团队,17年编程教育经验沉淀,累计研发超5000课时,打造了适合中国孩子各年龄段的编程课堂。童程在线专注于7-15岁少儿编程教育及服务,形成了Scratch启蒙编程,Python人工智能编程,NOIP信息学奥赛编程等核心课程,从低龄孩子的图形化编程到适合大年龄段孩子的真正代码编程课程全覆盖,助力孩子从零基础到精通,最终成为信奥特长生助力升学。童程在线汲取线下百所校区面授经验,上万名学员,经过2年打磨后,被证明成功有效的课程。课程采用4~6人小班VIP教学,实时真人在线形式辅导。小班教学能让老师更容易时刻关注到每个孩子,当遇到难题时,真人老师可以实时进行辅导,让孩子更快成长。童程童美作为线上线下一体的全国化运营品牌,线下目前已经在北、上、广、深、杭、成都等50多个城市,建立了190余家校区;线上,依托童程在线教学平台,可以实现覆盖全国各地,打破了距离的限制,实现在家学、校区学,全提供。自2015年成立以来,经过五年多的积累,砥砺奋进,载誉前行,累计培养5万名编程少年,成功举办各类大型赛事上百场,在少儿编程领域中拔得头筹。受到人民网、新京报、凤凰网等上百家权威媒体的争相报道,作为中国少儿编程培训领域的代表品牌,受到美国国家广播新闻NBC记者团,中国国际电台CGTN的专门报道。达内集团是中国较大的IT教育集团,成立于2002年,2014年在美国纳斯达克上市(NASDAQ:TEDU)。目前在70多个城市,建有300多个培训中心,拥有12000多名员工,500多位技术专家,3000多位教研工程师。二、教学优势1. 美国上市公司:凝聚美国上市公司17年编程教学经验,专注3-18岁少儿编程教育及服务。2. 权威专家设计课程:CEO亲自挂帅,打造适合中国孩子的编程课程,汇聚前亚信副总工程师、清华博士等技术团队。3. 线下线上一体教学:行业一家实行线上线下一体教学,线上课程汲取百所校区面授成果,上万名学员学习检验成功有效。4. 趣味职业兼顾融合:通过趣味的编程教育我们将致力于发现那些在编程领域有天赋的编程天才,并为他们进一步提供打开世界上较好机会的职业编程教育。三、师资教研团队 童程在线实行"严选拔、强实力、常培训”的教师管理标准,拥有200名专业教研人员,懂技术更懂教育,打造出科学、系统、完善的课程体系。课程内容符合中国儿童成长特点,全方位保证学习效果。 400多名资深讲师,每月"专业+心理学+教育学”等交叉知识学科培训,坚持高品质素质教育,所有机器人科目的老师100%持证上岗,拥有编程讲师证书、启蒙创新讲师(FIT)、WRO竞赛裁判员证书等。四、品牌荣誉 童程在线品牌荣誉值得信赖,家长更放心让孩子在童程在线学习,成立以来,不光受到家长和学生的欢迎,同样受到行业和权威机构的高度认可。由于在课程体系、师资团队和社会公益行为等方面的努力,在多项年度评选中屡获殊荣。

查看更多

收起 展开全文

学校给我们大三同学找了一个培训组织,做了10天的实训,我学习的是python,最后是以一个爬虫程序为结业作业,就着这个实训,顺便发一个博客记录一下。考虑到我们即将就业,所以准备爬一个招聘网站,最终决定是Boss直聘。

 爬虫具体的步骤为:1.分析url    2.获取网页内容     3.存储到本地

1.分析url

这是一个页面的网址:https://www.zhipin.com/c101130100/d_203/?query=Java page=1 ka=page-1

上述网址中,我选择的城市是乌鲁木齐,学历是本科,搜索的职位是java,第一页。规则一目了然了,该网站城市有着自己的编码,就是c101130100中c后面的那串数字,经过一些观察,得到了一些热门城市和编码,将其保存在字典中,方便后续输入查询,如下所示:

citycode = {"北京":"101010100","上海":"101020100","天津":"101030100","重庆":"101040100",
"哈尔滨":"101050100","长春":    "101060100","沈阳":"101070100","呼和浩特":"101080100","石家庄":"101090100",
"太原":    "101100100","西安":    "101110100","济南":    "101120100","乌鲁木齐":"101130100","西宁":"101150100",
"兰州":"101160100","银川":"101170100","郑州":"101180100","南京":"101190100","武汉":    "101200100",
"杭州":"101210100","合肥":"101220100","福州":"101230100","南昌":"101240100","长沙":"101250100",
"贵阳":"101260100","成都":"101270100","广州":"101280100","昆明":"101290100","南宁":"101300100",
"海口":"101310100","台湾":"101341100","拉萨":"101140100","香港":"101320300","澳门":"101330100"}

d_203就代表的是本科学历了,query后面跟的自然是职位了,而且该网站还有一个很棒的地方,中文也不会转码,也就是说“web前端”就是“query=web前端”,后面的page自然是页数了。得到了url的规律后,我们就可以获取网页内容了。

2.获取网页内容

初始化,定义好一些变量,其中user-Agent可以自己在网上搜一个,或者多找几个,随机选择,这样更能模拟真人访问网站

def __init__(self):
        self. url = "https://www.zhipin.com/c"
        self.headers = {"user-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1"}
        self.name = ""
        self.city = ""

首先获取整个页面,查看一下结果,把下方代码注释的打印出来:

 # 获取页面
    def getPage(self,url):
        req = urllib.request.Request(url,headers=self.headers)
        res = urllib.request.urlopen(req)
        html = res.read().decode("utf-8")
        #print(html)
        self.parsePage(html)      

设计我们要爬取的html代码是下方这段:

li
                                div
                                    div
                                        h3
                                            a href="/job_detail/54739b6331ca63141HZ40t64FVY~.html" data-jid="54739b6331ca63141HZ40t64FVY~" data-itemid="30" data-lid="1C47rkiCuwE.search" data-jobid="32293554" data-index="29" ka="search_list_30" target="_blank"
                                                div 软件系统架构师 /div
                                                span 20-40K /span
                                                div /div
                                            /a
                                        /h3
                                        p 珠海   em /em 5-10年 em /em 本科 /p
                                    /div
                                    div
                                        div
                                            h3 a href="/gongsi/b6db35d416a35e390nB93tW5.html" ka="search_list_company_30_custompage" target="_blank" 格力电器 /a /h3
                                            p 其他行业 em /em 已上市 em /em 10000人以上 /p
                                        /div
                                    /div
                                    div
                                        h3 img src="https://img.bosszhipin.com/beijin/mcs/useravatar/20181128/2ee9b8f7399de940e03d9e769553ec644b1b62e500ea64347fc43909b5ba1421_s.jpg?x-oss-process=image/resize,w_40,limit_0" / 蔡女士 em /em 综合人事 /h3
                                        p /p
                                    /div
                                    a href=" :;" data-url="/wapi/zpgeek/friend/add.json?jobId=54739b6331ca63141HZ40t64FVY~ lid=1C47rkiCuwE.search" redirect-url="/geek/new/index/chat?id=62e0f2f6d250b9eb03192tm5EFE~" 立即沟通
                                    /a
                                /div
                            /li

具体如何写正则表达式就不详解了,反正注意观察就行了,还是挺简单的,解析页面的代码如下:

 # 解析页面
    def parsePage(self, html):
        p = re.compile(r' div .*? div (.*?) /div .*? span (.*?) /span .*? em /em (.*?) em .*? h3 .*?target="_blank" (.*?) /a /h3 .*?',re.S)
        rList = p.findall(html)
        if bool(rList):
            #print(rList)
            self.writePage(rList)

同意,解析后的数据也可以打印出来差查看一下,结果是个列表,含有多个元祖。

3.存储到本地

之后就是把刚才后获取到的数据保存到本地就行了,什么文件格式自己选择,我选择的是csv,代码如下:

# 保存数据
    def writePage(self,List):
        
        f = open(self.city+"_"+self.name+".csv","a",newline="",encoding="utf-8")
        write = csv.writer(f)
        write.writerow(["职位名称","薪酬","工作经验","公司名称"])
        for rTuple in List:
            write.writerow([rTuple[0],rTuple[1],rTuple[2],rTuple[3]])
        f.close()

主程序的代码是这样的:

# 主方法
    def workOn(self):
        citycode = {"北京":"101010100","上海":"101020100","天津":"101030100","重庆":"101040100",
"哈尔滨":"101050100","长春":    "101060100","沈阳":"101070100","呼和浩特":"101080100","石家庄":"101090100",
"太原":    "101100100","西安":    "101110100","济南":    "101120100","乌鲁木齐":"101130100","西宁":"101150100",
"兰州":"101160100","银川":"101170100","郑州":"101180100","南京":"101190100","武汉":    "101200100",
"杭州":"101210100","合肥":"101220100","福州":"101230100","南昌":"101240100","长沙":"101250100",
"贵阳":"101260100","成都":"101270100","广州":"101280100","昆明":"101290100","南宁":"101300100",
"海口":"101310100","台湾":"101341100","拉萨":"101140100","香港":"101320300","澳门":"101330100"}
        self.city = input("请输入您要搜索的城市:")
        self.name = input("请输入需要搜索的职位:") 
        city = citycode[self.city]
# 搜索内容进行转码
        query = urllib.parse.urlencode({"query":self.name})
        print("爬取开始")
        for i in range(1,4):
            url = self. url+city+"/d_203/?"+query+" page%s ka=page-%s"%(str(i),str(i))
            print("爬取第%d页"%(i))
            self.getPage(url)
            time.sleep(0.5)
        print("爬取完毕")

我自己设置的爬取页数是3页,这个可以自行调整的。

获取的数据大致如下:

初次写爬虫,还有很多不足之处,希望大家一起学习交流

收起 展开全文
用pandas对招聘网站近期python相关的招聘信息进行分析: 1.统计不同学历的职位分布 2.统计不同学历下薪资待遇 3.统计python不同就业方向的分布(web,爬虫,数据分析,自动化测试,自动化运维,嵌入式,机器学习) 4....

欢迎关注,敬请点赞!

借问钱程何处有——2019python职位分析加载并探索数据基本信息:不同学历职位分布按学历规约按学历规约后饼图小节不同学历薪资待遇最低薪资最高薪资按不同学历分组,并求平均薪资柱状图小节:岗位详情词云停止词表热词字典词云图岗位要求小节:不同就业方向分布就业方向规约(依据岗位详情)规约后不同就业方向分布漏斗图就业方向小节:不同城市招聘情况按城市规约主要城市招聘数量主要城市薪水中位数折线图就业城市小节:

加载并探索数据

import pandas as pd import sqlite3 conn = sqlite3.connect('recruit.db') job_df = pd.read_sql('select * from recruit',conn) 基本信息:

(1)welfare和address有缺失
(2)数据类型为

job_df.info()

class 'pandas.core. .Data ' RangeIndex: 95647 entries, 0 to 95646 Data columns (total 12 columns): id 95647 non-null int64 info_source 95647 non-null job_name 95647 non-null min_salary 95647 non-null max_salary 95647 non-null city 95647 non-null compnay_name 95647 non-null welfare 92713 non-null work_years 95647 non-null education 95647 non-null address 94534 non-null job_detail 95647 non-null dtypes: int64(1), (11) memory usage: 4.7+ MB

job_df.head(5)

返回顶部


北京市海淀区清华科技园科技大厦B座 1.精通Python,有python web开发经验,熟练使用Flask开发框架,掌握主流关...
房源控股 带薪年假,专业培训,绩效奖金,全勤奖,年底分红,五险一金,节日福利,交通补贴,通讯补贴,弹性工作 3-4年经验 火炬开发区创意港B1702楼 招聘城市:深圳,广州,中山\n【岗位职责】:\n1、负责移动端及网站产品的功能测试;\n2、...
北京海鑫科金高科技股份有限公司 五险一金,补充医疗保险,交通补贴,餐饮补贴,通讯补贴,绩效奖金,定期体检,年终奖金 1年经验 河源市区 岗位职责:\n1. 负责系统安装、调试与维护;\n2. 负责系统日常监控、数据备份与恢复;\...
赤岗社区骏马路2号中国电子产业园深科技园区 1. 网络及信息安全体系的策略制定;\n2. 网络及信息安全文档编写及体系推进;\n3. 网...
阿米巴网络科技有限公司 五险,餐饮补贴,年终奖金,全勤奖,定期体检,弹性工作,专业培训,绩效奖金 3-4年经验 汕头市龙湖区奋发园主楼501 岗位职责:\n1、根据软件设计需求制定测试计划,分析需求,设计测试数据和测试用例;\n2、有...
礼士胡同54号 岗位职责:,1. 负责测试团队建设,测试技能、自动化工具的不断完善,提高团队专业能力...
花样年喜年中心 职责描述:,1. 基于历史数据,通过对时间、天气和促销等内外因素分析,建立数据模型,对单仓单...
武汉新芯集成电路制造有限公司 带薪年假,午餐补助,定期体检,免费班车,技能培训,五险一金,生育补贴,子女福利,发展空间大,... 3年以上 本科及以上 武汉市东湖新技术开发区高新四路18号 工作职责:,1.\t负责生产数据分析相关系统开发及维护。,2.\t通过业务数据分析,发掘用户...

返回顶部

job_df.loc[:, ['education']].groupby('education').size()

education 12-30发布 1 中专 229 中技 17 初中及以下 6 博士 482 博士后 33 大专 13648 大专及以上 3594 学历不限 3605 招10人 123 招11人 1 招12人 6 招15人 14 招1人 2103 招20人 16 招25人 1 招2人 1061 招30人 3 招3人 414 招41人 1 招4人 101 招50人 9 招5人 240 招6人 40 招77人 1 招7人 5 招8人 18 招9人 1 招若干人 1748 本科 35782 本科及以上 16756 硕士 3649 硕士及以上 2784 统招本科 9127 高中 26 dtype: int64 按学历规约

博士:博士、博士及以上;
硕士: 硕士、硕士及以上;
本科:本科、本科及以上、统招本科;
大专:大专、大专及以上;
中专:中专、中技、高中;
其他:发布、招

job_df.loc[job_df['education'] == '博士后', 'education'] = '博士' job_df.loc[job_df['education'] == '硕士及以上', 'education'] = '硕士' job_df.loc[job_df['education'] == '本科及以上', 'education'] = '本科' job_df.loc[job_df['education'] == '统招本科', 'education'] = '本科' job_df.loc[job_df['education'] == '大专及以上', 'education'] = '大专' job_df.loc[job_df['education'] == '中技', 'education'] = '中专' job_df.loc[job_df['education'] == '高中', 'education'] = '中专' job_df.loc[job_df['education'].str.contains('招') | job_df['education'].str.contains('发布') | job_df['education'].str.contains('初中'), 'education'] = '其他' 按学历规约后

返回顶部

education_size = job_df.loc[:, ['education']].groupby('education').size() education_size

education 中专 272 其他 5915 博士 515 大专 17242 学历不限 3605 本科 61665 硕士 6433 dtype: int64

dct = dict(education_size) lst = [[dt, int(dct[dt])] for dt in dct]

[['中专', 272], ['其他', 5915], ['博士', 515], ['大专', 17242], ['学历不限', 3605], ['本科', 61665], ['硕士', 6433]] 饼图

from pyecharts.charts import Pie from pyecharts import options as opts

小节

本科是python语言就业的主力军,正如各行各业大量的工程师成就了中国制造大国和基建狂魔的地位,中国也逐步成为互联网大国,进而成为物联网和人工智能的强国。

不同学历薪资待遇

返回顶部

里面的“面议”用中位数median代替

job_df['min_salary'].unique()

array(['15000.0', '4500.0', '3500.0', '7000.0', '4000.0', '14000.0', '3000.0', '10000.0', '6000.0', '9000.0', '20000.0', '8000.0', '100000.0', '2000.0', '5000.0', '200000.0', '50000.0', '150000.0', '13000.0', '12000.0', '1500.0', '16000.0', '1000.0', '120000.0', '600000.0', '25000.0', '30000.0', '1000000.0', '18000.0', '180000.0', '500000.0', '400000.0', '40000.0', '80000.0', '11000.0', '2500.0', '300000.0', '4200.0', '250000.0', '186000.0', '5500.0', '17000.0', '70000.0', '60000.0', '160000.0', '35000.0', '240000.0', '350000.0', '800000.0', '2800.0', '28000.0', '1600.0', '90000.0', '130000.0', '5200.0', '96000.0', '1800.0', '3300.0', '220000.0', '140000.0', '199000.0', '110000.0', '2400.0', '104000.0', '156000.0', '78000.0', '3200.0', '37000.0', '21000.0', '22000.0', '5800.0', '1500000.0', '230000.0', '6100.0', '3800.0', '26000.0', '45000.0', '450000.0', '390000.0', '270000.0', '29000.0', '190000.0', '72000.0', '3400.0', '27000.0', '6500.0', '7500.0', '4800.0', '65000.0', '2100.0', '170000.0', '2300.0', '7900.0', '1200.0', '19000.0', '2600.0', '23000.0', '2200.0', '24000.0', '196000.0', '3000000.0', '280000.0', '210000.0', '370000.0', '6700.0', '36000.0', '330000.0', '3900.0', '4900.0', '3600.0', '4100.0', '6400.0', '5300.0', '10000', '面议', '10001', '20000', '5000', '8000', '6001', '2001', '7000', '12000', '1000', '6000', '15001', '4001', '13000', '4000', '8001', '3000', '30000', '15000', '3500', '30001', '20001', '25000', '17000', '9000', '11000', '5500', '5999', '22000', '7500', '18000', '50001', '2000', '4800', '4500', '2800', '16000', '8200', '14000', '5900', '28000', '100001', '4600', '13500', '6500', '12500', '3800', '24000', '12800', '70001', '19000', '2600', '27000', '50000', '1500', '23000', '2500', '8333', '3501', '5950', '35000', '40000', '4200', '1800', '4300', '3300', '4999', '11666', '8500', '100000', '16600', '6600', '29000', '26000', '4700', '1200', '6100', '16666', '32500', '8400', '4166', '18333', '17500', '6666', '19166', '10833', '5833', '13333', '22500', '9166', '21666', '14166', '70000', '38333', '23333', '3333', '44166', '66666', '20833', '28333', '15833', '25833', '65000', '26666', '80000', '31666', '1666', '29166', '45000', '27500', '37500', '33333', '833', '58333', '137500', '55000', '43333', '83333', '41666', '40833', '46666', '24166', '87500', '840000', '54166', '125000', '34166', '1250', '2083', '52500', '56666', '60000', '75000', '35833', '53333'], dtype= ) 最低薪资

min_salary_other = job_df[job_df['min_salary'] != '面议']['min_salary'].apply(lambda x:float(x)) # 对不是“面议”的转浮点数 job_df.loc[job_df['min_salary'] == '面议', 'min_salary'] = min_salary_other.median() # 将中位数赋值给“面议” job_df['min_salary'] = job_df['min_salary'].apply(lambda x:float(x)) # 转浮点数 最高薪资

max_salary_other = job_df[job_df['max_salary'] != '面议']['max_salary'].apply(lambda x:float(x)) # 对不是“面议”的转浮点数 job_df.loc[job_df['max_salary'] == '面议', 'max_salary'] = max_salary_other.median() # 将中位数赋值给“面议” job_df['max_salary'] = job_df['max_salary'].apply(lambda x:float(x)) # 转浮点数 按不同学历分组,并求平均薪资

education_salary = job_df.loc[:, ['education', 'min_salary', 'max_salary']].groupby('education').mean() education_salary
柱状图

max_list = [int(i) for i in list(education_salary.max_salary)] max_list

[9985, 33832, 83772, 16614, 17626, 27518, 44168]

from pyecharts.charts import Bar
.add_yaxis("max_salary", max_list) .set_global_opts( _opts=opts. Opts( ="不同学历薪水分布", sub ="工资(元)")) return c

bar_ ().render_notebook()

小节:

(1)高一级学历的最低工资相当于低一级学历的最高工资。对于大多数人来说,学历是改变人生的硬核之一。
(2)同一学历的最高工资约为最低工资的1.6倍,能力和努力也很重要。

岗位详情词云

返回顶部

停止词表

import jieba stop_word = [word.strip() for word in open('stop_word.txt',encoding='utf-8').readlines()] stop_word.extend(['.', ' ', '\n', '\xa0', ',', '有']) 热词字典

result_word = {} for word_str in job_df['job_detail'][0:5]: # 仅用前5条数据,节约时间 for word in jieba.cut(word_str): if word not in stop_word: if word not in result_word: result_word[word] = 1 else: result_word[word] += 1 list_word = sorted(result_word.items(), key=lambda dt:dt[1], reverse=True)[0:200] 词云图

from pyecharts.charts import Page, WordCloud from pyecharts.globals import SymbolType
.add("", words, word_size_range=[20, 100], shape=SymbolType.DIAMOND) .set_global_opts( _opts=opts. Opts( ="岗位详情词云")) return c

wordcloud_diamond(list_word).render_notebook()

岗位要求小节:

(1)熟悉相关算法,具备数据分析能力;
(2)具有项目开发经验;
(3)团队意识和学习能力。

不同就业方向分布

返回顶部
(web,爬虫,数据分析,自动化测试,自动化运维,嵌入式,机器学习,讲师)

就业方向规约(依据岗位详情)

# 增加一列就业方向,初始化为“其他” job_df['job_direction'] = '其他就业方向'

job_df.loc[job_df['job_detail'].str.contains('web') | job_df['job_detail'].str.contains('flask') | job_df['job_detail'].str.contains('django') | job_df['job_detail'].str.contains('JQuery') | job_df['job_detail'].str.contains(' ') | job_df['job_detail'].str.contains('Bootstrap') | job_df['job_detail'].str.contains('js'), 'job_direction'] = 'web' job_df.loc[job_df['job_detail'].str.contains('爬虫') | job_df['job_detail'].str.contains('反爬') | job_df['job_detail'].str.contains('抓取') | job_df['job_detail'].str.contains('爬取') | job_df['job_detail'].str.contains('scrapy'), 'job_direction'] = '爬虫' job_df.loc[job_df['job_detail'].str.contains('运维') | job_df['job_detail'].str.contains('维护'), 'job_direction'] = '自动化运维' job_df.loc[job_df['job_detail'].str.contains('测试') | job_df['job_name'].str.contains('测试') | job_df['job_detail'].str.contains('验证'), 'job_direction'] = '自动化测试' job_df.loc[job_df['job_detail'].str.contains('嵌入式') | job_df['job_detail'].str.contains('机电') | job_df['job_detail'].str.contains('电子'), 'job_direction'] = '嵌入式' job_df.loc[job_df['job_detail'].str.contains('数据分析') | job_df['job_detail'].str.contains('数据挖掘') | job_df['job_detail'].str.contains('数据清洗') | job_df['job_detail'].str.contains('数学'), 'job_direction'] = '数据分析' job_df.loc[job_df['job_detail'].str.contains('机器学习') | job_df['job_detail'].str.contains('人工智能') | job_df['job_name'].str.contains('人工智能') | job_df['job_detail'].str.contains('深度学习') | job_df['job_detail'].str.contains('神经网络'), 'job_direction'] = '机器学习' job_df.loc[job_df['job_detail'].str.contains('讲师') | job_df['job_detail'].str.contains('授课'), 'job_direction'] = '讲师'

job_df.loc[job_df['job_direction'] == '其他就业方向', ['job_name', 'job_detail']].groupby('job_name').size()

job_name Analysis and Data Reporting 1 Cyberport Network Engineer 7 DBA 1 IAAS 研发工程师 6 IT Specialist 1 (急聘)Python开发工程师 1 (接受转行)python工程师助理/python开发学徒/python程序员 2 (烟台)C++/JAVA/C中高级软件开发(职位编号:QDXS-0005) 1 (烟台)中高级软件开发工程师 1 (补贴+包住宿)python工程师助理/python开发学徒/python程序员 2 Length: 7574, dtype: int64 规约后不同就业方向分布

direction_size = job_df.loc[:, ['job_direction']].groupby('job_direction').size() direction_size

job_direction web 3907 其他就业方向 17953 嵌入式 5065 数据分析 12579 机器学习 18301 爬虫 635 自动化测试 20079 自动化运维 15879 讲师 1249 dtype: int64

dct_direction = dict(direction_size) 漏斗图

from pyecharts.charts import Funnel, Page def funnel_sort_ascending(dct) - Funnel: c = ( Funnel() .add( "岗位数量", [(key, int(value)) for key, value in dct.items()], sort_="ascending", label_opts=opts.LabelOpts(position="outside"), .set_global_opts( _opts=opts. Opts( ="不同就业方向岗位数量"), legend_opts=opts.LegendOpts(pos_left="right", pos_top="5%")) return c

funnel_sort_ascending(dct_direction).render_notebook() 就业方向小节:

(1)python胶水语言的特性,非常适合自动化测试和自动化运维。
(2)python语言因其数据精度高、简单易学和丰富的第三方库,成为数据分析和机器学习的主流语言,人工智能和python互相成就。
(3)讲师方面的岗位不多,但随着国家对人工智能和编程教育的重视,预期会有一定增长。

不同城市招聘情况

返回顶部

按城市规约

job_df.loc[job_df['city'].str.contains('上海'), 'city'] = '上海' job_df.loc[job_df['city'].str.contains('北京'), 'city'] = '北京' job_df.loc[job_df['city'].str.contains('广州'), 'city'] = '广州' job_df.loc[job_df['city'].str.contains('深圳'), 'city'] = '深圳' job_df.loc[job_df['city'].str.contains('杭州'), 'city'] = '杭州' job_df.loc[job_df['city'].str.contains('天津'), 'city'] = '天津' job_df.loc[job_df['city'].str.contains('重庆'), 'city'] = '重庆' job_df.loc[job_df['city'].str.contains('成都'), 'city'] = '成都' job_df.loc[job_df['city'].str.contains('武汉'), 'city'] = '武汉' job_df.loc[job_df['city'].str.contains('郑州'), 'city'] = '郑州' job_df.loc[job_df['city'].str.contains('西安'), 'city'] = '西安' job_df.loc[job_df['city'].str.contains('南京'), 'city'] = '南京' job_df.loc[job_df['city'].str.contains('青岛'), 'city'] = '青岛' job_df.loc[job_df['city'].str.contains('东莞'), 'city'] = '东莞' job_df.loc[job_df['city'].str.contains('中山'), 'city'] = '中山' job_df.loc[job_df['city'].str.contains('佛山'), 'city'] = '佛山' job_df.loc[job_df['city'].str.contains('长沙'), 'city'] = '长沙' job_df.loc[job_df['city'].str.contains('乌鲁木齐'), 'city'] = '乌鲁木齐' job_df.loc[job_df['city'].str.contains('济南'), 'city'] = '济南' job_df.loc[job_df['city'].str.contains('宁波'), 'city'] = '宁波' job_df.loc[job_df['city'].str.contains('苏州'), 'city'] = '苏州' job_df.loc[job_df['city'].str.contains('沈阳'), 'city'] = '沈阳' job_df.loc[job_df['city'].str.contains('福州'), 'city'] = '福州' job_df.loc[job_df['city'].str.contains('合肥'), 'city'] = '合肥' job_df.loc[job_df['city'].str.contains('兰州'), 'city'] = '兰州' job_df.loc[job_df['city'].str.contains('南宁'), 'city'] = '南宁' job_df.loc[job_df['city'].str.contains('南昌'), 'city'] = '南昌' job_df.loc[job_df['city'].str.contains('绍兴'), 'city'] = '绍兴' job_df.loc[job_df['city'].str.contains('厦门'), 'city'] = '厦门' job_df.loc[job_df['city'].str.contains('泉州'), 'city'] = '泉州' job_df.loc[job_df['city'].str.contains('常州'), 'city'] = '常州' job_df.loc[job_df['city'].str.contains('南通'), 'city'] = '南通' job_df.loc[job_df['city'].str.contains('哈尔滨'), 'city'] = '哈尔滨' job_df.loc[job_df['city'].str.contains('嘉兴'), 'city'] = '嘉兴' job_df.loc[job_df['city'].str.contains('大连'), 'city'] = '大连' job_df.loc[job_df['city'].str.contains('太原'), 'city'] = '太原' job_df.loc[job_df['city'].str.contains('徐州'), 'city'] = '徐州' job_df.loc[job_df['city'].str.contains('无锡'), 'city'] = '无锡' job_df.loc[job_df['city'].str.contains('昆明'), 'city'] = '昆明' job_df.loc[job_df['city'].str.contains('石家庄'), 'city'] = '石家庄' job_df.loc[job_df['city'].str.contains('贵阳'), 'city'] = '贵阳' job_df.loc[job_df['city'].str.contains('长春'), 'city'] = '长春' job_df.loc[job_df['city'].str.contains('洛阳'), 'city'] = '洛阳' job_df.loc[job_df['city'].str.contains('烟台'), 'city'] = '烟台' job_df.loc[job_df['city'].str.contains('珠海'), 'city'] = '珠海' 主要城市招聘数量

dct_city = dict(job_df.loc[:, ['city']].groupby('city').size()) lst_city = [[key, value] for key, value in dct_city.items()] lst_city.sort(key=lambda lt:lt[1], reverse=True) lst_city[0:20]

[['深圳', 16242], ['广州', 9410], ['上海', 9159], ['杭州', 8096], ['成都', 6758], ['南京', 6565], ['北京', 5789], ['武汉', 4042], ['苏州', 2988], ['西安', 2463], ['郑州', 1959], ['济南', 1516], ['长沙', 1463], ['厦门', 1386], ['合肥', 1338], ['福州', 1330], ['大连', 1221], ['青岛', 1050], ['无锡', 978], ['沈阳', 818]] 主要城市薪水中位数

for lt in lst_city[0:20]: lt.append(job_df.loc[job_df['city'] == lt[0],'min_salary'].median()) lt.append(job_df.loc[job_df['city'] == lt[0],'max_salary'].median()) lst_city[0:20]

[['深圳', 16242, 13000.0, 20000.0], ['广州', 9410, 10000.0, 20000.0], ['上海', 9159, 13000.0, 20000.0], ['杭州', 8096, 12000.0, 20000.0], ['成都', 6758, 10000.0, 18000.0], ['南京', 6565, 10000.0, 20000.0], ['北京', 5789, 15000.0, 20000.0], ['武汉', 4042, 9166.0, 15000.0], ['苏州', 2988, 10000.0, 18333.0], ['西安', 2463, 8333.0, 15000.0], ['郑州', 1959, 8001.0, 13333.0], ['济南', 1516, 8001.0, 15000.0], ['长沙', 1463, 8000.0, 14000.0], ['厦门', 1386, 10000.0, 16000.0], ['合肥', 1338, 8000.0, 15000.0], ['福州', 1330, 8000.0, 15000.0], ['大连', 1221, 8333.0, 15000.0], ['青岛', 1050, 8333.0, 15000.0], ['无锡', 978, 8333.0, 15000.0], ['沈阳', 818, 6001.0, 10000.0]] 折线图

from pyecharts.charts import Line
.add_yaxis('岗位数',[int(lt[1]) for lt in lst]) .add_yaxis("最低工资中位数", [lt[2] for lt in lst]) .add_yaxis("最高工资中位数", [lt[3] for lt in lst]) .set_global_opts( _opts=opts. Opts( ="主要城市岗位数量和薪水")) return c

line_ (lst_city[0:20]).render_notebook()

就业城市小节:

(1)互联网行业主要集中在一线城市,招聘数量最多的是深圳,其数量是排名20的沈阳招聘数量的20倍。
(2)北京的招聘数量并不多,但工资较高,符合北京的城市定位和人口限制政策。
(3)二线城市中,杭州和成都紧追一线城市;武汉、郑州的互联网行业暂未发展起来,工资相对较低;而苏州、厦门招聘数量虽不多,但工资水平与其房价水平匹配。

欢迎关注,敬请点赞!
返回顶部

收起 展开全文
1、matplotlib模块简介 matplotlib模块画图的中文显示问题,详见下面的网址: ... #模块引入 import matplotlib as mpl import matplotlib.pyplot as plt import

1、matplotlib模块简介




matplotlib模块画图的中文显示问题,详见下面的网址:

http://www.cnblogs.com/swordzj/archive/2013/05/18/3085300.html

#模块引入 import matplotlib as mpl import matplotlib.pyplot as plt import numpy as np #解决中文问题 mpl.rcParams["font.sans-serif"] = [u"SimHei"] mpl.rcParams["axes.unicode_minus"] = False #获取figure对象 fig = plt.figure(figsize=(8,6)) #在figure上创建axes对象 ax1 = fig.add_subplot(2,2,1) ax2 = fig.add_subplot(2,2,2) ax3 = fig.add_subplot(2,2,3) #在当前的axes(ax3)上绘制曲线 plt.plot(np.random.randn(50).cumsum(),"k--")




#模块引入 import matplotlib as mpl import matplotlib.pyplot as plt import numpy as np x = np.linspace(0,10,1000) y = np.sin(x) z = np.cos(x**2) #获取figure对象 fig = plt.figure(figsize=(8,4)) #lable:给绘制的曲线一个名字,该名字在图示legend显示,$:使用内嵌latex引擎绘制函数 plt.plot(x,y,label = "$sin(x)$",color = "red",linewidth = 2) plt.plot(x,z,"b--",label = "$cos(x^2)$") plt.xlabel("Time(s)") #设置x轴标题 plt.ylabel("Volt") #设置y轴标题 plt. ("PyPlot First Example") #设置图标标题 plt.ylim(-1.2,1.2) #设置y轴范围 plt.legend() #显示图示说明 plt.grid(True) #显示虚线框 plt.show()#运行结果:









练习题:


附件链接

http://pan.baidu.com/s/1hrPvuqo

密码:rzj6

import numpy as np import pandas as pd from pandas import Series,Data import matplotlib as mpl import matplotlib.pyplot as plt #1.数据文件读取 df = pd.read_csv("ca_list_copy(2).csv") #2、提取zwyx列里面的0值,并用该列的平均值替换 print("====提取zwyx列里面的0值,并用该列的平均值替换=====") mask = df["zwyx"].isin([0]) df["zwyx"][mask]=df["zwyx"].mean() print(df) #3、zwyx列列平均值计算 print("=============zwyx列平均值计算================") print(df["zwyx"].mean()) #4、得到zwmc字段的唯一列表 print("=============得到zwmc字段的唯一列表================") print(df["zwmc"]) #5、对dd字段分组 print("=============对dd字段分组================") gb = df.groupby(["dd"]) i = 0 dict1 = {} for dd,group in gb: i = i+1 print("group",i,":",dd,end="") print("最大薪资:",group["zwyx"].max()) dict1[dd] = group["zwyx"].max() #将城市与对应薪资循环加入到字典中
mpl.rcParams["font.sans-serif"] = [u"SimHei"] mpl.rcParams["axes.unicode_minus"] = False #画折线图,创建figure对象 fig = plt.figure(figsize=(8,8)) df2.plot(color = "red") plt.xlabel("城市") #设置x轴坐标 plt.ylabel("薪资") #设置y轴坐标 plt. ("前十位城市最大薪资") #设置图标标题 plt.savefig("Top10.png") plt.show() ====提取zwyx列里面的0值,并用该列的平均值替换===== F:/PythonCode/bf-test_code2/numpy+pandas/8.py:18: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a Data See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy df["zwyx"][mask]=df["zwyx"].mean() Id zwmc gsmc dd \ 0 1 数据分析师 山东半亩花田生物科技有限公司 济南 1 2 数据分析师 智联招聘 天津 2 3 数据分析师 捷信中国 天津 3 4 中/高级数据分析师 宽拓(北京)科技有限公司 北京 4 5 6k聘金融数据分析师/助理/交易分析师(五险双休 北京万向联合控股集团有限公司 北京 5 6 证券分析师、助理、数据分析 北京万向联合控股集团有限公司 北京 6 7 --集团公司登入世界第一屏纳斯达克-万向联合聘金融数据分析师 北京万向联合控股集团有限公司 北京 7 8 数据分析师 北京创先策略信息咨询有限公司 北京 8 9 BI分析师助理/数据分析师助理税后月薪5500,包吃,房补 佛山市好金企业管理信息咨询有限公司 广州 9 10 6000-15000金融数据分析师/交易员 五险一金+实习生+弹性时间 北京华中投资有限公司 北京 10 11 招聘数据分析师(五险双休早九晚五) 北京万向通汇投资管理有限公司 北京 11 12 钱进道路上万向为你保驾护航,金融数据分析师及助理+双休 今联投资管理(北京)有限公司 北京 12 13 数据分析师 西安贝加尔网络科技有限公司 西安 13 14 职位颜值高 薪资更是刁到爆发 汇金利德诚聘金融数据分析师/助理 北京汇金利德科技有限公司 北京 14 15 高薪诚聘优秀金融数据分析师+周末双休+早九晚六+社保福利 华壹信融投资管理(北京)有限责任公司 北京 15 16 【金鼎奖十大诚信品牌企业】万向诚聘金融数据分析师+可实习 北京万向联合控股集团有限公司 北京 16 17 金融外汇数据分析师助理(可实习) 6千底薪五险 南京梵汇德盈信息科技有限公司 南京 17 18 【0基础培训】外汇数据分析师 南京梵汇德盈信息科技有限公司 南京 18 19 钱进道路上万向为你保驾护航,金融数据分析师及助理+双休 北京万向通汇投资有限公司 北京 19 20 招募金融数据分析师/证券分析师有无经验均可+基础培训 北京万向联合控股集团有限公司 北京 20 21 ¤豪宅金融证券数据分析师通缉令¤【五险一金】成就你的北京梦 北京万向联合控股集团有限公司 北京 21 22 金融数据分析师助理 嘉诺恒盛(北京)教育科技有限公司 北京 22 23 万向联合诚聘金融技术岗精英 数据分析师/助理+内部可晋升 万向通汇投资(北京)有限公司 北京 23 24 【万向联合】招聘金融交易员/数据分析师(五险双休早九晚五) 北京万向通汇投资管理有限公司 北京 24 25 数据分析师 今日头条 上海 25 26 数据分析师-国际化 今日头条 北京 26 27 数据分析师 今日头条 北京 27 28 招金融数据分析师 出国旅游、节日福利 北京今联投资有限公司 北京 28 29 ★任性高薪★职等你来☞金融证券、外汇数据分析师 今联投资管理(北京)有限公司 北京 29 30 再不转行就老了 公司高薪直招金融外汇数据分析师/助理 今联投资管理(北京)有限公司 北京 ... ... ... ... .. 3354 3355 数据分析师(大兴亦庄) 北京亿隆汇诚投资管理有限责任公司 北京 3355 3356 数据分析师 南京甄视智能科技有限公司 南京 3356 3357 ★任性高薪★职等你来☞金融外汇数据分析师/助理 南京梵汇德盈信息科技有限公司 南京 3357 3358 数据分析师(急聘 项目奖金) 北京科莱特信息技术有限公司南京分公司 南京 3358 3359 不看学历只看能力 0基础培训金融数据分析师助理 盛世佳汇投资有限公司 深圳 3359 3360 公司直招金融数据分析师、资金管理人 南京梵汇德盈信息科技有限公司 南京 3360 3361 公司直招金融数据分析师、资金管理人 南京梵汇德盈信息科技有限公司 南京 3361 3362 数据分析师 微视文化传媒(北京)有限责任公司 北京 3362 3363 数据分析师 上海绘缔网络信息服务有限公司郑州分公司 郑州 3363 3364 大数据产品经理/数据分析师 中创三优(北京)科技有限公司 北京 3364 3365 金融外汇数据分析师助理(可实习)零基础带薪培训 6千底薪五险 南京梵汇德盈信息科技有限公司 南京 3365 3366 0基础培训金融数据分析师助理,告别“高不成低不就” 盛世佳汇投资有限公司 深圳 3366 3367 数据分析师 山西创新金融专修学院 太原 3367 3368 高底薪聘金融数据分析师/助理(双休+补助) 南京梵汇德盈信息科技有限公司 南京 3368 3369 高底薪聘金融数据分析师/助理(双休+补助) 南京梵汇德盈信息科技有限公司 南京 3369 3370 金融外汇数据分析师/助理 南京梵汇德盈信息科技有限公司 南京 3370 3371 数据分析师 金融交易员 双休 五险 高薪多福利 富尔华兴(北京)国际投资管理有限公司 北京 3371 3372 数据分析师 郑州慧之联信息科技有限公司 郑州 3372 3373 大数据实习分析师 北京凡德未来信息科技有限公司 北京 3373 3374 数据分析师 广东佰银网络科技有限公司 广州 3374 3375 数据分析师实习生 长沙拓建信息科技有限公司 长沙 3375 3376 大数据分析师 郑州仁峰软件开发有限公司 郑州 3376 3377 数据分析师 创兴动力(北京)咨询服务有限公司 北京 3377 3378 数据分析师 天津国美互联网资产交易中心有限公司北京分公司 北京 3378 3379 资金管理人/数据分析师/双休五险/朝九晚五 南京梵汇德盈信息科技有限公司 南京 3379 3380 大数据分析,分析师助理,薪资4500+,晋升空间大,双休 南京国汇信息科技有限公司 南京 3380 3381 数据分析师 广西钱盆科技股份有限公司 南宁 3381 3382 数据分析师 百度推广无锡营销服务中心 南京 3382 3383 数据统计/数据分析师 双休不累有保障 长沙拓建信息科技有限公司 长沙 3383 3384 数据分析师 天津极数科技有限公司 天津 gsxz gsgm zwyx xl jy 0 民营 100-499人 4500.000000 大专 1-3年 1 上市公司 1000-9999人 8152.994976 本科 无经验 2 外商独资 10000人以上 8152.994976 本科 1-3年 3 民营 20-99人 17500.500000 本科 3-5年 4 股份制企业 100-499人 9000.500000 本科 无经验 5 股份制企业 100-499人 9000.500000 本科 无经验 6 股份制企业 100-499人 12500.500000 大专 无经验 7 民营 20人以下 5000.500000 本科 无经验 8 民营 20-99人 5000.500000 大专 无经验 9 股份制企业 100-499人 8152.994976 本科 无经验 10 合资 100-499人 9000.500000 本科 无经验 11 合资 100-499人 9000.500000 大专 无经验 12 民营 100-499人 7000.000000 本科 无经验 13 上市公司 1000-9999人 9000.500000 本科 无经验 14 民营 100-499人 9000.500000 大专 无经验 15 股份制企业 500-999人 9000.500000 大专 无经验 16 股份制企业 100-499人 7000.500000 大专 无经验 17 股份制企业 100-499人 7000.500000 大专 无经验 18 股份制企业 500-999人 9000.500000 大专 无经验 19 股份制企业 500-999人 7000.500000 大专 无经验 20 股份制企业 500-999人 9000.500000 本科 无经验 21 股份制企业 100-499人 5000.500000 大专 无经验 22 股份制企业 100-499人 9000.500000 不限 无经验 23 合资 100-499人 9000.500000 大专 无经验 24 民营 1000-9999人 12500.500000 本科 1-3年 25 民营 1000-9999人 25000.500000 本科 3-5年 26 民营 1000-9999人 25000.500000 本科 1-3年 27 股份制企业 100-499人 12500.500000 大专 无经验 28 合资 100-499人 9000.500000 大专 无经验 29 合资 100-499人 9000.500000 大专 无经验 ... ... ... ... .. ... 3354 民营 100-499人 12500.500000 本科 3-5年 3355 股份制企业 20-99人 10000.000000 本科 1-3年 3356 股份制企业 100-499人 7000.500000 中专 无经验 3357 民营 100-499人 9000.500000 大专 无经验 3358 股份制企业 500-999人 12500.500000 不限 无经验 3359 股份制企业 100-499人 7000.500000 大专 无经验 3360 股份制企业 100-499人 7000.500000 大专 无经验 3361 民营 20-99人 11500.000000 本科 3-5年 3362 民营 1000-9999人 4000.000000 本科 1年以下 3363 合资 100-499人 25000.500000 不限 3-5年 3364 股份制企业 100-499人 9000.500000 大专 无经验 3365 股份制企业 500-999人 9000.500000 不限 无经验 3366 民营 20人以下 3000.500000 不限 无经验 3367 股份制企业 100-499人 9000.500000 大专 无经验 3368 股份制企业 100-499人 7000.500000 大专 无经验 3369 股份制企业 100-499人 7000.500000 中专 无经验 3370 合资 500-999人 9000.500000 本科 1-3年 3371 民营 1000-9999人 9000.500000 大专 1-3年 3372 民营 20-99人 7000.500000 本科 无经验 3373 民营 20-99人 5000.500000 大专 1-3年 3374 民营 20-99人 5000.500000 大专 无经验 3375 股份制企业 20-99人 7000.500000 本科 1-3年 3376 民营 20-99人 22500.000000 不限 无经验 3377 民营 500-999人 11500.000000 本科 1-3年 3378 股份制企业 100-499人 7000.500000 大专 无经验 3379 合资 500-999人 7000.500000 不限 无经验 3380 股份制企业 100-499人 3500.000000 不限 无经验 3381 民营 500-999人 7500.000000 本科 无经验 3382 民营 20-99人 5000.500000 大专 无经验 3383 民营 20人以下 12500.500000 不限 3-5年 [3384 rows x 9 columns] =============zwyx列平均值计算================ 8263.821740222376 =============得到zwmc字段的唯一列表================ 0 数据分析师 1 数据分析师 2 数据分析师 3 中/高级数据分析师 4 6k聘金融数据分析师/助理/交易分析师(五险双休 5 证券分析师、助理、数据分析 6 --集团公司登入世界第一屏纳斯达克-万向联合聘金融数据分析师 7 数据分析师 8 BI分析师助理/数据分析师助理税后月薪5500,包吃,房补 9 6000-15000金融数据分析师/交易员 五险一金+实习生+弹性时间 10 招聘数据分析师(五险双休早九晚五) 11 钱进道路上万向为你保驾护航,金融数据分析师及助理+双休 12 数据分析师 13 职位颜值高 薪资更是刁到爆发 汇金利德诚聘金融数据分析师/助理 14 高薪诚聘优秀金融数据分析师+周末双休+早九晚六+社保福利 15 【金鼎奖十大诚信品牌企业】万向诚聘金融数据分析师+可实习 16 金融外汇数据分析师助理(可实习) 6千底薪五险 17 【0基础培训】外汇数据分析师 18 钱进道路上万向为你保驾护航,金融数据分析师及助理+双休 19 招募金融数据分析师/证券分析师有无经验均可+基础培训 20 ¤豪宅金融证券数据分析师通缉令¤【五险一金】成就你的北京梦 21 金融数据分析师助理 22 万向联合诚聘金融技术岗精英 数据分析师/助理+内部可晋升 23 【万向联合】招聘金融交易员/数据分析师(五险双休早九晚五) 24 数据分析师 25 数据分析师-国际化 26 数据分析师 27 招金融数据分析师 出国旅游、节日福利 28 ★任性高薪★职等你来☞金融证券、外汇数据分析师 29 再不转行就老了 公司高薪直招金融外汇数据分析师/助理 ... 3354 数据分析师(大兴亦庄) 3355 数据分析师 3356 ★任性高薪★职等你来☞金融外汇数据分析师/助理 3357 数据分析师(急聘 项目奖金) 3358 不看学历只看能力 0基础培训金融数据分析师助理 3359 公司直招金融数据分析师、资金管理人 3360 公司直招金融数据分析师、资金管理人 3361 数据分析师 3362 数据分析师 3363 大数据产品经理/数据分析师 3364 金融外汇数据分析师助理(可实习)零基础带薪培训 6千底薪五险 3365 0基础培训金融数据分析师助理,告别“高不成低不就” 3366 数据分析师 3367 高底薪聘金融数据分析师/助理(双休+补助) 3368 高底薪聘金融数据分析师/助理(双休+补助) 3369 金融外汇数据分析师/助理 3370 数据分析师 金融交易员 双休 五险 高薪多福利 3371 数据分析师 3372 大数据实习分析师 3373 数据分析师 3374 数据分析师实习生 3375 大数据分析师 3376 数据分析师 3377 数据分析师 3378 资金管理人/数据分析师/双休五险/朝九晚五 3379 大数据分析,分析师助理,薪资4500+,晋升空间大,双休 3380 数据分析师 3381 数据分析师 3382 数据统计/数据分析师 双休不累有保障 3383 数据分析师 Name: zwmc, dtype: =============对dd字段分组================ group 1 : 三门峡最大薪资: 7000.5 group 2 : 上海最大薪资: 40000.5 group 3 : 东莞最大薪资: 9000.5 group 4 : 临沂最大薪资: 6500.0 group 5 : 丽江最大薪资: 3000.5 group 6 : 云浮最大薪资: 6500.0 group 7 : 佛山最大薪资: 9500.0 group 8 : 保定最大薪资: 5000.5 group 9 : 保山最大薪资: 6500.0 group 10 : 六盘水最大薪资: 6500.0 group 11 : 兰州最大薪资: 7000.5 group 12 : 北京最大薪资: 40000.5 group 13 : 南京最大薪资: 25000.5 group 14 : 南宁最大薪资: 3500.0 group 15 : 南昌最大薪资: 7000.5 group 16 : 南通最大薪资: 5000.5 group 17 : 厦门最大薪资: 15000.0 group 18 : 合肥最大薪资: 17500.5 group 19 : 周口最大薪资: 7000.5 group 20 : 呼和浩特最大薪资: 7000.5 group 21 : 咸宁最大薪资: 8152.99497636 group 22 : 哈尔滨最大薪资: 17500.5 group 23 : 唐山最大薪资: 6500.0 group 24 : 商丘最大薪资: 7000.5 group 25 : 嘉兴最大薪资: 5000.5 group 26 : 大连最大薪资: 9000.5 group 27 : 天津最大薪资: 25000.5 group 28 : 太原最大薪资: 7000.5 group 29 : 威海最大薪资: 9000.5 group 30 : 孝感最大薪资: 8152.99497636 group 31 : 宁波最大薪资: 6500.0 group 32 : 安康最大薪资: 7500.0 group 33 : 安顺最大薪资: 6500.0 group 34 : 宜兴最大薪资: 5000.5 group 35 : 宿迁最大薪资: 5000.5 group 36 : 常州最大薪资: 7000.5 group 37 : 常熟最大薪资: 7000.5 group 38 : 平顶山最大薪资: 7000.5 group 39 : 广州最大薪资: 25000.5 group 40 : 张家口最大薪资: 5000.5 group 41 : 徐州最大薪资: 5000.5 group 42 : 恩施最大薪资: 8152.99497636 group 43 : 成都最大薪资: 15000.0 group 44 : 扬州最大薪资: 5000.5 group 45 : 承德最大薪资: 6500.0 group 46 : 新乡最大薪资: 7000.5 group 47 : 无锡最大薪资: 17500.5 group 48 : 昆山最大薪资: 5000.5 group 49 : 昆明最大薪资: 6500.0 group 50 : 曲靖最大薪资: 6500.0 group 51 : 杭州最大薪资: 20000.0 group 52 : 枣庄最大薪资: 4500.0 group 53 : 武汉最大薪资: 15000.0 group 54 : 毕节最大薪资: 6500.0 group 55 : 江阴最大薪资: 5000.5 group 56 : 沈阳最大薪资: 9000.5 group 57 : 沧州最大薪资: 5000.5 group 58 : 泰安最大薪资: 4500.0 group 59 : 洛阳最大薪资: 7000.5 group 60 : 济南最大薪资: 25000.5 group 61 : 海口最大薪资: 8152.99497636 group 62 : 淮安最大薪资: 5000.5 group 63 : 深圳最大薪资: 25000.5 group 64 : 温州最大薪资: 3750.0 group 65 : 潍坊最大薪资: 5000.5 group 66 : 烟台最大薪资: 7000.5 group 67 : 焦作最大薪资: 7000.5 group 68 : 玉溪最大薪资: 6500.0 group 69 : 盐城最大薪资: 5000.5 group 70 : 石家庄最大薪资: 7000.5 group 71 : 福州最大薪资: 8000.0 group 72 : 秦皇岛最大薪资: 5000.5 group 73 : 绵阳最大薪资: 9000.5 group 74 : 苏州最大薪资: 11500.0 group 75 : 衡水最大薪资: 5000.5 group 76 : 西安最大薪资: 7000.5 group 77 : 许昌最大薪资: 7000.5 group 78 : 贵阳最大薪资: 12500.5 group 79 : 连云港最大薪资: 5000.5 group 80 : 遵义最大薪资: 6500.0 group 81 : 遵化最大薪资: 5000.5 group 82 : 邢台最大薪资: 5000.5 group 83 : 邯郸最大薪资: 5000.5 group 84 : 郑州最大薪资: 12500.5 group 85 : 重庆最大薪资: 7000.5 group 86 : 铜仁最大薪资: 6500.0 group 87 : 镇江最大薪资: 5000.5 group 88 : 长春最大薪资: 7000.5 group 89 : 长沙最大薪资: 18000.0 group 90 : 青岛最大薪资: 12500.5 group 91 : 马鞍山最大薪资: 7000.5 group 92 : 驻马店最大薪资: 7000.5 group 93 : 黄冈最大薪资: 8152.99497636 group 94 : 黄石最大薪资: 8152.99497636 group 95 : 黔东南最大薪资: 6500.0 group 96 : 黔南最大薪资: 6500.0 group 97 : 黔西南最大薪资: 6500.0 ==========排名前十的城市与对应薪资========== 上海 40000.5 北京 40000.5 济南 25000.5 深圳 25000.5 广州 25000.5 南京 25000.5 天津 25000.5 杭州 20000.0 长沙 18000.0 无锡 17500.5 Name: zwyx, dtype: float64


收起 展开全文
Python 的排名从去年开始就借助人工智能持续上升,现在它已经成为了第一名。但排在前四名的语言 Python、C、Java 和 C++都拥有广大的用户群体,并且他们的用户总量也十分相近。实际上,Diakopoulos 在对公司招聘所...
Python开发代码简化除了采用规范化的编程规则之外,代码编写的逻辑性和对内置规则的掌握也对其有一定的影响,以下是Python3支持的用法,合理的利用可以极大的简化代码的书写复杂度。 1. 列表推导式 对于一组列表,...
print(到达时间,self.ttime)#实例化类其他编程语言中一般用关键字 new,但是在 python 中并没有这个关键字,类的实例化类似函数调用方式。 #以下使用类的名称 ticket 来实例化,并通过 __init__ 方法接收参数。 a1=...
大家好,我是爱编程的小熊,上一节我们学习了图形的旋转,这节,我们继续学习图形旋转及其变化的轨迹,进而绘制出更加绚丽的图案。编程描述:这一节 我们将在上几节所学的基础内容,并加上色彩和渐变填充的效果,画...
大家好,我是爱编程的小熊,上一节我们学习了图形的旋转,这节,我们继续学习图形旋转及其变化的轨迹,进而绘制出更加绚丽的图案。编程描述:这一节 我们将在上几节所学的基础内容,并加上色彩和渐变填充的效果,画...
python中的对象和类型 在python中,认为系统中的每一个“东西”都是一个对象,在python中,“对象”有着特殊的意义,python中的对象有: 一个标识 一些属性 零个或多个名称 当python创建对象时,它接收到一个...
_By 超神经内容提要:在疫情影响的扩大下,许多行业都受到了巨大的冲击,一些中小企业正在经历生死存亡的边缘挣扎。就在昨晚,IT 职业培训公司兄弟连创始人发文宣告,公司受疫情影响,将关闭北...
关键词: 坐便器 坐便器扶手 坐便器脚踏坐便器是人们日常生活中的必需品,而目前市面上常见的坐便器,对于老人等行动不便的人群和儿童来说,不方便其使用。作者通过对传统坐便器弊端的分析,有针对性的发明了一种家用...
关键词: 坐便器 坐便器扶手 坐便器脚踏坐便器是人们日常生活中的必需品,而目前市面上常见的坐便器,对于老人等行动不便的人群和儿童来说,不方便其使用。作者通过对传统坐便器弊端的分析,有针对性的发明了一种家用...
每天新闻中都可以看到各种各样的排行,和数不尽的好玩的结论。可是有很多时候我们看到某些数据结论时,总会激发我们质疑精神,有时是对于数据取样的片面性的怀疑,有时也有不满足于数据的小众化的遗憾。...
引言 2013年的8月13日,群主打开自己的QQ,建立了第一个技术交流群,也就是现在的交流一群。 时光飞逝,转眼之间,3年半已经过去了。 当初建群的时候,群主才工作不到两年,期间借着业余时间,写了一个设计...
容大教育人工智能班数据分析阶段实战项目:人工智能相关职位数据分析 小组成员:雷坤、韦民童、李波、陶宇 项目周期5天,数据分析为第2天的需求。 0.下载数据集 小组成员利用爬虫收集各大招聘网站的人工智能...

本文标签:[db:词语]

本文地址:http://www.k0358.com/keji/gukmjqsqq.html 转载请注明出处

上一篇: 猎豹移动:微软发布8月例行更新 Windows 10亦受影响
下一篇: 世荣兆业:八旬老板“手撕”总裁

本站所有文章均来自搜索引擎和其他站点公开内容,如有侵权或表述不当,请联系并标明身份和情况后立即删除,E-mail:ainba_cn@163.com
copyright © 2012-2019 www.k0358.com 快意信息网 - 快意信息网,社会信息中心 移动版 MIP