每年的三四月份是招聘高峰，也常被大家称为金三银四黄金招聘期，这时候上一年的总结做完了，奖金拿到了，职场人开始谋划着年初的找工作大戏，作为高薪行业之一的IT行业，程序员们也开始疯狂的往心仪公司投递简历。
作为IT人我们要发挥自己的专业特长，如何从各种招聘网上找到满意的职位？我分析了北京、广州、深圳三个一线城市的C 招聘岗位信息，篇幅限制文中只拿出北京深圳的数据分析，让我们看看C 岗位的招聘现状，以及如何科学提高应聘成功率。
文末分享本次分析的高清图表，需要的同学自取。同时我分享源码用于学习交流，若对其他岗位感兴趣可以自行运行源码分析。
需求分析
通过分析招聘网站发布的招聘数据，得出岗位分布区域、薪资水平、学历要求，岗位需求关键技能、匹配的人才具有哪些特点？从而帮助应聘者提高自身能力，补齐短板，有的放矢的应对校招社招，达成终极目标获得心仪的offer。
软件设计
数据分析是Python的强项，项目用Python实现。软件分为两大模块：数据获取 和 数据分析
详细实现
数据获取
request库构造请求获取数据
cookie = s.cookiesreq = requests.post(self.baseurl, headers=self.header, data={"first": True, "pn": i, "kd":self.keyword}, params={"px": "default", "city": self.city, "needAddtionalResult": "false"}, cookies=cookie, timeout=3)text = req.json()
数据csv格式存储
with open(os.path.join(self.path, "招聘_关键词_{}_城市_{}.csv".format(self.keyword, self.city)), "w",newline="", encoding="utf-8-sig") as f: f_csv = csv.DictWriter(f, self.csv_header) f_csv.writeheader() f_csv.writerows(data_list)数据分析
字段预处理
df_all.rename({"职位名称": "position"}, axis=1, inplace=True) #axis=1代表index; axis=0代表columndf_all.rename({"详细链接": "url"}, axis=1, inplace=True)df_all.rename({"工作地点": "region"}, axis=1, inplace=True)df_all.rename({"薪资": "salary"}, axis=1, inplace=True)df_all.rename({"公司名称": "company"}, axis=1, inplace=True)df_all.rename({"经验要求": "experience"}, axis=1, inplace=True)df_all.rename({"学历": "edu"}, axis=1, inplace=True)df_all.rename({"福利": "welfare"}, axis=1, inplace=True)df_all.rename({"职位信息": "detail"}, axis=1, inplace=True)df_all.drop_duplicates(inplace=True)df_all.index = range(df_all.shape[0])
数据处理展示
from pyecharts.charts import BarregBar = Bar(init_opts=opts.InitOpts(width="1350px",))regBar.add_xaxis(region.index.tolist())regBar.add_yaxis("区域", region.values.tolist())regBar.set_global_opts(title_opts=opts.TitleOpts(), toolbox_opts=opts.ToolboxOpts(), visualmap_opts=opts.VisualMapOpts()) from mons.utils import JsCodeshBar = Bar(init_opts=opts.InitOpts(width="1350px",))shBar.add_xaxis(sala_high.index.tolist())shBar.add_yaxis("区域", sala_high.values.tolist())shBar.set_series_opts(itemstyle_opts={ "normal": { "color": JsCode("""new echarts.graphic.LinearGradient(0, 0, 0, 1, [{ offset: 0, color: "rgba(0, 244, 255, 1)" }, { offset: 1, color: "rgba(0, 77, 167, 1)" }], false)"""), "barBorderRadius": [30, 30, 30, 30], "shadowColor": "rgb(0, 160, 221)", }})shBar.set_global_opts(title_opts=opts.TitleOpts(), toolbox_opts=opts.ToolboxOpts())word.add("", [*zip(key_words.words, key_words.num)], word_size_range=[20, 200], shape="diamond")word.set_global_opts(title_opts=opts.TitleOpts(), toolbox_opts=opts.ToolboxOpts())数据分析
区域分布
C 岗位区域分布，北京 VS 深圳
北京的C 岗位数量比深圳更多，首都buff加持，并且集中分布在海淀区和朝阳区这两个区域，中关村位于海淀区，还有位于海淀区西北旺镇的后厂村，腾讯、滴滴、百度、新浪、网易这些互联网巨头扎堆，自然能提供更多的岗位。
深圳的岗位则集中在南山区，猜测鹅厂C 大厂在南山区贡献了重大份额，第二竟然在宝安区。
学历分布
C 岗位学历分布，北京 VS 深圳
学历上两个城市的本科学历占比都是80%以上，北京岗位需求研究生占比和大专相当。可见大部分岗位本科学历即可胜任，或许能给即将毕业纠结考不考研的你一些参考。
如果你的学历是专科，那么需要加倍的努力，因为留给你的职位并不是很多。同时，从图表数据来看，深圳的岗位对大专生需求10%而对硕士仅占2%，或许去深圳比去北京更加友好，emmm…仅供参考。
薪资分布
C 岗位薪资分布，薪资单位K。
北京最高薪资 VS 最低薪资
深圳最高薪资 VS 最低薪资
薪资对比没啥好说的，大家看图说话，只想说帝都果然财大气粗。
技能储备
C 岗位关键技能词云，北京 VS 深圳
首先在脱离开发走上管理岗位之前，编程解决问题能力是最重要，可以看到「编程」能力在技能词云中占比最大。
岗位技能词云可以看出，大部分岗位要求较高的「算法、数据结构、Linux、数据库(存储)、多线程(操作系统)」计算机基础素养，所以不管你是在校学生准备校招或者职场老人准备跳槽，都需要储备好这些计算机基础能力。
同时，除去硬核技术要求，岗位对候选人的软实力也有要求，比如更加偏爱具备「团队、协作、学习、沟通」这些能力的候选人，大家在提高技术能力的同时，也要注重这些软实力的培养。
一个彩蛋。Linux和window下都有C 开发岗位需求，相对而言Linux下C 开发占比更多，词云更大，如果你对这两个平台没有特殊偏爱，那么学Linux下开发大概能加大应聘成功率。
在公众号「柠檬的编程学堂」回复 「工作」获取本文程序完整源码以及高清分析图表。
更多精彩原创关注公众号「柠檬的编程学堂」大厂程序员，十年多编程学习经验，用通俗易懂的方式与你分享技术学习和程序员的那些事。
来源：/content-4-653301.html
