作者| 李寧 （本文已獲得作者本人的轉(zhuǎn)載授權(quán)，其他轉(zhuǎn)載請(qǐng)聯(lián)系本人，36大數(shù)據(jù)不對(duì)任何其他轉(zhuǎn)載侵權(quán)行為做背書）

緣起是因?yàn)?a class='sowmlink' id='shujuwajue' onmouseout='Fhidden()' onmouseover='Fpop(this)' target=_blank >數(shù)據(jù)挖掘入行不久，一直上拉勾網(wǎng)看各種公司的招聘JD，人工看一方面是時(shí)間很消耗，更嚴(yán)重的是抓不住重點(diǎn)，最近剛好入手python爬蟲，試圖簡化這部分工作。另一方面學(xué)習(xí)爬蟲之后，發(fā)現(xiàn)自己整天上網(wǎng)手動(dòng)翻網(wǎng)頁找信息這個(gè)動(dòng)作很low，所以花了兩天的時(shí)間連爬取帶寫文檔。文檔中同時(shí)附上github代碼，各位想上手python的童鞋可以下載玩一下，（自知代碼粗淺，大牛求放過~）

工具：windows7，python3.4，IDE PyCharm 4.5

Python代碼：

抓取 https://github.com/lichald/python/blob/master/python34/spider

分詞 https://github.com/lichald/python/blob/master/python34/wordcut

樣本規(guī)模,：拉勾網(wǎng)20151020根據(jù)“數(shù)據(jù)挖掘”關(guān)鍵字可以搜索到的Jobs。工作數(shù)量450個(gè)，招聘公司318家，分布在21個(gè)城市。工作數(shù)量最多的前五名分別為北京、上海、深圳、廣州、杭州（排名分先后），占工作總數(shù)的88%，基于二八法則，取這五個(gè)城市的樣本作為分析基礎(chǔ)，其他城市暫不考慮。

1.數(shù)據(jù)挖掘在哪個(gè)城市需求更加旺盛？

從總值上看，北京在數(shù)據(jù)挖掘崗位open的職位數(shù)量和公司數(shù)量上占據(jù)絕對(duì)優(yōu)勢(shì)，甚至超過后面4個(gè)城市的數(shù)值加和；僅就北京和上海相比，公司數(shù)量是3倍，職位數(shù)量是4倍。從公司平均招聘人數(shù)上看，北京也領(lǐng)先于其他城市。即使排除拉勾網(wǎng)base在北京中關(guān)村地利優(yōu)勢(shì)和3W咖啡的線下優(yōu)勢(shì)，北京的數(shù)值依然是遙遙領(lǐng)先。

2.公司如何定價(jià)員工的工作資歷？

從主流數(shù)量上看， 工作經(jīng)歷在1-5年的現(xiàn)在需求最旺盛，且大多數(shù)公司均會(huì)給到11-25K的價(jià)位 。且對(duì)于11-15K、16-20K、21-25K三個(gè)細(xì)分檔次的價(jià)位，用人單位對(duì)于1-3年工作經(jīng)驗(yàn)的人11-15K是主流價(jià)碼，優(yōu)秀的人可以提升至16-20K，更優(yōu)秀的再提升至21-25K；用人單位對(duì)于3-5年工作經(jīng)驗(yàn)的人21-25K是主流價(jià)碼，有經(jīng)驗(yàn)但能力欠缺的降至16-20K，再弱一些的就降至11-15K。

還有一個(gè)非常有意思的現(xiàn)象是，有相當(dāng)一部分企業(yè)對(duì)于“經(jīng)驗(yàn)不限”的情況大多數(shù)也愿意給出11-15K和21-25K的價(jià)位，說明在互聯(lián)網(wǎng)領(lǐng)域仍有企業(yè)是看重能力而不是資歷，對(duì)于經(jīng)驗(yàn)有相當(dāng)?shù)淖杂啥取Ａ硗鈱?duì)于5-10年的人員數(shù)量非常低，排除專業(yè)獵頭分的蛋糕之外，也可能說明這個(gè)行業(yè)的專家非常少，或者是企業(yè)的數(shù)據(jù)挖掘需求還遠(yuǎn)沒有達(dá)到需要專家的級(jí)別。這兩點(diǎn)結(jié)合來看，專家權(quán)威效應(yīng)不明顯，企業(yè)看重能力而非資歷，對(duì)于這個(gè)行業(yè)的新人是利好的消息。

請(qǐng)注意， 企業(yè)對(duì)于1年以下經(jīng)驗(yàn)的人招聘數(shù)量和薪資認(rèn)可方面都是非常低的，說明新人前1-2年先不著急跳槽，好好打好基本功， 迎接之后的量質(zhì)轉(zhuǎn)換！

3.高薪資都存在哪些高大上的行業(yè)？

數(shù)據(jù)聲明：在拉勾網(wǎng)上發(fā)布職位的公司一般都會(huì)貼上兩個(gè)以上的標(biāo)簽，本文將對(duì)這些標(biāo)簽重復(fù)計(jì)算。例如宜信公司標(biāo)簽是<移動(dòng)互聯(lián)網(wǎng)·金融>，則在這兩個(gè)領(lǐng)域分別會(huì)計(jì)數(shù)。圖中移動(dòng)互聯(lián)網(wǎng)的絕對(duì)值非常高，說明移動(dòng)互聯(lián)網(wǎng)是一種主流的趨勢(shì)。

移動(dòng)互聯(lián)網(wǎng)的主流薪資認(rèn)可是11-25K范圍，且能夠容納的人員數(shù)量非常多，說明該行業(yè)不差錢 。數(shù)據(jù)服務(wù)是這行里面的默默無聞的耕耘者，有很多新興企業(yè)，提供數(shù)據(jù)服務(wù)，也是通過高新來吸引人才。 電商、O2O、文化（主要是視頻）、廣告、金融幾個(gè)行業(yè)對(duì)數(shù)據(jù)挖掘人才需求的數(shù)量和質(zhì)量相差無幾 。如果希望從事一份體面的數(shù)據(jù)挖掘工作，可以考慮從這些行業(yè)中來找。

4.公司處于何種階段會(huì)需要數(shù)據(jù)挖掘？

融到錢的公司（途徑包括各種輪和上市）對(duì)于數(shù)據(jù)挖掘的需求明顯高于其他，早在天使輪就有體現(xiàn)。就 成功融資的這些企業(yè)來講，11-15K的人在AB輪時(shí)達(dá)到頂峰 ，說明這階段應(yīng)該是數(shù)據(jù)挖掘部門急劇膨脹的階段，需要比較多的初級(jí)數(shù)據(jù)挖掘人員；21-25K的人員在ABCD和上市之后的需求保持持平，說明對(duì)于有能力的資深人士，需求是一直存在的，而且可能滿足要求的人員較少，公司之間的流動(dòng)性比較高，招聘需求一直穩(wěn)定存在。

平均收入是根據(jù)人數(shù)加權(quán)得出，從中可以看出，“成功融資”、“未融資”、“不需要融資”呈依次遞減的水平，在融資領(lǐng)域內(nèi)，平均收入水平依據(jù)成熟度而顯示逐步上升。

如果你是希望通過跳槽來獲取更高的收入11-20K，不考慮期權(quán)的因素下，成熟度高的已成功融資、如CD輪或者上市的公司是最理想的選擇 ，這些公司總體平均收入比較高，未來有進(jìn)一步上升的潛力；如果覺得競(jìng)爭(zhēng)太激烈，可以退而求其次，將目標(biāo)放在AB輪，這些公司對(duì)此檔人員的需求最高，但平均收入不一定高。（但事情一體兩面，如果你選擇時(shí)機(jī)得當(dāng)，AB輪獲得股權(quán)期權(quán)，將來成功套現(xiàn)，也將是一筆不小的收入）。

5.企業(yè)發(fā)展到何種規(guī)模需要數(shù)據(jù)挖掘？

對(duì)于11-15K的等級(jí)，在企業(yè)發(fā)展階段呈現(xiàn)先上升后下降的趨勢(shì)，其中150-500人是需求的頂峰；對(duì)于16-25K的人員，企業(yè)發(fā)展階段是持續(xù)上升的需求，其中在50-500人階段呈現(xiàn)出一個(gè)小高峰。可以理解企業(yè)在發(fā)展到150-500人之前，15K以下的數(shù)據(jù)挖掘即可滿足需要，但在之后數(shù)據(jù)量的膨脹導(dǎo)致數(shù)據(jù)的價(jià)值陡增，對(duì)于21K以上的中高級(jí)人才產(chǎn)生巨大的渴求。

從人員加權(quán)平均收入來看，隨著規(guī)模的增長是在不斷上升的，企業(yè)的發(fā)展越大，數(shù)據(jù)挖掘越容易產(chǎn)生價(jià)值。

如果你熱衷于數(shù)據(jù)挖掘領(lǐng)域創(chuàng)造價(jià)值，大公司將是不錯(cuò)的歷練平臺(tái)；但如果可以接受11-15K水平的初級(jí)人員，150-500人的公司將會(huì)是一個(gè)不錯(cuò)的跳板。

6.數(shù)據(jù)挖掘工具的運(yùn)用與收入之間的關(guān)系？

數(shù)據(jù)說明：從每個(gè)網(wǎng)頁中抓取JD說明，根據(jù)python中jieba庫進(jìn)行文本分詞，并計(jì)算出現(xiàn)頻次，并建立自己的分詞標(biāo)簽字典。

數(shù)據(jù)說明：詞頻占比=該詞詞頻/所有詞詞頻。平均每個(gè)JD中出現(xiàn)次數(shù)=詞頻/JD數(shù)。在JD中，非關(guān)系型數(shù)據(jù)庫、腳本語言和關(guān)系型數(shù)據(jù)庫是三種主要被提及的工具，平均每個(gè)job中均會(huì)提及一次以上。說明這些是必備技能。具體取了排名前30的原始詞做成云圖如下。

以Hadoop為代表的非關(guān)系型數(shù)據(jù)庫，以python和java為代表的語言，以SQL為代表的關(guān)系型數(shù)據(jù)庫構(gòu)成工具的主流。

數(shù)據(jù)說明：面積圖為對(duì)應(yīng)詞出現(xiàn)的頻次總數(shù)，折線圖為詞頻/job數(shù)量的比例、代表平均每個(gè)職位描述中出現(xiàn)某詞的頻次。

從折線圖上看，在6-15K、16-25K、26-100K三個(gè)階段內(nèi)，絕大多數(shù)工具需求都呈現(xiàn)正三角形的結(jié)構(gòu)，即“小大小”的情況，可以理解為在25K以前，薪資隨著工具的提升而不斷提升，26K以后需要有其他非軟件工具技能來獲得職業(yè)生涯的突破。

從工作數(shù)量上看， hadoop、python、java的數(shù)值很高，說明獲得絕大多數(shù)公司的認(rèn)可，所以這三門工具是在數(shù)據(jù)挖掘領(lǐng)域走向人生巔峰的必備良藥。

查看知乎原帖>>>

End.