数据分析一般性步骤：

明确需求理解数据数据清洗数据分析/建模数据可视化

一、明确需求

通过对BOSS直聘官网数据分析师的招聘信息进行数据分析，对求职者比较关心的去哪个城市工作f比较容易找到工作？数据分析师的发展前景如何？数据分析师的薪水怎么样等问题进行探索

二、理解数据

字段名：城市，公司全名，公司ID，公司简称，公司大小，公司所在商区，职位所属，教育要求，公司所属领域，职位ID，职位福利，职位名称，薪水（重要字段需要进行一致化处理），工作年限要求

三、提出问题

针对准备成为数据分析师的同学，如何选择就业城市和发展方向？

以下通过逻辑树，多维度拆解，对比三种分析方法对数据分析师的择业问题进行分析

四、数据清洗

数据清洗步骤：选择子集>列名重命名>删除重复值>缺失值处理>一致化处理>数据排序>异常值处理

1.选择子集

对不必要的列进行隐藏处理

2.列名重命名

双击列名进行修改

3.删除重复值

使用数据选项卡下的删除重复值对职位ID的重复值进行处理

4.缺失值处理

城市列缺失数量统计：处理后的’职位ID‘列总数减去’城市‘列总数，统计缺失结果为2个，使用开始选项卡下的定位条件对空值进行定位并补充

5.一致化处理

5.1 使用数据选项卡下的分列功能对’公司所属领域‘列进行一致化处理

5.2 对薪水列进行一致化处理

使用LEFT函数和FIND函数对薪水列提取最低薪水

使用MID函数，LEN函数和FIND函数对薪水列提取最低薪水

使用开始选项卡下的查找和替换对最低薪水和最高薪水的脏数据进行处理

6.数据排序

按平均薪水对数据进行降序排列

7.异常值处理

使用数据透视表对职位名称列不符合数据分析的岗位进行判断

在职位名称后边新增加一列使用IF函数=IF(COUNT(FIND({"分析师","数据分析","数据运营"},L2)),"是","否")进行数据分析岗位的筛选，最后利用筛选工具删除判定为否的岗位

最终处理后还剩下2294条有效数据

四、数据分析/可视化

问题一、去哪个城市工作？

通过数据透视表对数据分析师的职位数按城市和工作年限要求来汇总，发现对于应届生来说北京、上海招聘需求多一些，总体来说一线城市像北京、上海、深圳对于数据分析师的需求更多一些

问题二、不同城市的平均薪水怎么样？

通过数据透视表对数据分析师的平均薪水按不同城市来进行分析，发现深圳的平均薪水最高，北京仅居次位，上海排名第三，北上广和珠三角一带数据分析师的薪水普遍偏高

问题三、工作经验不同，薪水是怎样变化的？

通过数据透视表对数据分析师的平均薪水按不同工作年限进行分析，数据分析师的薪资随着工作年限的增加呈线性增长趋势，说明数据分析师这个工作比较看重工作经验，职业发展的空间也比较大

问题四、数据分析师对于学历的要求怎么样？

通过数据透视图可以发现，数据分析师对于学历的要求73%的岗位以本科为最低要求，其次大专要求为15%，研究生及七以上占了大约10%

问题五、不同行业对于数据分析师的需求

通过数据透视图可以发现，移动互联网、金融、电子商务对于数据分析师的需求达到了达到了所有招聘行业中的70%，建议入行数据分析师的同学可以考虑以上三个行业作为职业发展的方向

五、结论与建议

根据以上分析可以得出以下五点结论

1、不同城市对于工作年限的要求？

对数据分析师需求排名前三的城市分别是北京、上海、深圳，这三个城市对于数据分析师的工作年限要求有一个共同特点，普遍要求数据分析师具有1~3年或3~5年的工作经验。

2、不同城市平均薪资对比

数据分析师平均薪资排名前三的城市分别是深圳、北京、上海，平均薪资在14~15k

3、工作经验的累积，薪资变化趋势

数据分析师的薪资增长随工作经验的积累呈线性增长状态

4、数据分析师对于学历要求的占比情况

数据分析师对于学历的要求73%的岗位以本科为最低要求，其次大专要求为15%，研究生及七以上占了大约10%

5、不同行业对于数据分析师的需求量

移动互联网、金融、电子商务对于数据分析师的需求达到了达到了所有招聘行业中的70%，建议入行数据分析师的同学可以考虑以上三个行业作为职业发展的方向

建议：建议准备成为数据分析师的同学可以选择去北京、上海、广州、深圳等一线城市发展，选择职业方向可以优先考虑移动互联网、电子商务、金融这三个职业发展方向，在平时的工作中注意数据分析思维的运用，通过挖掘数据背后的信息，为公司业务的发展提供主力，体现职位的价值