|
七周成为数据分析师—Excel实战篇
本文是《如何快速成为数据分析师》的第三篇教程，如果想要了解写作初衷，可以先行阅读七周指南。温馨提示：如果您已经熟悉Excel，大可不必再看这篇文章，或只挑选部分。 在Excel技巧和Excel函数后，今天这篇文章讲解实战，如何运用上两篇文章的知识进行分析。内容是新手向的基础教程。 曾经有童鞋向我反应没有Excel数据练习，所以这次提供真实数据。为了更好的了解数据分析师这个岗位，我用爬虫爬取了招聘网站上约5000条的数据分析师职位数。拿数据分析师进行数据分析。 数据真实来源于网络，属于网站方，请勿用于商业用途 操作版本：Excel 2016 Mac版。文件大小约2M。 原始数据最好另外保存一份，后期数据可视化、SQL、Python的教程都会用到（主要我懒得找其他数据了）。 演示过程分为五个步骤：明确目的，观察数据，清洗数据，分析过程，得出结论。 这也是通常数据分析的简化流程。 明确目的 数据分析的大忌是不知道分析方向和目的，拿着一堆数据不知所措。一切数据分析都是以业务为核心目的，而不是以数据为目的。 数据用来解决什么问题？ 是进行汇总统计制作成报表？ 是进行数据可视化，作为一张信息图？ 是验证某一类业务假设？ 是希望提高某一个指标的KPI？ 永远不要妄图在一堆数据中找出自己的结论，太难。目标在前，数据在后。哪怕给自己设立一个很简单的目标，例如计算业务的平均值，也比没有方向好。因为有了平均值可以想数字比预期是高了还是低了，原因在哪里，数据靠谱吗？为了找出原因还需要哪些数据。 既然有五千多条数据分析师的岗位数据。不妨在看数据前想一下自己会怎么运用数据。 数据分析师是一个什么样的岗位？ 它的工资和薪酬是多少？ 它有什么特点，需要掌握哪些能力？ 哪类公司更会招聘数据分析师？ 等等。有了目标和方向后，后续则是将目标拆解为实际过程。
观察数据 拿出数据别急切计算，先观察数据。 字段名称都是英文，我是通过Json获取的数据，所以整体数据都较为规整。往后绝大部分的数据源的字段名都是英文。因为比起拼音和汉字，它更适合编程环境下。 先看一下columns的含义。 city：城市 companyFullName：公司全名 companyId：公司ID companyLabelList：公司介绍标签 companyShortName：公司简称 companySize：公司大小 businessZones：公司所在商区 firstType：职位所属一级类目 secondType：职业所属二级类目 education：教育要求 industryField：公司所属领域 positionId：职位ID positionAdvantage：职位福利 positionName：职位名称 positionLables：职位标签 salary：薪水 workYear：工作年限要求 数据基本涵盖了职位分析的所需。职位中的职位描述没有抓下来，一来纯文本不适合这次初级分析，二来文本需要分词以及文本挖掘，后续有机会再讲。 首先看一下哪些字段数据可以去除。companyId和positionId是数据的唯一标示，类似该职位的身份证号，这次分析用不到关联vlookup，我们先隐藏。companyFullName和companyShortName则重复了，只需要留一个公司名称，companyFullName依旧隐藏。 尽量不删除数据，而是隐藏，保证原始数据的完整，谁知道以后会不会用到呢？
接下来进行数据清洗和转换。因为只是Excel级别的数据分析，不会有哑变量离散化标准化的操作。我简单归纳一下。 数据有无缺失值
数据的缺失值很大程度上影响分析结果。引起缺失的原因很多，例如技术原因，爬虫没有完全抓去，例如本身的缺失，该岗位的HR没有填写。 如果某一字段缺失数据较多（超过50%），分析过程中要考虑是否删除该字段，因为缺失过多就没有业务意义了。 Excel中可以通过选取该列，在屏幕的右下角查看计数，以此判别有无缺失。 companyLabelList、businessZones、positionLables都有缺失，但不多。不影响实际分析。 数据是否一致化 一致化指的是数据是否有统一的标准或命名。例如上海市数据分析有限公司和上海数据分析有限公司，差别就在一个市字，主观上肯定会认为是同一家公司，但是对机器和程序依旧会把它们认成两家。会影响计数、数据透视的结果。 我们看一下表格中的positionName
各类职位千奇百怪啊，什么品牌保护分析师实习生、足球分析师、商业数据分析、大数据业务分析师、数据合同管理助理。并不是纯粹的数据分析岗位。 为什么呢？这是招聘网站的原因，有些职位明确为数据分析师，有些职位要求具备数据分析能力，但是又干其他活。招聘网站为了照顾这种需求，采用关联法，只要和数据分析相关职位，都会在数据分析师的搜索结果中出现。我的爬虫没有过滤其他数据，这就需要手动清洗。 这会不会影响我们的分析？当然会。像大数据工程师是数据的另外发展方向，但不能归纳到数据分析岗位下，后续我们需要将数据分析强相关的职位挑选出来。 数据是否有脏数据 脏数据是分析过程中很讨厌的环节。例如乱码，错位，重复值，未匹配数据，加密数据等。能影响到分析的都算脏数据，没有一致化也可以算。 我们看表格中有没有重复数据。 这里有一个快速窍门，使用Excel的删除重复项功能，快速定位是否有重复数据，还记得positionId么？因为它是唯一标示，如果重复了，就说明有重复的职位数据。看来不删除它是正确的。 对positionId列进行重复项删除操作
有1845个重复值。数据重复了。这是我当时爬取完数据时，将北京地区多爬取一次人为制作出的脏数据。接下来全选所有数据，进行删除重复项，保留5032行（含表头字段）数据。 数据标准结构 数据标准结构，就是将特殊结构的数据进行转换和规整。 表格中，companyLableList就是以数组形式保存（JSON中的数组）
看来福利倒是不错，哈哈，不过这会影响我们的分析。businessZones、positionAdvantage和positionLables也是同样问题，我们后续得将这类格式拆分开来。
薪水的话用了几K表示，但这是文本，并不能直接用于计算。而且是一个范围，后续得按照最高薪水和最低薪水拆成两列。 OK，数据大概都了解了，那么下一步就是将数据洗干净。
数据清洗 数据清洗可以新建Sheet，方便和原始数据区分开来。 先清洗薪水吧，大家肯定对钱感兴趣。将salary拆成最高薪水和最低薪水有三种办法。 一是直接分列，以"-"为拆分符，得到两列数据，然后利用替换功能删除 k这个字符串。得到结果。 二是自动填充功能，填写已填写的内容自动计算填充所有列。但我这个版本没有，就不演示了。 三是利用文本查找的思想，重点讲一下这个。先用 =FIND("k",O2,1)。查找第一个K（最低薪酬）出现的位置。
我们知道第一个k出现的位置，此时=LEFT(O2,FIND("k",O2,1))得到的结果就是 7K，要去除掉k，FIND("k",O2,1)再减去1即可。
最高薪水也是同样的思路，但不能使用k，因为第二个薪水位置不固定。需要利用find查找"-"位置,然后截取 从"-" 到最后第二个位置的字符串。 =MID(O2,FIND("-",O2,1)+1,LEN(O2)-FIND("-",O2,1)-1)
因为薪水是一个范围，我们不可能拿范围计算平均工资。那怎么办呢？我们只能取最高薪水和最低薪水的平均数作为该岗位薪资。这是数据来源的缺陷，因为我们并不能知道应聘者实际能拿多少。这是薪水计算的误差。
我们检查一下有没有错误，利用筛选功能快速定位。
居然有#VALUE！错误，看一下原因。
原来是大写K，因为find对大小写敏感，此时用search函数，或者将K替换成k都能解决。 另外还有一个错误是很多HR将工资写成5K以上，这样就无法计算topSalar。为了计算方便，将topSalary等于bottomSalary，虽然也有误差。 这就是我强调数据一致性的原因。 companyLabelList是公司标签，诸如技能培训啊、五险一金啊等等。直接用分列即可。大家需要注意，分列会覆盖掉右列单元格，所以记得复制到最后一列再分。
符号用搜索替换法删除即可。 positionLables、positionAdvantage、businessZones同样也可以用分列法。如果观察过数据会知道，companyLabelList公司标签都是固定的内容，而其他三个不是。这些都是HR自己填写，所以就会有各种乱七八糟不统一的描述。
这些内容均是自定义，没有特别大的分析价值。如果要分析，必须花费很长的时间在清洗过程。主要思路是把这些内容统一成几十个固定标签。在这里我将不浪费时间讲解了，主要利用Python分词和词典进行快速清洗。 因为时间和性价比问题，positionAdvantage和businessZones我就不分列了。只清洗positionLables职位标签。某一个职位最多的标签有13个。 ['实习生', '主管', '经理', '顾问', '销售', '客户代表', '分析师', '职业培训', '教育', '培训', '金融', '证券', '讲师'] 这个职位叫金融证券分析师助理讲师助理，我真不知道为什么实习生、主管、经理这三个标签放在一起，我也是哔了狗了。反正大家数据分析做久了，会遇到很多Magic Data。 接下来是positionName，上文已经讲过有各种乱七八糟或非数据分析师职位，所以我们需要排除掉明显不是数据分析师的岗位。 单独针对positionName用数据透视表。统计各名称出现的次数。
出现次数为3次以下的职位，有约一千，都是各类特别称谓，HR你们为什么要这样写…要这样写…这样写。更改职位名称似乎不现实，那就用关键词查找的思路，找出包含有数据分析、分析师、数据运营等关键词的岗位。虽然依旧会有金融分析师这类非纯数据的岗位。 用find和数组函数结合 =IF(COUNT(FIND({"数据分析","数据运营","分析师"},M33)),"1","0")，shift+ctrl+enter输入。就得到了多条件查找后的结果。 单纯的find 只会查找数据分析这个词，必须嵌套count才会变成真数组。
1为包含，0不包含。将1过滤出来，这就是需要分析的最终数据。 当然大家如果感兴趣，也可以看一下大数据工程师，数据产品经理这些岗位。 分析过程 分析过程有很多玩法。因为主要数据均是文本格式，所以偏向汇总统计的计算。如果数值型的数据比较多，就会涉及到统计、比例等概念。如果有时间类数据，那么还会有趋势、变化的概念。 整体分析使用数据透视表完成，先利用数据透视表获得汇总型统计。
看来北京的数据分析岗位机会远较其他城市多。1-3年和3-5年两个时间段的缺口更大。应届毕业生似乎比1年一下经验的更吃香。爬取时间为11月，这时候校招陆续开始，大公司会有闲暇校招，实际岗位应该更多。小公司则倾向发布。这是招聘网站的限制。 看一下公司对数据分析师的缺口如何。
似乎是公司越大，需要的数据分析师越多。 但这样的分析并不准确。因为这只是一个汇总数据，而不是比例数据，我们需要计算的是不同类型企业人均招聘数。 如果北京的互联网公司特别多，那么即使有1000多个岗位发布也不算缺口大，如果南京的互联网公司少，即使只招聘30个，也是充满需求的。 还有一种情况是企业刚好招聘满数据分析师，就不发布岗位了，数据包含的只是正在招聘数据分析师的企业，这些都是限制分析的因素。我们要明确。 有兴趣大家可以深入研究。 看一下各城市招聘Top5公司。
北京的美团以78个数据分析职位招聘力压群雄，甚至一定程度上拉高了北京的数据。而个推则在上海和杭州都发布了多个数据分析师职位，不知道是HR的意外，还是要大规模补充业务线（在我写这篇文章的时候，约有一半职位已经下线）。 比较奇怪的是阿里巴巴并没有在杭州上榜，看来是该阶段招聘需求不大，或者数据分析师有其他招聘渠道。 没有上榜不代表不要数据分析师，但是上榜的肯定现阶段对数据分析师有需求。 我们看一下数据分析师的薪水，可能是大家最感兴趣的了。
我们看到南京、西安在应届生中数据最高，是因为招聘职位不多，因为单独一两个企业的高薪影响了平均数，其余互联网二线城市同理。当工作年限达到3年以上，北上深杭的数据分析师薪资则明显高于其他城市。 数据会有误差性么？会的，因为存在薪资极值影响。而数据透视表没有中位数选项。我们也可以单独用分位数进行计算，降低误差。 薪资可以用更细的维度计算，比如学历、比如公司行业领域，是否博士生远高于本科生，是否金融业薪资高于O2O。 另外数据分析师的薪资，可能包括奖金、年终奖、季度奖等隐形福利。部分企业会在positionAdvantage的内容上说明，大家可以用筛选过滤出16薪这类关键词。作为横向对比。
我们看一下数据分析的职位标签，数据透视后汇总。
分析师、数据、数据分析是最多的标签。除此以外，需求分析，BI，数据挖掘也出现在前列。看来不少数据分析师的要求掌握数据挖掘，将标签和薪水关联，是另外一种分析思路。职位标签并不是最优的解法，了解一个职位最好的必然是职位描述。 分析过程不多做篇幅了，主要使用数据透视表进行多维度分析，没有其他复杂的技巧。下图很直观的展现了多维度的应用。
我们的分析也属于多维度，城市、工作年限、企业大小、企业领域等，利用不同维度形成一个直观的二位表格，而维度则是通过早期的数据清洗统一化标准化。这是一种很常见的分析技巧。 后续的数据报告，涉及到可视化制作，因为字不如表、表不如图，就放在第二周讲解了。 最后多说几下： 1.最好的分析，是拿数据分析师们的在职数据，而不是企业招聘数据。 2.承认招聘数据的非客观性，招聘要求与对数据分析师的实际要求是有差异的。 如果这个数据大家还有其他好玩的，可以一并告诉我。
本文转自知乎专栏：运营大湿兄，作者：秦路
文章链接为：https://zhuanlan.zhihu.com/p/24084300[url=https://zhuanlan.zhihu.com/p/23345231][/url]侵删
| 
谢谢！
