kaggle之数据分析从业者用户画像分析

数据为kaggle社区发布的数据分析从业者问卷调查分析报告，其中涵盖了关于该行业不同维度的问题及调查结果。本文的目的为提取有用的数据，进行描述性展示。帮助新从业的人员更全方位地了解这个行业。

参考学习视频:http://www.tianshansoft.com/

数据集：https://pan.baidu.com/s/1o7BFzFO

变量说明

数据中包含228个变量，提取其中的一些较有价值的变量进行描述性分析

• 数据处理

survey <-read.csv(stringsAsFactors = F,file = 'F:\\R/数据科学社区调查/multipleChoiceResponses.csv',header=T,sep=',')
class(survey)
table(survey$Country) #统计每个国家参与人数

查看国家时，发现国家中中国被切分成共和国，民国，台湾，此处自行统一为中国

#将大陆，中华民国，台湾统一为中国
survey$Country <- ifelse(survey$Country=="People 's Republic of China"| survey$Country=='Republic of China'| survey$Country=='Taiwan','China',survey$Country)

数据描述性展示

• 探索数据从业者中年龄最小(中位数)的十个国家

#将数据按国家分类，并求年龄的中位数
Country_age <- survey %>% group_by(Country) %>% summarise(Age_median=median(Age,na.rm = T)) %>%arrange(Age_median)
head(Country_age)

#绘图，探索数据科学从业者年龄中位数最小的十个国家
p1 <-ggplot(data = head(Country_age,10),aes(reorder(Country,Age_median),Age_median,fill=Country))+geom_bar(stat='identity')+coord_flip()+labs(x='年龄',y='国家',title='探索不同国家数据从业者的平均年龄')+geom_text(aes(label=round(Age_median,0)),hjust=1.5)+theme(legend.position = 'none',plot.title=element_text(hjust = 0.3))

#绘图，探索数据科学从业者年龄中位数最大的十个国家
p2 <- ggplot(data = tail(Country_age,10),aes(reorder(Country,Age_median),Age_median,fill=Country))+geom_bar(stat='identity')+coord_flip()+labs(x='年龄',y='国家')+geom_text(aes(label=round(Age_median,0)),hjust=1.5)+theme(legend.position = 'none')

#合并两张图
library(Rmisc)
multiplot(p1,p2,cols = 1)

可以看到，按年龄中位数排列的话，亚洲国家在年龄较小的十个国家中占了七席，其中年龄中位数最小的国家为印度尼西亚和越南，只有24岁。中国的数据从业者集中在26岁。而年龄中位数最大的国家中，欧洲国家占了六席，且几乎都为发达国家。可见发达国家在数据科学领域已经有多年的发展。

探索数据从业者的职位名称分类

首先对数据整理，得出受访人数最多的前十个职位，且降序排列

#数据科学从业者的职位分类
jobtitle<-table(survey$CurrentJobTitleSelect)%>%  #统计频数as.data.frame()%>%                           #转化为数据框arrange(desc(Freq))                    #按频数倒序排列(大在前)
jobtitle <- jobtitle[-1,]               #人数最多的一行为空值，即职业一栏无填写

接下来进行绘图，将数据可视化

ggplot(data=head(jobtitle,10),aes(x=reorder(Var1,Freq),Freq,fill=Var1))+  #选取受访人数最多的前十个职业geom_bar(stat = 'identity')+labs(x='职业',y='人数',title='受访人数最多的十个职位')+              coord_flip()+                         #翻转坐标轴geom_text(aes(label=Freq),hjust=1.5)+    #添加数据标签theme(legend.position = 'none',plot.title = element_text(hjust = 0.2))          #去除图例，调整标题位置

从图中可看出数据科学家参加问卷调查的人数最多，达2433人。排名第十的为程序员，只有462人

探索中美两国受访者的职业分类

• 处理数据

diff_nation <- survey[which(survey$Country=='China'),]      #提取出国家为中国的调查者信息
diff_nation1 <- survey[which(survey$Country=='United States'),]  #提取出国家为美国的调查者信息
china_jobtitle <- table(diff_nation$CurrentJobTitleSelect)%>%as.data.frame()%>%arrange(desc(Freq)) #探索在中国的受访人数较多职位
usa_jobtitle <- table(diff_nation1$CurrentJobTitleSelect)%>%as.data.frame()%>%arrange(desc(Freq)) #探索在美国的受访人数较多职位

图中可看到,中国的受访者中，有361人没有填写当前职位这一栏。美国也有1072人。在绘图的过程中，需要将这些空值筛选掉

• 绘图

p3<-ggplot(china_jobtitle[c(2:11),],aes(reorder(Var1,Freq),Freq,fill=Var1))+  #数据集中国前十位热门职业geom_bar(stat = 'identity')+labs(x='职业',y='受访人数(中国)',title='中美两国受访者的当前职位对比')+coord_flip()+                  #翻转坐标轴geom_text(aes(label=Freq),hjust=1)+
theme(legend.position = 'none',plot.title = element_text(size = 15,face = 'bold.italic')) #去除图例,设置标题大小,字体

p4<-ggplot(usa_jobtitle[c(2:11),],aes(reorder(Var1,Freq),Freq,fill=Var1))+  #数据集中国前十位热门职业geom_bar(stat = 'identity')+labs(x='职业',y='受访人数(美国)')+coord_flip()+                  #翻转坐标轴geom_text(aes(label=Freq),hjust=1)+theme(legend.position = 'none')
#合并两图
multiplot(p3,p4)       

图中可看出，中国的受访者中，人数最多的为数据挖掘工程师，共66人，而美国受访者中最多的为数据科学家，共773人。排在第二位的皆为软件开发工程师。

探索数据科学从业者明年将学习的学习工具

• 数据处理

study_tool <- table(survey$MLToolNextYearSelect) %>%   as.data.frame()%>%arrange(desc(Freq))

• 绘图

绘图过程与前面大同小异，所以可将绘图函数封装，代入变量即可

##############============封装绘图函数========#####################
fun1 <-function(data1,xlab1,ylab1,xname1,yname1,titlename1){ggplot(data = data1,aes(x=xlab1,y=ylab1,fill=xlab1))+geom_bar(stat = 'identity')+labs(x=xname1,y=yname1,title=titlename1)+coord_flip()+                  #翻转坐标轴geom_text(aes(label=ylab1),hjust=1)+   #数据标签theme(legend.position = 'none',plot.title = element_text(size = 15,face = 'bold.italic')) #去除图例,设置标题大小,字体
}
########################################################################  

代入变量

#function(data,xlab1,ylab1,var1,xname1,yname1,titlename1)
data   <- study_tool[c(2:11),]
xname1 <- '明年将学习的学习工具'
yname1 <- '人数'
titlename1 <- '受访者明年将学习的学习工具调查'
fun1(data,reorder(data$Var1,data$Freq),data$Freq,xname1,yname1,titlename1)

图中可看到，学习TensorFlow将成为明年的趋势，在受访者中，学习的人数达2621人之多。而接下来为python和R。可以预见，这3项将成为以后的主流学习工具。

探索中美两国数据科学从业者明年将学习的学习工具

• 数据提取

china_studytool <- survey %>% filter(survey$MLToolNextYearSelect !=''&Country=='China') %>%group_by(MLToolNextYearSelect) %>%summarise(count=n())%>%              #n() 汇总arrange(desc(count))

以上为提取中国受访者明年将学习的学习工具数据。

图中可见，中国数据科学从业者明年即将学习的学习工具热度较高的为Python，TensorFlow，Spark，jupyter，R。而美国为TensorFlow，python，sparkR，其他，比较符合国际趋势。

探索数据科学从业者明年将学习的机器学习方法

可以看到，当前的机器学习趋势为深度学习，神经网络，时间序列分析，贝叶斯方法，文本挖掘等。对机器学习方法感兴趣的从业者不妨做个参考。

从业者对新手的建议

• 推荐的编程语言

python，R，SQL是入门机器学习的必备技能