Python or Java？大数据解读学什么说话最赚钱

3.变量Size

##此处以公司人数作为描写公司局限的尺度 
newdata<-separate(data=newdata,col=Size,into=c('Type','Rong','Number'),sep='/') 
table(newdata$Number) 
 
 15-50人   150-500人  2000人以上    50-150人  500-2000人    少于15人  
   76         139         117         119          82          11  
table(newdata$Rong) 
A轮          B轮          C轮    D轮及以上   不必要融资     上市公司       天使轮       未融资   
86           81           54           30          132           80           33           48  
##将Type去除    
newdata<-newdata[,-3] 

4.变量Welfare

Welfare<-newdata[,"Welfare"] 
##将Welfare去除 
newdata<-newdata[,-5] 
head(newdata) 

到此，数据洗濯部门内容所有竣事。

数据说明部门

1.人为与事变年限的相关

library(ggplot2) 
ggplot(newdata,aes(x=Experience,y=salary))+geom_boxplot(col="red") 

切合公共的认知，从事python的应届结业生起始人为均匀值在5K阁下，且薪资程度跨度最小，履历5-10年，人为程度跨度最大，首要也许是由于，有一部门转为技能打点岗亭，人为较低的也许还在继承码代码，是不是对宽大同胞们的告诫啊.......

2.人为与学历的相关(专科，本科，研究生，不限)

ggplot(newdata,aes(x=Graduate,y=salary))+geom_boxplot(col="red") 

这里是否能声名学历在必然水平上的重要性?学历本科的人为跨度较量大，由于事变履历的差异导致了薪资的差别。

3.人为与公司融资的相关

ggplot(newdata,aes(x=Rong,y=salary))+geom_boxplot(col="red") 

对付这部门常识是盲点，可是可以看出融资公司(上市也是一种融资方法)比没有融资的公司均匀人为要跨越不少，这部门是不是可所以往后谋事变的一个风向标。。。

4.人为与公司巨细的相关

公司局限越大，均匀的人为也越高。

5.人为与事变时刻和学历的相关

library(ggthemes) 
library(scales) 
ggplot(newdata,aes(x=Experience,y=salary,fill=factor(Graduate)))+ 
geom_boxplot()+ 
geom_hline(aes(yintercept=20),color="red",linetype="dashed",lwd=1)+ 
scale_y_continuous(labels=dollar_format())+theme_few() 

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!