秋招临近不少同学最头疼的问题不是算法题刷得不够而是简历上缺少一个“能讲清楚、能动手写出来、能应对面试官追问”的项目。网上的项目教程要么只讲某个零散功能要么代码贴一半留一半真正能从环境搭建、数据准备、数据库设计再到可视化展示一条龙跑通的教程并不多。这篇文章就围绕一个非常贴近业务场景的案例展开使用 Python 连接 MySQL对 BOSS 直聘的岗位数据做清洗、聚合与可视化分析。文中的数据集为脱敏后的模拟数据仅用于技术学习和项目演示。项目会完整覆盖数据表设计、Python 操作 MySQL、Pandas 数据清洗、Pyecharts 可视化图表生成等环节并且提供可直接运行的源码和数据集文件结构。无论你是准备秋招的应届生还是想充实简历项目经验的开发者都可以照着本文一步步复现整个流程。阅读本文后你将掌握如何设计一张合理的岗位信息数据表如何使用 Python 连接 MySQL 并完成数据入库如何用 Pandas 做数据清洗和聚合统计如何用 Pyecharts 生成柱状图、饼图、地图等可视化图表如何把项目整理成简历上能写、面试时能讲的项目经验。整个项目的代码量不大但链路完整非常适合作为数据分析和 Python 后端方向的入门级实战项目。1. 项目背景与需求分析1.1 为什么要做“招聘岗位数据分析”每年的春秋招季节求职者都会面临一个共同问题岗位信息太多、太杂薪资范围跨度大职位要求也各不相同。如果只靠肉眼看招聘网站很难快速判断当前市场上 Java、Python、前端、算法等岗位的薪资分布、学历要求、经验要求到底是什么水平。如果把招聘网站的岗位数据存到 MySQL 里再用 Python 做统计分析最后用图表可视化展示就能把“岗位多、信息杂”的问题变成一个清晰的数据看板。这类项目非常贴近真实业务场景同时涵盖了数据采集模拟、数据存储、数据清洗、数据分析和可视化展示的完整流程是简历中含金量很高的一段项目经验。1.2 项目需求拆解从技术实现角度看这个项目可以拆成下面几个模块模块功能说明核心技术数据准备生成或准备岗位 CSV 数据集CSV、Pandas数据入库把 CSV 数据写入 MySQL 数据库PyMySQL、MySQL数据清洗处理空值、薪资范围转换、字段统一Pandas数据聚合按城市、学历、经验、薪资分组统计Pandas、SQL可视化展示生成图表直观展示分析结果Pyecharts项目文档整理需求、设计、实现和部署说明Markdown1.3 项目最终效果完成后的项目可以输出多张数据图表例如各城市岗位数量 TOP10 柱状图岗位薪资区间分布饼图学历要求分布饼图工作经验要求分布柱状图热门岗位平均薪资横向柱状图全国岗位薪资分布地图可选。这些图表能直观反映招聘市场的基本情况哪怕数据量不大也能完整演示“数据处理 - 入库 - 分析 - 可视化”的技术链路。2. 环境准备与版本说明2.1 基础环境要求编写本文示例时使用了以下环境配置。具体版本可以根据你的本机环境灵活调整核心是保证 Python 能连接 MySQL并能正常安装第三方库。软件建议版本说明操作系统Windows 10/11 或 macOS本文以 Windows 为例Python3.8 以上推荐 3.9/3.10MySQL5.7 或 8.0本文示例基于 MySQL 8.0Navicat / MySQL Workbench可选用于可视化查看数据表IDEPyCharm 或 VS Code按个人习惯选择版本需要根据你的项目实际情况调整本文示例以常见环境为例重点演示配置思路。2.2 Python 第三方库安装进入项目虚拟环境后执行以下命令安装依赖库pip install pymysql pandas pyecharts各库的作用说明pymysqlPython 操作 MySQL 的驱动库负责建立连接、执行 SQLpandas数据处理库用于读取 CSV、清洗数据、分组聚合pyecharts基于 ECharts 的 Python 可视化库可以生成交互式 HTML 图表。如果下载速度较慢可以换成国内镜像源pip install pymysql pandas pyecharts -i https://pypi.tuna.tsinghua.edu.cn/simple2.3 MySQL 准备需要提前在本地安装 MySQL并保证服务已启动。同时创建好项目专用的数据库例如job_analysisCREATE DATABASE IF NOT EXISTS job_analysis DEFAULT CHARACTER SET utf8mb4;如果还没有安装 MySQL可以参考官方文档或菜鸟教程完成安装。安装完成后请记住 root 用户的密码后续 Python 连接数据库时需要用到。3. MySQL 数据表设计3.1 表结构设计原则在设计岗位信息表之前先思考一个问题一条招聘岗位信息包含哪些字段一般来说至少应该包含岗位名称公司名称城市薪资范围最低薪资、最高薪资学历要求工作经验要求发布时间职位标签、福利标签。为了保证后续统计方便薪资字段建议拆分成年薪最低值和年薪最高值而不是直接存一个字符串。这样在计算平均薪资时可以直接用(min_salary max_salary) / 2得到中间值。3.2 建表 SQL在job_analysis数据库中创建岗位信息表USE job_analysis; CREATE TABLE IF NOT EXISTS job_info ( id INT PRIMARY KEY AUTO_INCREMENT COMMENT 主键ID, job_name VARCHAR(100) NOT NULL COMMENT 岗位名称, company_name VARCHAR(100) NOT NULL COMMENT 公司名称, city VARCHAR(50) NOT NULL COMMENT 工作城市, min_salary INT NOT NULL COMMENT 最低年薪(万), max_salary INT NOT NULL COMMENT 最高年薪(万), education VARCHAR(20) DEFAULT 不限 COMMENT 学历要求, experience VARCHAR(20) DEFAULT 经验不限 COMMENT 经验要求, publish_time DATE COMMENT 发布日期, tags VARCHAR(255) COMMENT 职位标签, create_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP COMMENT 入库时间 ) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COMMENT招聘岗位信息表;设计说明使用utf8mb4字符集可以正常存储中文和特殊符号min_salary和max_salary使用INT类型存储数值方便聚合计算tags字段用逗号分隔保存职位标签属于反规范化设计适合标签类数据展示场景添加create_time字段记录数据入库时间便于后续排查数据问题。4. 数据准备与数据集说明4.1 数据集来源说明需要提前说明本文使用的数据集是模拟脱敏数据并非 BOSS 直聘官方数据也不涉及任何真实企业或个人信息。项目演示的是完整的数据分析处理链路你可以用任意招聘平台公开的样本数据替换。4.2 构造示例数据集在项目根目录下创建data/raw/job_data.csv文件数据格式如下job_name,company_name,city,min_salary,max_salary,education,experience,publish_time,tags Java开发工程师,北京某科技有限公司,北京,20,40,本科,3-5年,2025-09-01,Java,Spring,后端 Python开发工程师,上海某网络公司,上海,18,35,本科,1-3年,2025-09-02,Python,Django,后端 数据分析师,杭州某数据公司,杭州,15,30,本科,1-3年,2025-09-03,数据分析,SQL,可视化 前端开发工程师,深圳某互联网公司,深圳,16,32,本科,1-3年,2025-09-04,JavaScript,Vue,React 算法工程师,北京某人工智能公司,北京,30,60,硕士,3-5年,2025-09-05,算法,机器学习,深度学习 ...实际演示时数据集一般包含几百条到几千条记录数据量越大统计结果越有说服力。如果没有现成数据可以在项目代码中利用 Python 随机生成模拟数据但生成时要保证字段值符合真实业务逻辑。4.3 项目目录结构整个项目的推荐目录结构如下boss-job-analysis/ ├── data/ │ ├── raw/ │ │ └── job_data.csv │ └── output/ │ └── charts/ ├── sql/ │ └── create_table.sql ├── src/ │ ├── db_conn.py │ ├── import_data.py │ ├── clean_data.py │ ├── analysis.py │ └── visualize.py ├── requirements.txt └── README.md这样拆分的好处是每个文件职责单一后续扩展和维护都比较方便。5. Python 连接 MySQL数据入库5.1 创建数据库连接工具类在src/db_conn.py中编写数据库连接逻辑# 文件路径src/db_conn.py import pymysql def get_connection(): 获取 MySQL 数据库连接 conn pymysql.connect( host127.0.0.1, userroot, passwordyour_password, databasejob_analysis, charsetutf8mb4, cursorclasspymysql.cursors.DictCursor ) return conn参数说明hostMySQL 服务地址本机使用127.0.0.1或localhostuser数据库用户名默认rootpassword你自己的数据库密码database目标数据库名称charset字符集使用utf8mb4保证中文正常读写cursorclass使用字典游标查询结果以字典形式返回方便后续处理。5.2 将 CSV 数据写入 MySQL在src/import_data.py中实现数据入库逻辑# 文件路径src/import_data.py import pandas as pd from db_conn import get_connection def import_csv_to_mysql(csv_path): 读取 CSV 文件并写入 MySQL 数据库 df pd.read_csv(csv_path) conn get_connection() try: with conn.cursor() as cursor: for _, row in df.iterrows(): sql INSERT INTO job_info (job_name, company_name, city, min_salary, max_salary, education, experience, publish_time, tags) VALUES (%s, %s, %s, %s, %s, %s, %s, %s, %s) cursor.execute(sql, ( row[job_name], row[company_name], row[city], row[min_salary], row[max_salary], row[education], row[experience], row[publish_time], row[tags] )) conn.commit() print(f成功导入 {len(df)} 条数据) except Exception as e: conn.rollback() print(f数据导入失败: {e}) finally: conn.close()这里需要注意几个细节使用with conn.cursor()创建游标执行完自动释放使用参数化 SQL%s占位符避免 SQL 注入风险全部插入成功后commit()发生异常时rollback()回滚循环插入适用于数据量不大的场景如果数据量非常大可以使用executemany()批量插入。调用方式if __name__ __main__: import_csv_to_mysql(../data/raw/job_data.csv)运行后可以在 Navicat 或 MySQL 命令行中确认数据是否成功写入SELECT COUNT(*) FROM job_info;6. 数据清洗与加工数据入库后不一定能直接用于分析。原始数据往往存在以下问题薪资字段类型不统一城市字段含有空格或“全国”等无效值学历、经验字段命名不规范发布日期存储格式不一致。因此在分析前需要对数据做清洗。为了演示方便我们直接从 MySQL 读取数据再做加工处理。6.1 读取数据库数据# 文件路径src/clean_data.py import pandas as pd from db_conn import get_connection def load_data_from_mysql(): 从 MySQL 读取岗位数据 conn get_connection() sql SELECT * FROM job_info df pd.read_sql(sql, conn) conn.close() return df def clean_data(df): 数据清洗 1. 去除空值 2. 统一城市字段 3. 计算平均薪资 # 删除关键字段为空的行 df df.dropna(subset[job_name, city, min_salary, max_salary]) # 去除城市字段前后空格 df[city] df[city].str.strip() # 过滤无效城市 df df[df[city] ! ] # 计算平均年薪单位万元 df[avg_salary] (df[min_salary] df[max_salary]) / 2 return df6.2 数据聚合统计接下来可以按不同维度做聚合统计。例如统计各城市岗位数量# 文件路径src/analysis.py import pandas as pd from clean_data import load_data_from_mysql, clean_data def city_job_count(df): 统计各城市岗位数量 result df.groupby(city)[id].count().reset_index() result.columns [city, job_count] result result.sort_values(job_count, ascendingFalse) return result def education_distribution(df): 统计学历要求分布 result df.groupby(education)[id].count().reset_index() result.columns [education, count] result result.sort_values(count, ascendingFalse) return result def avg_salary_by_job(df): 统计热门岗位平均薪资 result df.groupby(job_name)[avg_salary].mean().reset_index() result.columns [job_name, avg_salary] result result.sort_values(avg_salary, ascendingFalse) return resultPandas 的groupby是统计分析中使用频率非常高的方法配合reset_index()可以将分组结果恢复成规范的数据表结构。聚合后的 DataFrame 可以直接传给 Pyecharts 进行绘图。7. 数据可视化实战7.1 可视化工具选型Python 领域常用的可视化方案有 Matplotlib、Seaborn、Plotly、Pyecharts 等。本文选用 Pyecharts因为它生成的图表是 HTML 页面交互体验好缩放、悬停提示、导出图片都非常方便适合做数据看板类项目。7.2 生成“各城市岗位数量 TOP10”柱状图# 文件路径src/visualize.py from pyecharts.charts import Bar from pyecharts import options as opts def draw_city_bar(city_data): 绘制各城市岗位数量柱状图 city_data: DataFrame包含 city 和 job_count 两列 top10 city_data.head(10) bar ( Bar() .add_xaxis(top10[city].tolist()) .add_yaxis(岗位数量, top10[job_count].tolist()) .set_global_opts( title_optsopts.TitleOpts(title各城市岗位数量 TOP10), xaxis_optsopts.AxisOpts(axislabel_optsopts.LabelOpts(rotate45)), ) ) bar.render(../data/output/charts/city_job_count.html)7.3 生成“学历要求分布”饼图from pyecharts.charts import Pie def draw_education_pie(edu_data): 绘制学历要求分布饼图 data_pair list(zip(edu_data[education], edu_data[count])) pie ( Pie() .add(, data_pair, radius[30%, 65%]) .set_global_opts( title_optsopts.TitleOpts(title学历要求分布), legend_optsopts.LegendOpts(orientvertical, pos_top15%, pos_left2%), ) .set_series_opts(label_optsopts.LabelOpts(formatter{b}: {d}%)) ) pie.render(../data/output/charts/education_pie.html)7.4 生成“热门岗位平均薪资”横向柱状图def draw_salary_bar(salary_data): 绘制热门岗位平均薪资横向柱状图 top salary_data.head(10) bar ( Bar() .add_xaxis(top[job_name].tolist()) .add_yaxis(平均年薪(万), top[avg_salary].tolist()) .reversal_axis() .set_global_opts( title_optsopts.TitleOpts(title热门岗位平均薪资 TOP10), yaxis_optsopts.AxisOpts(axislabel_optsopts.LabelOpts(font_size10)), ) ) bar.render(../data/output/charts/salary_bar.html)7.5 生成“城市岗位薪资地图”如果希望进一步展示全国范围内的薪资分布可以使用 Pyecharts 的地图组件。地图组件需要额外安装地图扩展包pip install echarts-countries-pypkg绘制地图代码如下from pyecharts.charts import Map def draw_salary_map(city_data): 绘制城市平均薪资地图 data_pair list(zip(city_data[city], city_data[avg_salary])) map_chart ( Map() .add(平均薪资, data_pair, maptypechina) .set_global_opts( title_optsopts.TitleOpts(title各城市岗位平均薪资分布), visualmap_optsopts.VisualMapOpts(min_0, max_60, is_piecewiseTrue), ) ) map_chart.render(../data/output/charts/salary_map.html)需要注意的是地图组件依赖pyecharts版本和地图扩展包的兼容性如果运行时报错Cant find module named pyecharts.datasets或地图缺失可以检查扩展包版本或者直接在官方文档中查找对应安装方式。8. 主程序串联与运行验证8.1 编写主程序入口把数据导入、清洗、分析和可视化串联起来在项目根目录创建main.py# 文件路径main.py from src.import_data import import_csv_to_mysql from src.clean_data import load_data_from_mysql, clean_data from src.analysis import city_job_count, education_distribution, avg_salary_by_job from src.visualize import ( draw_city_bar, draw_education_pie, draw_salary_bar, draw_salary_map ) def main(): # 1. 导入数据 print(开始导入数据...) import_csv_to_mysql(data/raw/job_data.csv) # 2. 读取并清洗数据 print(开始清洗数据...) df load_data_from_mysql() df clean_data(df) # 3. 数据分析 print(开始统计分析...) city_data city_job_count(df) edu_data education_distribution(df) salary_data avg_salary_by_job(df) avg_salary_by_city df.groupby(city)[avg_salary].mean().reset_index() # 4. 可视化 print(开始生成图表...) draw_city_bar(city_data) draw_education_pie(edu_data) draw_salary_bar(salary_data) draw_salary_map(avg_salary_by_city) print(全部完成图表已输出到 data/output/charts/ 目录。) if __name__ __main__: main()8.2 运行结果说明在项目根目录执行python main.py预期输出如下开始导入数据... 成功导入 500 条数据 开始清洗数据... 开始统计分析... 开始生成图表... 全部完成图表已输出到 data/output/charts/ 目录。打开data/output/charts/目录可以看到生成的多个 HTML 文件使用浏览器打开即可查看交互式图表。9. 常见问题与排查思路9.1 Python 连接 MySQL 报错问题现象常见原因解决思路Cant connect to MySQL serverMySQL 服务未启动检查服务状态Windows 下在服务管理器中启动 MySQLAccess denied for user root密码错误确认数据库密码必要时重置密码Unknown database job_analysis数据库不存在重新执行建库 SQLCharacter set error字符集配置不正确连接参数加上charsetutf8mb49.2 Pyecharts 图表无法显示中文字体Pyecharts 生成的 HTML 页面使用前端字体渲染一般不会出现中文乱码问题。但如果数据中出现异常编码建议在读取 CSV 时指定编码df pd.read_csv(csv_path, encodingutf-8)如果 CSV 文件是 GBK 编码则改成df pd.read_csv(csv_path, encodinggbk)9.3 Pandas 读取 MySQL 时报错pd.read_sql()依赖 SQLAlchemy 或 PyMySQL 驱动。如果使用 PyMySQL建议显式指定连接import pymysql from sqlalchemy import create_engine engine create_engine(mysqlpymysql://root:password127.0.0.1:3306/job_analysis?charsetutf8mb4) df pd.read_sql(SELECT * FROM job_info, conengine)如果没有安装 SQLAlchemy先执行pip install sqlalchemy9.4 地图组件无法显示地图组件经常因为版本兼容性问题出现空白页面。建议安装匹配 Pyecharts 版本的地图扩展包不需要地图时暂时注释掉draw_salary_map部分生成前确保城市名称与地图内置城市名称一致例如“北京”“上海”不要写成“北京市”“上海市”。10. 项目优化与扩展方向基础版项目完成之后还可以从以下几个方向继续扩展让项目在简历和面试中更有亮点。10.1 增加定时任务自动更新使用APScheduler或crontab定时执行数据采集和导入任务让数据看板每天都保持最新from apscheduler.schedulers.blocking import BlockingScheduler scheduler BlockingScheduler() scheduler.add_job(main, cron, hour9, minute0) scheduler.start()10.2 增加 Web 展示页面可以使用 Flask 或 FastAPI 搭建一个简单的 Web 服务把 Pyecharts 生成的 HTML 嵌入页面实现“数据看板”效果。例如from flask import Flask, render_template app Flask(__name__) app.route(/) def index(): return render_template(dashboard.html) if __name__ __main__: app.run(debugTrue)10.3 增加数据分析维度可以继续分析以下维度不同学历下的平均薪资差异相同岗位在不同城市的薪资对比岗位标签词频统计发布日期与岗位数量的关系。每增加一个分析维度项目的完整度和深度都会明显提升。10.4 使用 ECharts 原生前端图表如果前端基础较好可以直接使用 ECharts 原生 JavaScript 编写图表后端通过 JSON 接口返回数据。这种前后端分离的方式更接近企业级项目结构。11. 简历项目经验怎么写项目做完了下一步就是把它写进简历。很多同学的项目经历写得过于笼统比如“使用了 Python 和 MySQL 完成了数据可视化分析”这种写法面试官很难判断你的实际水平。推荐使用“项目背景 技术栈 核心工作 项目成果”四段式写法项目名称招聘岗位数据可视化分析系统项目描述基于 Python MySQL Pyecharts 搭建招聘岗位数据采集、存储、分析与可视化系统实现岗位数量、薪资分布、学历要求等多维度统计展示。技术栈Python、MySQL、Pandas、Pyecharts、Flask核心工作设计岗位信息表结构完成 CSV 数据清洗与入库使用 Pandas 对薪资、城市、学历等字段进行聚合统计基于 Pyecharts 生成柱状图、饼图、地图等交互式可视化图表使用 Flask 搭建数据看板支持多维度数据展示。项目成果实现招聘岗位数据从“采集 - 存储 - 清洗 - 分析 - 可视化”的全流程处理生成可视化图表 5 张支持按城市、学历、岗位等维度筛选。面试时被问到“项目中遇到哪些困难”时可以重点讲数据清洗的边界问题、MySQL 字符集问题、Pyecharts 地图扩展包兼容问题这些都是真实项目中容易踩的坑讲出来反而显得项目经历扎实。12. 小结本文从零开始实现了一个基于 Python MySQL 的招聘岗位数据可视化分析项目完整覆盖了 MySQL 数据表设计、CSV 数据导入、Pandas 数据清洗、Pyecharts 可视化展示等核心环节。整个项目代码量控制在几百行以内但技术链路完整适合作为秋招简历中的项目经验。下一步建议先按照文章流程把项目跑通再根据自己的理解扩展分析维度。项目不在于多复杂而在于你能否把每个环节的设计思路、代码实现和潜在问题讲清楚。如果本文对你有帮助可以收藏备用后续我会继续更新 Flask 数据看板搭建、爬虫数据采集合规边界等进阶内容。 基于Python与MySQL的招聘岗位数据可视化分析实战
秋招临近不少同学最头疼的问题不是算法题刷得不够而是简历上缺少一个“能讲清楚、能动手写出来、能应对面试官追问”的项目。网上的项目教程要么只讲某个零散功能要么代码贴一半留一半真正能从环境搭建、数据准备、数据库设计再到可视化展示一条龙跑通的教程并不多。这篇文章就围绕一个非常贴近业务场景的案例展开使用 Python 连接 MySQL对 BOSS 直聘的岗位数据做清洗、聚合与可视化分析。文中的数据集为脱敏后的模拟数据仅用于技术学习和项目演示。项目会完整覆盖数据表设计、Python 操作 MySQL、Pandas 数据清洗、Pyecharts 可视化图表生成等环节并且提供可直接运行的源码和数据集文件结构。无论你是准备秋招的应届生还是想充实简历项目经验的开发者都可以照着本文一步步复现整个流程。阅读本文后你将掌握如何设计一张合理的岗位信息数据表如何使用 Python 连接 MySQL 并完成数据入库如何用 Pandas 做数据清洗和聚合统计如何用 Pyecharts 生成柱状图、饼图、地图等可视化图表如何把项目整理成简历上能写、面试时能讲的项目经验。整个项目的代码量不大但链路完整非常适合作为数据分析和 Python 后端方向的入门级实战项目。1. 项目背景与需求分析1.1 为什么要做“招聘岗位数据分析”每年的春秋招季节求职者都会面临一个共同问题岗位信息太多、太杂薪资范围跨度大职位要求也各不相同。如果只靠肉眼看招聘网站很难快速判断当前市场上 Java、Python、前端、算法等岗位的薪资分布、学历要求、经验要求到底是什么水平。如果把招聘网站的岗位数据存到 MySQL 里再用 Python 做统计分析最后用图表可视化展示就能把“岗位多、信息杂”的问题变成一个清晰的数据看板。这类项目非常贴近真实业务场景同时涵盖了数据采集模拟、数据存储、数据清洗、数据分析和可视化展示的完整流程是简历中含金量很高的一段项目经验。1.2 项目需求拆解从技术实现角度看这个项目可以拆成下面几个模块模块功能说明核心技术数据准备生成或准备岗位 CSV 数据集CSV、Pandas数据入库把 CSV 数据写入 MySQL 数据库PyMySQL、MySQL数据清洗处理空值、薪资范围转换、字段统一Pandas数据聚合按城市、学历、经验、薪资分组统计Pandas、SQL可视化展示生成图表直观展示分析结果Pyecharts项目文档整理需求、设计、实现和部署说明Markdown1.3 项目最终效果完成后的项目可以输出多张数据图表例如各城市岗位数量 TOP10 柱状图岗位薪资区间分布饼图学历要求分布饼图工作经验要求分布柱状图热门岗位平均薪资横向柱状图全国岗位薪资分布地图可选。这些图表能直观反映招聘市场的基本情况哪怕数据量不大也能完整演示“数据处理 - 入库 - 分析 - 可视化”的技术链路。2. 环境准备与版本说明2.1 基础环境要求编写本文示例时使用了以下环境配置。具体版本可以根据你的本机环境灵活调整核心是保证 Python 能连接 MySQL并能正常安装第三方库。软件建议版本说明操作系统Windows 10/11 或 macOS本文以 Windows 为例Python3.8 以上推荐 3.9/3.10MySQL5.7 或 8.0本文示例基于 MySQL 8.0Navicat / MySQL Workbench可选用于可视化查看数据表IDEPyCharm 或 VS Code按个人习惯选择版本需要根据你的项目实际情况调整本文示例以常见环境为例重点演示配置思路。2.2 Python 第三方库安装进入项目虚拟环境后执行以下命令安装依赖库pip install pymysql pandas pyecharts各库的作用说明pymysqlPython 操作 MySQL 的驱动库负责建立连接、执行 SQLpandas数据处理库用于读取 CSV、清洗数据、分组聚合pyecharts基于 ECharts 的 Python 可视化库可以生成交互式 HTML 图表。如果下载速度较慢可以换成国内镜像源pip install pymysql pandas pyecharts -i https://pypi.tuna.tsinghua.edu.cn/simple2.3 MySQL 准备需要提前在本地安装 MySQL并保证服务已启动。同时创建好项目专用的数据库例如job_analysisCREATE DATABASE IF NOT EXISTS job_analysis DEFAULT CHARACTER SET utf8mb4;如果还没有安装 MySQL可以参考官方文档或菜鸟教程完成安装。安装完成后请记住 root 用户的密码后续 Python 连接数据库时需要用到。3. MySQL 数据表设计3.1 表结构设计原则在设计岗位信息表之前先思考一个问题一条招聘岗位信息包含哪些字段一般来说至少应该包含岗位名称公司名称城市薪资范围最低薪资、最高薪资学历要求工作经验要求发布时间职位标签、福利标签。为了保证后续统计方便薪资字段建议拆分成年薪最低值和年薪最高值而不是直接存一个字符串。这样在计算平均薪资时可以直接用(min_salary max_salary) / 2得到中间值。3.2 建表 SQL在job_analysis数据库中创建岗位信息表USE job_analysis; CREATE TABLE IF NOT EXISTS job_info ( id INT PRIMARY KEY AUTO_INCREMENT COMMENT 主键ID, job_name VARCHAR(100) NOT NULL COMMENT 岗位名称, company_name VARCHAR(100) NOT NULL COMMENT 公司名称, city VARCHAR(50) NOT NULL COMMENT 工作城市, min_salary INT NOT NULL COMMENT 最低年薪(万), max_salary INT NOT NULL COMMENT 最高年薪(万), education VARCHAR(20) DEFAULT 不限 COMMENT 学历要求, experience VARCHAR(20) DEFAULT 经验不限 COMMENT 经验要求, publish_time DATE COMMENT 发布日期, tags VARCHAR(255) COMMENT 职位标签, create_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP COMMENT 入库时间 ) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COMMENT招聘岗位信息表;设计说明使用utf8mb4字符集可以正常存储中文和特殊符号min_salary和max_salary使用INT类型存储数值方便聚合计算tags字段用逗号分隔保存职位标签属于反规范化设计适合标签类数据展示场景添加create_time字段记录数据入库时间便于后续排查数据问题。4. 数据准备与数据集说明4.1 数据集来源说明需要提前说明本文使用的数据集是模拟脱敏数据并非 BOSS 直聘官方数据也不涉及任何真实企业或个人信息。项目演示的是完整的数据分析处理链路你可以用任意招聘平台公开的样本数据替换。4.2 构造示例数据集在项目根目录下创建data/raw/job_data.csv文件数据格式如下job_name,company_name,city,min_salary,max_salary,education,experience,publish_time,tags Java开发工程师,北京某科技有限公司,北京,20,40,本科,3-5年,2025-09-01,Java,Spring,后端 Python开发工程师,上海某网络公司,上海,18,35,本科,1-3年,2025-09-02,Python,Django,后端 数据分析师,杭州某数据公司,杭州,15,30,本科,1-3年,2025-09-03,数据分析,SQL,可视化 前端开发工程师,深圳某互联网公司,深圳,16,32,本科,1-3年,2025-09-04,JavaScript,Vue,React 算法工程师,北京某人工智能公司,北京,30,60,硕士,3-5年,2025-09-05,算法,机器学习,深度学习 ...实际演示时数据集一般包含几百条到几千条记录数据量越大统计结果越有说服力。如果没有现成数据可以在项目代码中利用 Python 随机生成模拟数据但生成时要保证字段值符合真实业务逻辑。4.3 项目目录结构整个项目的推荐目录结构如下boss-job-analysis/ ├── data/ │ ├── raw/ │ │ └── job_data.csv │ └── output/ │ └── charts/ ├── sql/ │ └── create_table.sql ├── src/ │ ├── db_conn.py │ ├── import_data.py │ ├── clean_data.py │ ├── analysis.py │ └── visualize.py ├── requirements.txt └── README.md这样拆分的好处是每个文件职责单一后续扩展和维护都比较方便。5. Python 连接 MySQL数据入库5.1 创建数据库连接工具类在src/db_conn.py中编写数据库连接逻辑# 文件路径src/db_conn.py import pymysql def get_connection(): 获取 MySQL 数据库连接 conn pymysql.connect( host127.0.0.1, userroot, passwordyour_password, databasejob_analysis, charsetutf8mb4, cursorclasspymysql.cursors.DictCursor ) return conn参数说明hostMySQL 服务地址本机使用127.0.0.1或localhostuser数据库用户名默认rootpassword你自己的数据库密码database目标数据库名称charset字符集使用utf8mb4保证中文正常读写cursorclass使用字典游标查询结果以字典形式返回方便后续处理。5.2 将 CSV 数据写入 MySQL在src/import_data.py中实现数据入库逻辑# 文件路径src/import_data.py import pandas as pd from db_conn import get_connection def import_csv_to_mysql(csv_path): 读取 CSV 文件并写入 MySQL 数据库 df pd.read_csv(csv_path) conn get_connection() try: with conn.cursor() as cursor: for _, row in df.iterrows(): sql INSERT INTO job_info (job_name, company_name, city, min_salary, max_salary, education, experience, publish_time, tags) VALUES (%s, %s, %s, %s, %s, %s, %s, %s, %s) cursor.execute(sql, ( row[job_name], row[company_name], row[city], row[min_salary], row[max_salary], row[education], row[experience], row[publish_time], row[tags] )) conn.commit() print(f成功导入 {len(df)} 条数据) except Exception as e: conn.rollback() print(f数据导入失败: {e}) finally: conn.close()这里需要注意几个细节使用with conn.cursor()创建游标执行完自动释放使用参数化 SQL%s占位符避免 SQL 注入风险全部插入成功后commit()发生异常时rollback()回滚循环插入适用于数据量不大的场景如果数据量非常大可以使用executemany()批量插入。调用方式if __name__ __main__: import_csv_to_mysql(../data/raw/job_data.csv)运行后可以在 Navicat 或 MySQL 命令行中确认数据是否成功写入SELECT COUNT(*) FROM job_info;6. 数据清洗与加工数据入库后不一定能直接用于分析。原始数据往往存在以下问题薪资字段类型不统一城市字段含有空格或“全国”等无效值学历、经验字段命名不规范发布日期存储格式不一致。因此在分析前需要对数据做清洗。为了演示方便我们直接从 MySQL 读取数据再做加工处理。6.1 读取数据库数据# 文件路径src/clean_data.py import pandas as pd from db_conn import get_connection def load_data_from_mysql(): 从 MySQL 读取岗位数据 conn get_connection() sql SELECT * FROM job_info df pd.read_sql(sql, conn) conn.close() return df def clean_data(df): 数据清洗 1. 去除空值 2. 统一城市字段 3. 计算平均薪资 # 删除关键字段为空的行 df df.dropna(subset[job_name, city, min_salary, max_salary]) # 去除城市字段前后空格 df[city] df[city].str.strip() # 过滤无效城市 df df[df[city] ! ] # 计算平均年薪单位万元 df[avg_salary] (df[min_salary] df[max_salary]) / 2 return df6.2 数据聚合统计接下来可以按不同维度做聚合统计。例如统计各城市岗位数量# 文件路径src/analysis.py import pandas as pd from clean_data import load_data_from_mysql, clean_data def city_job_count(df): 统计各城市岗位数量 result df.groupby(city)[id].count().reset_index() result.columns [city, job_count] result result.sort_values(job_count, ascendingFalse) return result def education_distribution(df): 统计学历要求分布 result df.groupby(education)[id].count().reset_index() result.columns [education, count] result result.sort_values(count, ascendingFalse) return result def avg_salary_by_job(df): 统计热门岗位平均薪资 result df.groupby(job_name)[avg_salary].mean().reset_index() result.columns [job_name, avg_salary] result result.sort_values(avg_salary, ascendingFalse) return resultPandas 的groupby是统计分析中使用频率非常高的方法配合reset_index()可以将分组结果恢复成规范的数据表结构。聚合后的 DataFrame 可以直接传给 Pyecharts 进行绘图。7. 数据可视化实战7.1 可视化工具选型Python 领域常用的可视化方案有 Matplotlib、Seaborn、Plotly、Pyecharts 等。本文选用 Pyecharts因为它生成的图表是 HTML 页面交互体验好缩放、悬停提示、导出图片都非常方便适合做数据看板类项目。7.2 生成“各城市岗位数量 TOP10”柱状图# 文件路径src/visualize.py from pyecharts.charts import Bar from pyecharts import options as opts def draw_city_bar(city_data): 绘制各城市岗位数量柱状图 city_data: DataFrame包含 city 和 job_count 两列 top10 city_data.head(10) bar ( Bar() .add_xaxis(top10[city].tolist()) .add_yaxis(岗位数量, top10[job_count].tolist()) .set_global_opts( title_optsopts.TitleOpts(title各城市岗位数量 TOP10), xaxis_optsopts.AxisOpts(axislabel_optsopts.LabelOpts(rotate45)), ) ) bar.render(../data/output/charts/city_job_count.html)7.3 生成“学历要求分布”饼图from pyecharts.charts import Pie def draw_education_pie(edu_data): 绘制学历要求分布饼图 data_pair list(zip(edu_data[education], edu_data[count])) pie ( Pie() .add(, data_pair, radius[30%, 65%]) .set_global_opts( title_optsopts.TitleOpts(title学历要求分布), legend_optsopts.LegendOpts(orientvertical, pos_top15%, pos_left2%), ) .set_series_opts(label_optsopts.LabelOpts(formatter{b}: {d}%)) ) pie.render(../data/output/charts/education_pie.html)7.4 生成“热门岗位平均薪资”横向柱状图def draw_salary_bar(salary_data): 绘制热门岗位平均薪资横向柱状图 top salary_data.head(10) bar ( Bar() .add_xaxis(top[job_name].tolist()) .add_yaxis(平均年薪(万), top[avg_salary].tolist()) .reversal_axis() .set_global_opts( title_optsopts.TitleOpts(title热门岗位平均薪资 TOP10), yaxis_optsopts.AxisOpts(axislabel_optsopts.LabelOpts(font_size10)), ) ) bar.render(../data/output/charts/salary_bar.html)7.5 生成“城市岗位薪资地图”如果希望进一步展示全国范围内的薪资分布可以使用 Pyecharts 的地图组件。地图组件需要额外安装地图扩展包pip install echarts-countries-pypkg绘制地图代码如下from pyecharts.charts import Map def draw_salary_map(city_data): 绘制城市平均薪资地图 data_pair list(zip(city_data[city], city_data[avg_salary])) map_chart ( Map() .add(平均薪资, data_pair, maptypechina) .set_global_opts( title_optsopts.TitleOpts(title各城市岗位平均薪资分布), visualmap_optsopts.VisualMapOpts(min_0, max_60, is_piecewiseTrue), ) ) map_chart.render(../data/output/charts/salary_map.html)需要注意的是地图组件依赖pyecharts版本和地图扩展包的兼容性如果运行时报错Cant find module named pyecharts.datasets或地图缺失可以检查扩展包版本或者直接在官方文档中查找对应安装方式。8. 主程序串联与运行验证8.1 编写主程序入口把数据导入、清洗、分析和可视化串联起来在项目根目录创建main.py# 文件路径main.py from src.import_data import import_csv_to_mysql from src.clean_data import load_data_from_mysql, clean_data from src.analysis import city_job_count, education_distribution, avg_salary_by_job from src.visualize import ( draw_city_bar, draw_education_pie, draw_salary_bar, draw_salary_map ) def main(): # 1. 导入数据 print(开始导入数据...) import_csv_to_mysql(data/raw/job_data.csv) # 2. 读取并清洗数据 print(开始清洗数据...) df load_data_from_mysql() df clean_data(df) # 3. 数据分析 print(开始统计分析...) city_data city_job_count(df) edu_data education_distribution(df) salary_data avg_salary_by_job(df) avg_salary_by_city df.groupby(city)[avg_salary].mean().reset_index() # 4. 可视化 print(开始生成图表...) draw_city_bar(city_data) draw_education_pie(edu_data) draw_salary_bar(salary_data) draw_salary_map(avg_salary_by_city) print(全部完成图表已输出到 data/output/charts/ 目录。) if __name__ __main__: main()8.2 运行结果说明在项目根目录执行python main.py预期输出如下开始导入数据... 成功导入 500 条数据 开始清洗数据... 开始统计分析... 开始生成图表... 全部完成图表已输出到 data/output/charts/ 目录。打开data/output/charts/目录可以看到生成的多个 HTML 文件使用浏览器打开即可查看交互式图表。9. 常见问题与排查思路9.1 Python 连接 MySQL 报错问题现象常见原因解决思路Cant connect to MySQL serverMySQL 服务未启动检查服务状态Windows 下在服务管理器中启动 MySQLAccess denied for user root密码错误确认数据库密码必要时重置密码Unknown database job_analysis数据库不存在重新执行建库 SQLCharacter set error字符集配置不正确连接参数加上charsetutf8mb49.2 Pyecharts 图表无法显示中文字体Pyecharts 生成的 HTML 页面使用前端字体渲染一般不会出现中文乱码问题。但如果数据中出现异常编码建议在读取 CSV 时指定编码df pd.read_csv(csv_path, encodingutf-8)如果 CSV 文件是 GBK 编码则改成df pd.read_csv(csv_path, encodinggbk)9.3 Pandas 读取 MySQL 时报错pd.read_sql()依赖 SQLAlchemy 或 PyMySQL 驱动。如果使用 PyMySQL建议显式指定连接import pymysql from sqlalchemy import create_engine engine create_engine(mysqlpymysql://root:password127.0.0.1:3306/job_analysis?charsetutf8mb4) df pd.read_sql(SELECT * FROM job_info, conengine)如果没有安装 SQLAlchemy先执行pip install sqlalchemy9.4 地图组件无法显示地图组件经常因为版本兼容性问题出现空白页面。建议安装匹配 Pyecharts 版本的地图扩展包不需要地图时暂时注释掉draw_salary_map部分生成前确保城市名称与地图内置城市名称一致例如“北京”“上海”不要写成“北京市”“上海市”。10. 项目优化与扩展方向基础版项目完成之后还可以从以下几个方向继续扩展让项目在简历和面试中更有亮点。10.1 增加定时任务自动更新使用APScheduler或crontab定时执行数据采集和导入任务让数据看板每天都保持最新from apscheduler.schedulers.blocking import BlockingScheduler scheduler BlockingScheduler() scheduler.add_job(main, cron, hour9, minute0) scheduler.start()10.2 增加 Web 展示页面可以使用 Flask 或 FastAPI 搭建一个简单的 Web 服务把 Pyecharts 生成的 HTML 嵌入页面实现“数据看板”效果。例如from flask import Flask, render_template app Flask(__name__) app.route(/) def index(): return render_template(dashboard.html) if __name__ __main__: app.run(debugTrue)10.3 增加数据分析维度可以继续分析以下维度不同学历下的平均薪资差异相同岗位在不同城市的薪资对比岗位标签词频统计发布日期与岗位数量的关系。每增加一个分析维度项目的完整度和深度都会明显提升。10.4 使用 ECharts 原生前端图表如果前端基础较好可以直接使用 ECharts 原生 JavaScript 编写图表后端通过 JSON 接口返回数据。这种前后端分离的方式更接近企业级项目结构。11. 简历项目经验怎么写项目做完了下一步就是把它写进简历。很多同学的项目经历写得过于笼统比如“使用了 Python 和 MySQL 完成了数据可视化分析”这种写法面试官很难判断你的实际水平。推荐使用“项目背景 技术栈 核心工作 项目成果”四段式写法项目名称招聘岗位数据可视化分析系统项目描述基于 Python MySQL Pyecharts 搭建招聘岗位数据采集、存储、分析与可视化系统实现岗位数量、薪资分布、学历要求等多维度统计展示。技术栈Python、MySQL、Pandas、Pyecharts、Flask核心工作设计岗位信息表结构完成 CSV 数据清洗与入库使用 Pandas 对薪资、城市、学历等字段进行聚合统计基于 Pyecharts 生成柱状图、饼图、地图等交互式可视化图表使用 Flask 搭建数据看板支持多维度数据展示。项目成果实现招聘岗位数据从“采集 - 存储 - 清洗 - 分析 - 可视化”的全流程处理生成可视化图表 5 张支持按城市、学历、岗位等维度筛选。面试时被问到“项目中遇到哪些困难”时可以重点讲数据清洗的边界问题、MySQL 字符集问题、Pyecharts 地图扩展包兼容问题这些都是真实项目中容易踩的坑讲出来反而显得项目经历扎实。12. 小结本文从零开始实现了一个基于 Python MySQL 的招聘岗位数据可视化分析项目完整覆盖了 MySQL 数据表设计、CSV 数据导入、Pandas 数据清洗、Pyecharts 可视化展示等核心环节。整个项目代码量控制在几百行以内但技术链路完整适合作为秋招简历中的项目经验。下一步建议先按照文章流程把项目跑通再根据自己的理解扩展分析维度。项目不在于多复杂而在于你能否把每个环节的设计思路、代码实现和潜在问题讲清楚。如果本文对你有帮助可以收藏备用后续我会继续更新 Flask 数据看板搭建、爬虫数据采集合规边界等进阶内容。