使用SQL分析數據科學職業發展趨勢
在數據成為新石油的今天，了解數據科學職業的細微差別比以往任何時候都更加重要。無論你是正在尋找機會的數據愛好者，還是資深數據專家，使用SQL都可以讓你深入了解數據科學就業市場。
本文可以帶你了解哪些數據科學職位最具吸引力，或者哪些職位能夠提供最高薪水。或許，你還想知道經驗水平如何與數據科學的平均工資掛鉤？
在本文中，將深入研究數據科學就業市場，從而解答所有這些問題（以及更多問題）。跟隨本文開始了解吧！
數據集薪資趨勢
本文將使用的數據集旨在揭示2021年至2023年期間數據科學領域的薪資模式。通過重點關注工作歷史、工作職位以及公司地點等因素，該數據集為了解該行業的工資分布情況提供了重要依據。
本文將為以下問題找到答案：
- 不同經驗水平的平均工資是什么樣的？
- 數據科學領域中最常見的職位名稱是什么？
- 薪資分布如何隨公司規模變化？
- 數據科學崗位主要位于哪些地理位置？
- 數據科學中哪些職位提供薪酬最高？
可以從Kaggle下載這些數據。
【數據集】：https://www.kaggle.com/code/zabihullah18/data-science-salary-trend
1. 不同經驗水平的平均工資是什么樣的？
在這個SQL查詢中，本文正在找出不同經驗水平的平均工資。GROUP BY子句按經驗水平對數據進行分組，AVG函數計算每個組的平均工資。
這有助于了解該領域的經驗如何影響收入潛力，這對規劃數據科學的職業道路至關重要。接下來查看一下代碼。
SELECT experience_level, AVG(salary_in_usd) AS avg_salary
FROM salary_data
GROUP BY experience_level;現在，本文使用Python可視化這個輸出。
以下是代碼。
# 導入繪圖所需的庫
import matplotlib.pyplot as plt
import seaborn as sns
# 設置圖表樣式
sns.set(style="whitegrid")
# 初始化用于存儲圖形的列表
graphs = []
plt.figure(figsize=(10, 6))
sns.barplot(x='experience_level', y='salary_in_usd', data=df, estimator=lambda x: sum(x) / len(x))
plt.title('Average Salary by Experience Level')
plt.xlabel('Experience Level')
plt.ylabel('Average Salary (USD)')
plt.xticks(rotatinotallow=45)
graphs.append(plt.gcf())
plt.show()現在，本文來比較一下入門級和資深級、中級和高級的工資。
首先從入門級和資深級的開始。以下是代碼。
# 篩選入門級和資深級的數據
entry_experienced = df[df['experience_level'].isin(['Entry_Level', 'Experienced'])]
# 篩選中級和高級數據
mid_senior = df[df['experience_level'].isin(['Mid-Level', 'Senior'])]
# 繪制入門級與資深級的對比圖表
plt.figure(figsize=(10, 6))
sns.barplot(x='experience_level', y='salary_in_usd', data=entry_experienced, estimator=lambda x: sum(x) / len(x) if len(x) != 0 else 0)
plt.title('Average Salary: Entry_Level vs Experienced')
plt.xlabel('Experience Level')
plt.ylabel('Average Salary (USD)')
plt.xticks(rotatinotallow=45)
graphs.append(plt.gcf())
plt.show()這是生成的圖表。
圖片
現在，本文來繪制中級和高級的工資。以下是代碼。
# 繪制中級和高級的圖表
plt.figure(figsize=(10, 6))
sns.barplot(x='experience_level', y='salary_in_usd', data=mid_senior, estimator=lambda x: sum(x) / len(x) if len(x) != 0 else 0)
plt.title('Average Salary: Mid-Level vs Senior')
plt.xlabel('Experience Level')
plt.ylabel('Average Salary (USD)')
plt.xticks(rotatinotallow=45)
graphs.append(plt.gcf())
plt.show()
圖片
2. 數據科學領域中最常見的職位名稱是什么？
在這里，本文將提取數據科學領域中前10個最常見的職位名稱。COUNT函數會統計每個職位名稱的出現次數，并按降序排列結果，從而將最常見的職位名稱排在最前面。
通過這些信息，可以了解就業市場的需求情況，從而確定自己可以瞄準的潛在職位目標。接下來查看一下代碼。
SELECT job_title, COUNT(*) AS job_count
FROM salary_data
GROUP BY job_title
ORDER BY job_count DESC
LIMIT 10;好的，現在使用Python來可視化這個查詢。
以下是代碼。
plt.figure(figsize=(12, 8))
sns.countplot(y='job_title', data=df, order=df['job_title'].value_counts().index[:10])
plt.title('Most Common Job Titles in Data Science')
plt.xlabel('Job Count')
plt.ylabel('Job Title')
graphs.append(plt.gcf())
plt.show()接下來看看圖表。
圖片
3. 薪資分布如何隨公司規模變化？
在這個查詢中，本文提取了每個公司規模分組的平均薪資、最低薪資和最高薪資。使用AVG、MIN和MAX等聚合函數有助于全面了解薪資情況與公司規模的關系。
這些數據非常重要，因為它們可以幫助你了解可以期望的潛在收入，這取決于你想要加入的公司的規模。接下來查看一下代碼。
SELECT company_size, AVG(salary_in_usd) AS avg_salary, MIN(salary_in_usd) AS min_salary, MAX(salary_in_usd) AS max_salary
FROM salary_data
GROUP BY company_size;現在，本文將使用Python來可視化這個查詢。
以下是代碼。
plt.figure(figsize=(12, 8))
sns.barplot(x='company_size', y='salary_in_usd', data=df, estimator=lambda x: sum(x) / len(x) if len(x) != 0 else 0, order=['Small', 'Medium', 'Large'])
plt.title('Salary Distribution by Company Size')
plt.xlabel('Company Size')
plt.ylabel('Average Salary (USD)')
plt.xticks(rotatinotallow=45)
graphs.append(plt.gcf())
plt.show()以下是輸出結果。
圖片
4. 數據科學崗位主要位于哪些地理位置？
在這里，本文確定了擁有最多數據科學職位機會的前10個地點。本文使用COUNT函數來確定每個地點的職位發布數量，并按降序排列，以突出顯示機會最多的地區。
掌握了這些信息，可以幫助讀者了解數據科學職位的中心地理區域，有助于做出潛在的遷移決定。接下來查看一下代碼。
SELECT company_location, COUNT(*) AS job_count
FROM salary_data
GROUP BY company_location
ORDER BY job_count DESC
LIMIT 10;現在，本文將使用Python來繪制上述代碼的圖表。
plt.figure(figsize=(12, 8))
sns.countplot(y='company_location', data=df, order=df['company_location'].value_counts().index[:10])
plt.title('Geographical Distribution of Data Science Jobs')
plt.xlabel('Job Count')
plt.ylabel('Company Location')
graphs.append(plt.gcf())
plt.show()請查看如下所示的圖表。
圖片
5. 數據科學領域中哪些職位提供薪酬最高？
在這里，本文確定了數據科學領域中薪資最高的前10個職位頭銜。通過使用AVG，本文計算出每個職位頭銜的平均薪資，并根據平均薪資的降序排序，以突出顯示最賺錢的職位。
通過查看這些數據，可以在自己的職業道路上有所追求。接下來繼續了解讀者如何為這些數據創建Python可視化。
SELECT job_title, AVG(salary_in_usd) AS avg_salary
FROM salary_data
GROUP BY job_title
ORDER BY avg_salary DESC
LIMIT 10;以下是輸出結果。
排名 | 職位頭銜 | 平均薪資（美元） |
1 | 數據科學技術主管 | 375,000.00 |
2 | 云數據架構師 | 250,000.00 |
3 | 數據主管 | 212,500.00 |
4 | 數據分析主管 | 211,254.50 |
5 | 首席數據科學家 | 198,171.13 |
6 | 數據科學總監 | 195,140.73 |
7 | 首席數據工程師 | 192,500.00 |
8 | 機器學習軟件工程師 | 192,420.00 |
9 | 數據科學經理 | 191,278.78 |
10 | 應用科學家 | 190,264.48 |
這次，讀者可以嘗試自己創建一個圖表。
提示：可以使用以下ChatGPT中的提示來生成此圖形的Pythonic代碼：
<SQL Query here>
Create a Python graph to visualize the top 10 highest-paying job titles in Data Science, similar to the insights gathered from the given SQL query above.
# <SQL查詢代碼>
# 創建一個Python圖形來可視化數據科學領域中薪資最高的前10個職位頭銜，類似于上述給定SQL查詢所得到的見解。結語
跟隨本文結束對數據科學職業世界的多種探索，希望SQL能成為一個可靠的指南，幫助你發掘出有關支持職業決策的見解。
