求职季做简历项目最怕的不是技术难而是“同质化”。管理系统、商城、博客三大件早就让面试官审美疲劳了真正能体现数据采集、清洗、存储、分析、可视化完整链路又贴近真实业务场景的招聘数据分析是一个性价比很高的选择。本文将基于 Python MySQL PyEcharts完整拆解一个 BOSS 直聘招聘数据分析可视化项目的开发过程。项目包含数据表设计、数据清洗、SQL 统计分析、可视化大屏展示等完整环节附带源码思路和数据集说明。无论你是准备秋招简历、课程设计还是毕业设计都可以直接参考这套流程改造落地。读者对象掌握 Python 基础语法了解 MySQL 增删改查想做一个完整数据类项目的同学。 学完收获能独立完成从数据清洗入库到可视化展示的闭环项目并理解每个环节的设计原因。1. 项目背景与核心价值1.1 为什么选招聘数据分析招聘数据是典型的结构化业务数据包含岗位名称、薪资范围、学历要求、经验要求、城市、公司规模、技能标签等信息。分析“数据分析师”这个岗位的招聘行情能回答很多实际业务问题哪个城市的岗位需求量最大薪资分布集中在什么区间学历和经验到底怎么影响薪资哪些技能关键词在岗位描述中出现频率最高这些问题既有业务价值又能通过数据可视化直观呈现非常适合作为数据分析方向的作品集项目。1.2 项目的技术链路与单纯写 SQL 或单纯画图表的 demo 不同这个项目覆盖了一条完整的数据处理链路数据获取 → 数据清洗 → MySQL 建库建表 → 数据入库 → SQL 聚合分析 → PyEcharts 可视化 → 大屏展示每一个环节踩的坑都是真实的数据工程项目才会遇到的问题比如薪资字段是“15-20K·14薪”这种文本格式、岗位描述包含大量噪声字符、同一家公司多个招聘岗位需要关联分析等。把这些细节处理好了项目质量会明显上了一个台阶。1.3 适合哪些场景秋招简历中的数据类项目展示你具备完整的数据处理思维。Python 课程设计技术栈清晰可讲解的知识点多。毕业设计可以在此基础上扩展预测模型或更多维度的分析。数据分析岗位面试作品每个可视化图背后都可以引申出对应的业务结论。2. 环境准备与版本说明很多初学者项目失败不是代码逻辑的问题而是环境不一致导致的。下面给出本文示例的推荐环境你的版本不一定要完全一致但应当注意兼容性。组件推荐版本说明操作系统Windows 10/11 或 macOS本文命令以 Windows 为主macOS/Linux 差异会标注Python3.8 以上3.10、3.11 均可不建议使用 2.xMySQL5.7 或 8.0建议 8.0字符集注意 utf8mb4PyCharmCommunity 版即可也可以用 VS CodeNavicat / DBeaver可选方便查看数据库数据Python 依赖库建议使用虚拟环境安装pip install pymysql pip install pandas pip install pyecharts pip install openpyxl pip install numpy如果下载速度慢可以临时使用国内镜像源pip install pymysql pandas pyecharts openpyxl numpy -i https://pypi.tuna.tsinghua.edu.cn/simple版本方面需要注意一点PyEcharts 的渲染方式经历了较大调整老教程中的render路径和新版本没有太大差异但图表主题、全局配置项的写法可能与老版本不同。本文示例以常见的新版写法为准你在运行时如果遇到 API 变化以官方文档为准。MySQL 安装完成后建议先验证能否正常连接。这里有一个最容易忽略的问题MySQL 8.0 默认使用caching_sha2_password认证插件而pymysql从较新版本开始已经支持但如果你使用的是旧版本pymysql连接时可能报错Authentication plugin caching_sha2_password cannot be loaded。这时可以升级pymysql或创建用户时指定mysql_native_password插件。3. 数据库设计3.1 表结构设计思路招聘数据通常以“每一条记录 一个岗位”的方式组织。实际采集或拿到的数据集可能包含冗余字段入库前需要设计合理的表结构。本项目的核心表是岗位信息表建议字段如下字段名类型说明idINT 主键自增记录唯一编号job_nameVARCHAR(100)岗位名称company_nameVARCHAR(100)公司名称salary_minINT最低薪资Ksalary_maxINT最高薪资Ksalary_avgDECIMAL(5,1)平均薪资KexperienceVARCHAR(50)经验要求educationVARCHAR(50)学历要求cityVARCHAR(50)工作城市company_sizeVARCHAR(50)公司规模industryVARCHAR(100)所属行业job_tagVARCHAR(255)岗位标签create_timeDATETIME入库时间理解几个设计要点薪资字段不要直接存原始文本。“20-35K·14薪”这类字符串虽然能看到但无法做数值聚合。拆成最低薪资和最高薪资两个数值字段才能计算平均值、做区间统计。职位描述job_desc可以单独存 TEXT 类型用于后续关键词分析不参与常规 SELECT 时可以减小表体积。为了演示方便这里把“公司规模”“行业”冗余在岗位表里。虽然规范化设计上可以拆公司表但数据分析项目通常以查询效率为先没必要过度设计。建表 SQL 如下CREATE DATABASE IF NOT EXISTS job_analysis DEFAULT CHARSET utf8mb4 COLLATE utf8mb4_general_ci; USE job_analysis; DROP TABLE IF EXISTS job_info; CREATE TABLE job_info ( id INT PRIMARY KEY AUTO_INCREMENT, job_name VARCHAR(100) COMMENT 岗位名称, company_name VARCHAR(100) COMMENT 公司名称, salary_min INT COMMENT 最低月薪(K), salary_max INT COMMENT 最高月薪(K), salary_avg DECIMAL(5,1) COMMENT 平均月薪(K), experience VARCHAR(50) COMMENT 经验要求, education VARCHAR(50) COMMENT 学历要求, city VARCHAR(50) COMMENT 工作城市, company_size VARCHAR(50) COMMENT 公司规模, industry VARCHAR(100) COMMENT 行业, job_tag VARCHAR(255) COMMENT 岗位标签, job_desc TEXT COMMENT 岗位描述, create_time DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT 入库时间, INDEX idx_city (city), INDEX idx_education (education), INDEX idx_salary_avg (salary_avg) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COMMENT招聘岗位信息表;这里给查询频繁的字段加上了普通索引。数据量不大时索引效果不明显但等数据量增长到几万条后带WHERE条件的聚合查询会快很多。3.2 薪资字段处理策略原始数据中的薪资常见格式有15-20K·14薪 20-35K 8-13K·13薪 面议处理策略先过滤掉“面议”这类无效记录。用正则提取最低薪资和最高薪资。如果包含“·14薪”这类字段可以不处理因为salary_min和salary_max已经按月薪保存年薪差异我们可以在分析阶段单独判断或者把“·”后面的数据解析到 bonus 字段。示例原始薪资经过解析后得到salary_min 15, salary_max 20, salary_avg 17.53.3 数据清洗关键点数据清洗是项目中最容易出彩、也最体现工程能力的地方。常见清洗项包括城市字段统一比如“北京·海淀区”清洗为“北京”或者保留市级别。学历字段统一有的记录是“本科”有的是“本科及以上”需要按“大专/本科/硕士/博士/不限”做归一。经验字段统一“经验不限”和“不限经验”统一为“经验不限”“1-3年”保持原样。去除换行和特殊字符职位描述中的\n、\u3000、HTML 标签等需要一并去掉。去重同一职位可能被重复采集要根据job_name company_name city做联合去重。这些处理使用 Pandas 非常方便下面会看到具体代码。4. 使用 Pandas 清洗数据并写入 MySQL4.1 从 CSV 加载数据我们先假设已经拥有了一份 CSV 格式的原始招聘数据例如boss_job.csv列名和最终表结构可能并不完全对应。用 Pandas 加载先做一次“体检”# 文件路径src/01_data_clean.py import pandas as pd # 读取原始 CSV df pd.read_csv(data/boss_job.csv, encodingutf-8) print(数据总量, len(df)) print(列名, df.columns.tolist()) print(df.head())如果 CSV 文件是其他编码可以尝试df pd.read_csv(data/boss_job.csv, encodinggbk)得到基础信息后开始清洗。4.2 清洗完整代码# 文件路径src/01_data_clean.py import pandas as pd import re # 读取原始数据 df pd.read_csv(data/boss_job.csv, encodingutf-8) # 1. 删除全空行 df df.dropna(howall) # 2. 去掉重复记录 df df.drop_duplicates(subset[job_name, company_name, city]) # 3. 薪资解析函数 def parse_salary(s): if pd.isna(s): return None, None, None s str(s) if 面议 in s: return None, None, None # 提取数字 nums re.findall(r(\d(?:\.\d)?), s) if len(nums) 0: return None, None, None if len(nums) 1: # 类似 20K以上 return int(float(nums[0])), None, None low int(float(nums[0])) high int(float(nums[1])) avg round((low high) / 2, 1) return low, high, avg df[[salary_min, salary_max, salary_avg]] df[salary].apply( lambda x: pd.Series(parse_salary(x)) ) # 删除没有薪资的无效记录 df df.dropna(subset[salary_min, salary_max]) # 4. 城市清洗只取“北京”“上海”等市级 df[city] df[city].astype(str).str.split(·).str[0] # 5. 学历归一化 def clean_education(x): if pd.isna(x): return 不限 x str(x) if 博士 in x: return 博士 if 硕士 in x: return 硕士 if 本科 in x: return 本科 if 大专 in x: return 大专 if 不限 in x or 学历 in x: return 学历不限 return 其他 df[education] df[education].apply(clean_education) # 6. 经验归一化 def clean_experience(x): if pd.isna(x): return 经验不限 x str(x) if 在校 in x or 应届 in x: return 应届在校 if 经验不限 in x or 不限 in x: return 经验不限 if 1年以下 in x: return 1年以下 if 10年以上 in x: return 10年以上 match re.search(r(\d)-(\d)年, x) if match: return f{match.group(1)}-{match.group(2)}年 return x df[experience] df[experience].apply(clean_experience) # 7. 清洗文本中的特殊字符 def clean_text(s): if pd.isna(s): return s re.sub(r\s, , str(s)) s s.replace(\n, ).replace(\r, ) return s.strip() for col in [job_name, company_name, job_desc]: if col in df.columns: df[col] df[col].apply(clean_text) # 8. 保留目标列 target_cols [ job_name, company_name, salary_min, salary_max, salary_avg, experience, education, city, company_size, industry, job_tag, job_desc ] for col in target_cols: if col not in df.columns: df[col] None df df[target_cols] print(清洗后数据量, len(df)) print(df.head()) # 保存为清洗后的 CSV方便核对 df.to_csv(data/job_clean.csv, indexFalse, encodingutf-8-sig)说明几个容易踩坑的点encodingutf-8-sig是为了让 Excel 打开 CSV 时不出现中文乱码如果后续只用 Python 读取utf-8就够了。正则提取薪资时薪资可能带小数比如7.5-10K所以用了\d(?:\.\d)?。城市字段里面既有北京也有北京·海淀区、北京·望京统一按·分割取前者不影响市级维度的分析。4.3 批量写入 MySQL清洗完的数据存到 MySQL 时比较稳妥的方式是使用 Pandas 的to_sql或逐条INSERT。但to_sql依赖于sqlalchemy如果不想引入额外依赖可以用下面的批量插入方案# 文件路径src/02_write_mysql.py import pandas as pd import pymysql from pymysql.constants import CLIENT # 读取清洗后的数据 df pd.read_csv(data/job_clean.csv, encodingutf-8-sig) # 连接数据库 conn pymysql.connect( hostlocalhost, userroot, password你的数据库密码, databasejob_analysis, charsetutf8mb4, cursorclasspymysql.cursors.DictCursor ) cursor conn.cursor() insert_sql INSERT INTO job_info ( job_name, company_name, salary_min, salary_max, salary_avg, experience, education, city, company_size, industry, job_tag, job_desc ) VALUES (%s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s) # 用 executemany 批量插入 records [] for _, row in df.iterrows(): records.append(( row[job_name], row[company_name], None if pd.isna(row[salary_min]) else int(row[salary_min]), None if pd.isna(row[salary_max]) else int(row[salary_max]), None if pd.isna(row[salary_avg]) else float(row[salary_avg]), row[experience], row[education], row[city], row[company_size], row[industry], row[job_tag], row[job_desc] )) cursor.executemany(insert_sql, records) conn.commit() print(f成功写入 {len(records)} 条记录) cursor.close() conn.close()写入时的注意事项密码不要硬编码在源码里建议通过环境变量读取或者在文档中明确标注“本地测试密码”。executemany比逐条循环execute快很多数据量大时应优先使用。如果单次数据量过大executemany可能超过 MySQLmax_allowed_packet限制可以分批插入每批 2000 条左右。5. SQL 聚合分析数据入库后分析环节完全可以先用 SQL 完成聚合统计再交给 PyEcharts 绘图。这样的好处是数据计算交给数据库引擎Python 只负责取结果和渲染性能更好。下面给出这个项目中最常用的几个 SQL 分析语句。5.1 城市岗位需求 Top 10SELECT city, COUNT(*) AS job_count FROM job_info GROUP BY city ORDER BY job_count DESC LIMIT 10;5.2 不同学历的平均薪资SELECT education, COUNT(*) AS job_count, ROUND(AVG(salary_avg), 2) AS avg_salary FROM job_info GROUP BY education ORDER BY avg_salary DESC;5.3 不同经验要求的岗位数量和平均薪资SELECT experience, COUNT(*) AS job_count, ROUND(AVG(salary_avg), 2) AS avg_salary FROM job_info GROUP BY experience ORDER BY FIELD( experience, 1年以下, 1-3年, 3-5年, 5-10年, 10年以上 );注意 MySQL 的ORDER BY FIELD可以自定义排序规则让经验字段按照业务逻辑排列而不是按首字母排序。5.4 薪资区间分布SELECT CONCAT( FLOOR(salary_avg / 5) * 5, -, FLOOR(salary_avg / 5) * 5 5, K ) AS salary_range, COUNT(*) AS job_count FROM job_info WHERE salary_avg IS NOT NULL GROUP BY salary_range ORDER BY salary_range;这个 SQL 的思路是将平均薪资按 5K 一个区间进行分桶比如10-15K、15-20K。SQL 里使用FLOOR(salary_avg / 5) * 5算出区间下限再拼上区间上限。5.5 行业岗位分布SELECT industry, COUNT(*) AS job_count FROM job_info GROUP BY industry ORDER BY job_count DESC LIMIT 15;以上 SQL 分析语句的结果最终会被 Python 读取并用于可视化。实际应用中不建议把 SQL 字符串全部写在绘图代码里最好单独整理成analysis.sql文件或封装到 Python 函数里方便复用和修改。6. 可视化大屏实现6.1 为什么用 PyEcharts在简历项目里可视化方案主要有以下选择方案优点缺点Matplotlib简单、入门友好图表交互性差颜值一般Seaborn统计图表美观依赖 Matplotlib交互也有限PyEcharts交互效果好中文文档完善需要了解 ECharts 配置项Tableau / Power BI无需写代码不适合展示编程能力Streamlit / Dash可搭建完整 Web 应用部署相对复杂从简历项目的角度来看PyEcharts 是一个不错的折中方案代码量可控图表类型丰富且最终生成的是 HTML 文件可以直接用浏览器打开面试演示非常方便。6.2 从 MySQL 读取聚合结果先用 Python 执行 SQL拿到 DataFrame# 文件路径src/03_sql_analysis.py import pandas as pd import pymysql def get_data(sql): conn pymysql.connect( hostlocalhost, userroot, password你的数据库密码, databasejob_analysis, charsetutf8mb4 ) df pd.read_sql(sql, conn) conn.close() return df # 各城市岗位量 df_city get_data( SELECT city, COUNT(*) AS job_count FROM job_info GROUP BY city ORDER BY job_count DESC LIMIT 10 ) print(df_city)pd.read_sql会自动将查询结果包装为 DataFrame省去了手动遍历游标的步骤。6.3 柱状图城市岗位需求 Top 10# 文件路径src/04_chart_city.py from pyecharts.charts import Bar from pyecharts import options as opts def draw_city_bar(df_city): c ( Bar() .add_xaxis(df_city[city].tolist()) .add_yaxis(岗位数量, df_city[job_count].tolist()) .set_global_opts( title_optsopts.TitleOpts(title数据分析岗位城市分布 Top10), xaxis_optsopts.AxisOpts(axislabel_optsopts.LabelOpts(rotate30)), yaxis_optsopts.AxisOpts(name岗位数量) ) ) c.render(output/city_bar.html) if __name__ __main__: df_city get_data( SELECT city, COUNT(*) AS job_count FROM job_info GROUP BY city ORDER BY job_count DESC LIMIT 10 ) draw_city_bar(df_city)6.4 饼图学历要求分布# 文件路径src/05_chart_education.py from pyecharts.charts import Pie from pyecharts import options as opts def draw_education_pie(df_edu): data_pair list(zip(df_edu[education], df_edu[job_count])) c ( Pie() .add(, data_pair, radius[35%, 60%]) .set_global_opts( title_optsopts.TitleOpts(title学历要求分布), legend_optsopts.LegendOpts(orientvertical, pos_top15%, pos_right5%) ) .set_series_opts(label_optsopts.LabelOpts(formatter{b}: {c} ({d}%))) ) c.render(output/education_pie.html)重点说明label_opts中的formatter{b}代表名称{c}代表数值{d}代表百分比。这是 ECharts 的标准格式语法PyEcharts 中也通用。6.5 折线图或箱线图经验与薪资关系经验维度既适合看岗位数量也适合看平均薪资。这里用柱线组合图展示# 文件路径src/06_chart_exp_salary.py from pyecharts.charts import Bar, Line from pyecharts import options as opts def draw_exp_salary(df_exp): x_data df_exp[experience].tolist() bar ( Bar() .add_xaxis(x_data) .add_yaxis(岗位数量, df_exp[job_count].tolist()) .extend_axis( yaxisopts.AxisOpts( name平均薪资(K), type_value, positionright ) ) .set_global_opts( title_optsopts.TitleOpts(title经验要求与岗位数量/薪资关系), xaxis_optsopts.AxisOpts(axislabel_optsopts.LabelOpts(rotate0)), ) ) line ( Line() .add_xaxis(x_data) .add_yaxis(平均薪资, df_exp[avg_salary].tolist(), yaxis_index1) ) bar.overlap(line) bar.render(output/exp_salary_combo.html)这里的左轴表示岗位数量右轴表示平均薪资两个维度的量纲不同因此用双轴展示。6.6 词云图岗位描述关键词职位描述中暗含技术栈和任职要求做词云可以直观看出企业最看重的能力。# 文件路径src/07_chart_wordcloud.py from pyecharts.charts import WordCloud from pyecharts import options as opts import jieba from collections import Counter # 从数据库读取所有职位描述 def draw_wordcloud(df_desc): text .join(df_desc[job_desc].tolist()) # 分词并过滤 stopwords set([ 以及, 可以, 我们, 进行, 相关, 工作, 负责, 要求, 任职, 然后, 等等, 具有, 优先, 良好, 职位, 描述, 熟悉, 了解, 岗位 ]) words [w for w in jieba.cut(text) if len(w) 1 and w not in stopwords] counter Counter(words).most_common(100) c ( WordCloud() .add(, counter, word_size_range[20, 100]) .set_global_opts(title_optsopts.TitleOpts(title技能关键词词云)) ) c.render(output/wordcloud.html) # 安装依赖pip install jieba需要安装中文分词库pip install jieba词云图的中文分词效果高度依赖停用词表实际项目中应该根据数据不断补充停用词否则会出现大量无意义词汇。6.7 制作总览大屏图表完成后可以做一个简单的总览大屏。推荐两种方案方案一Page 组合# 文件路径src/08_dashboard.py from pyecharts.charts import Page from pyecharts.charts import Bar, Pie, Line, WordCloud page Page(layoutPage.SimplePageLayout) page.add(city_bar) page.add(education_pie) page.add(exp_salary_combo) page.add(wordcloud_chart) page.render(output/dashboard.html)Page会将多个图表依次纵向排列简单直接适合课程设计验收。方案二Tab 切换from pyecharts.charts import Tab tab Tab() tab.add(city_bar, 城市分布) tab.add(education_pie, 学历要求) tab.add(exp_salary_combo, 经验与薪资) tab.add(wordcloud_chart, 技能词云) tab.render(output/tab_dashboard.html)对于毕设或简历项目第二种方案更像一个完整的数据看板切换逻辑清晰演示时更好讲。7. 完整项目结构为了让代码更有工程感建议按下面的目录组织项目job_analysis_project/ ├── data/ │ ├── boss_job.csv # 原始数据 │ └── job_clean.csv # 清洗后数据 ├── src/ │ ├── 01_data_clean.py # 数据清洗 │ ├── 02_write_mysql.py # 写入MySQL │ ├── 03_sql_analysis.py # SQL查询封装 │ ├── 04_chart_city.py # 城市柱状图 │ ├── 05_chart_education.py # 学历饼图 │ ├── 06_chart_exp_salary.py# 经验-薪资组合图 │ ├── 07_chart_wordcloud.py # 词云图 │ ├── 08_dashboard.py # 总览大屏 │ └── db_config.py # 数据库连接配置 ├── output/ │ └── ... # 生成的HTML图表 ├── sql/ │ └── create_table.sql # 建表语句 └── README.md # 项目说明文档这里建议把数据库连接配置单独抽到一个文件# 文件路径src/db_config.py DB_CONFIG { host: localhost, user: root, password: 你的密码, database: job_analysis, charset: utf8mb4, cursorclass: pymysql.cursors.DictCursor }其他模块统一通过import db_config引用避免每个文件都维护一份连接信息。8. 常见问题与排查8.1 MySQL 连接报错问题现象常见原因解决思路Access denied for user rootlocalhost密码错误检查用户名密码注意大小写Unknown database job_analysis未创建数据库先执行 CREATE DATABASEAuthentication plugin cannot be loadedMySQL 8.0 认证插件问题升级 pymysql或创建用户指定 mysql_native_passwordTable job_info already exists表冲突建表 SQL 先执行 DROP TABLE IF EXISTS中文变成???连接字符集不是 utf8mb4连接参数加charsetutf8mb4建库指定字符集8.2 pyecharts 图表不显示PyEcharts 生成的是 HTML 文件需要用浏览器打开output/xxx.html不是用 Python 运行后在控制台直接看到图片。如果你在 Jupyter Notebook 中使用需要加上from pyecharts.globals import CurrentConfig, NotebookType CurrentConfig.NOTEBOOK_TYPE NotebookType.JUPYTER_LAB8.3 词云图不显示中文确保系统安装了中文字体并且在绘图前对分词结果做过滤把单字、标点、停用词全部去掉。8.4 薪资解析结果不对先用小样本打印parse_salary的输入输出检查原始薪资字段是否有特殊前缀或全角字符。全角字符会导致正则匹配失败建议提前做str.replace(, K)这类清洗。9. 如何把这个项目写到简历上项目做完只是第一步简历上如何呈现同样重要。不要只用“使用 Python MySQL 做了招聘数据分析”这种描述要突出过程和量化结果。简历项目描述参考招聘数据分析可视化系统 - 使用 Python 采集招聘平台的岗位数据通过 Pandas 完成薪资解析、城市归一化、学历归一化等清洗流程处理数据 5000 条 - 设计 MySQL 数据库表结构通过 PyMySQL 批量入库使用 SQL 完成城市岗位量、学历薪资、经验薪资等维度聚合统计 - 基于 PyEcharts 实现可视化大屏包含柱状图、饼图、组合图、词云图直观呈现岗位需求分布与薪资影响因素。写简历项目时要注意两点一是数据量不要虚构哪怕只有几百条也可以说“清洗处理了该岗位方向的全量公开样本”二是每个技术点都要能经得起追问。比如写了“SQL聚合统计”面试官就可能问“薪资字段怎么拆的”“为什么用 PyMySQL 而不是 MySQLdb”。10. 项目扩展方向如果时间充裕可以给项目增加更多深度10.1 增加岗位技能关联分析把职位描述中的技能词提取出来分析“Python SQL 可视化工具”这类技能组合在一起出现的频率用热力图或关联图展示。10.2 增加薪资预测模型基于清洗后的数据将城市、学历、经验、公司规模编码为特征使用线性回归或决策树预测薪资区间。这一步可以让项目从“数据分析”延伸到“机器学习”。10.3 数据自动化采集更新将手动运行改为定时调度每天增量采集当天新增岗位存入 MySQL并基于最新数据重新渲染图表。可以参考使用APScheduler或 Windows 计划任务注意遵守目标平台的 robots 协议与合法授权要求。10.4 交互式可视化在现有图表的基础上接入 Streamlit实现“选择城市 → 查看岗位词云和薪资分布”的下钻交互。这段经历在面试中很加分因为它展示了你具备产品思维。如果你正在准备秋招或课程设计这篇文章的项目流程可以直接参考。建议不要只停留在跑通代码最好能替换成自己感兴趣的岗位方向比如 Java 开发、前端工程师或产品经理换一份数据重新分析。数据不同业务结论就不同项目的独特性和可讲性都会明显提升。希望这套流程能帮你完成一个拿得出手的数据分析作品。