本文可以带你了解哪些数据科学职位最具吸引力，或者哪些职位能够提供最高薪水。或许，你还想知道经验水平如何与数据科学的平均工资挂钩？
在本文中，将深入研究数据科学就业市场，从而解答所有这些问题（以及更多问题）。跟随本文开始了解吧！
数据集薪资趋势
本文将使用的数据集旨在揭示2021年至2023年期间数据科学领域的薪资模式。通过重点关注工作历史、工作职位以及公司地点等因素，该数据集为了解该行业的工资分布情况提供了重要依据。
本文将为以下问题找到答案：
- 不同经验水平的平均工资是什么样的？
- 数据科学领域中最常见的职位名称是什么？
- 薪资分布如何随公司规模变化？
- 数据科学岗位主要位于哪些地理位置？
- 数据科学中哪些职位提供薪酬最高？
可以从Kaggle下载这些数据。
【数据集】：https://www.kaggle.com/code/zabihullah18/data-science-salary-trend
1. 不同经验水平的平均工资是什么样的？
在这个SQL查询中，本文正在找出不同经验水平的平均工资。GROUP BY子句按经验水平对数据进行分组，AVG函数计算每个组的平均工资。
这有助于了解该领域的经验如何影响收入潜力，这对规划数据科学的职业道路至关重要。接下来查看一下代码。
SELECT experience_level, AVG(salary_in_usd) AS avg_salary
FROM salary_data
GROUP BY experience_level;现在，本文使用Python可视化这个输出。
以下是代码。
# 导入绘图所需的库
import matplotlib.pyplot as plt
import seaborn as sns
# 设置图表样式
sns.set(style="whitegrid")
# 初始化用于存储图形的列表
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()现在，本文来比较一下入门级和资深级、中级和高级的工资。
首先从入门级和资深级的开始。以下是代码。
# 筛选入门级和资深级的数据
entry_experienced = df[df['experience_level'].isin(['Entry_Level', 'Experienced'])]
# 筛选中级和高级数据
mid_senior = df[df['experience_level'].isin(['Mid-Level', 'Senior'])]
# 绘制入门级与资深级的对比图表
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()这是生成的图表。
图片
现在，本文来绘制中级和高级的工资。以下是代码。
# 绘制中级和高级的图表
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()图片
2. 数据科学领域中最常见的职位名称是什么？
在这里，本文将提取数据科学领域中前10个最常见的职位名称。COUNT函数会统计每个职位名称的出现次数，并按降序排列结果，从而将最常见的职位名称排在最前面。
通过这些信息，可以了解就业市场的需求情况，从而确定自己可以瞄准的潜在职位目标。接下来查看一下代码。
SELECT job_title, COUNT(*) AS job_count
FROM salary_data
GROUP BY job_title
ORDER BY job_count DESC
LIMIT 10;好的，现在使用Python来可视化这个查询。
以下是代码。
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()接下来看看图表。
图片
3. 薪资分布如何随公司规模变化？
在这个查询中，本文提取了每个公司规模分组的平均薪资、最低薪资和最高薪资。使用AVG、MIN和MAX等聚合函数有助于全面了解薪资情况与公司规模的关系。
这些数据非常重要，因为它们可以帮助你了解可以期望的潜在收入，这取决于你想要加入的公司的规模。接下来查看一下代码。
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;现在，本文将使用Python来可视化这个查询。
以下是代码。
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()以下是输出结果。
图片
4. 数据科学岗位主要位于哪些地理位置？
在这里，本文确定了拥有最多数据科学职位机会的前10个地点。本文使用COUNT函数来确定每个地点的职位发布数量，并按降序排列，以突出显示机会最多的地区。
掌握了这些信息，可以帮助读者了解数据科学职位的中心地理区域，有助于做出潜在的迁移决定。接下来查看一下代码。
SELECT company_location, COUNT(*) AS job_count
FROM salary_data
GROUP BY company_location
ORDER BY job_count DESC
LIMIT 10;现在，本文将使用Python来绘制上述代码的图表。
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()请查看如下所示的图表。
图片
5. 数据科学领域中哪些职位提供薪酬最高？
在这里，本文确定了数据科学领域中薪资最高的前10个职位头衔。通过使用AVG，本文计算出每个职位头衔的平均薪资，并根据平均薪资的降序排序，以突出显示最赚钱的职位。
通过查看这些数据，可以在自己的职业道路上有所追求。接下来继续了解读者如何为这些数据创建Python可视化。
SELECT job_title, AVG(salary_in_usd) AS avg_salary
FROM salary_data
GROUP BY job_title
ORDER BY avg_salary DESC
LIMIT 10;以下是输出结果。
排名 | 职位头衔 | 平均薪资（美元） |
1 | 数据科学技术主管 | 375,000.00 |
2 | 云数据架构师 | 250,000.00 |
3 | 数据主管 | 212,500.00 |
4 | 数据分析主管 | 211,254.50 |
5 | 首席数据科学家 | 198,171.13 |
6 | 数据科学总监 | 195,140.73 |
7 | 首席数据工程师 | 192,500.00 |
8 | 机器学习软件工程师 | 192,420.00 |
9 | 数据科学经理 | 191,278.78 |
10 | 应用科学家 | 190,264.48 |
这次，读者可以尝试自己创建一个图表。
提示：可以使用以下ChatGPT中的提示来生成此图形的Pythonic代码：
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.
#
# 创建一个Python图形来可视化数据科学领域中薪资最高的前10个职位头衔，类似于上述给定SQL查询所得到的见解。 结语
跟随本文结束对数据科学职业世界的多种探索，希望SQL能成为一个可靠的指南，帮助你发掘出有关支持职业决策的见解。
