一、研究背景与研究意义1.1 研究背景数据相关岗位在数字化转型中快速扩张但“数据岗位”并不是单一职业。数据分析师、数据工程师、数据科学家、机器学习工程师和管理岗位的职责、技能门槛与薪资结构均有明显差异。只看整体平均薪资容易掩盖经验层级与岗位构成。远程办公、跨国雇佣和地区薪酬差异进一步增加了比较难度。同一岗位在不同国家、公司规模和办公方式下可能对应不同的市场定价因此需要在统一美元口径下结合岗位与组织特征开展结构化分析。代码报告数据集https://mbd.pub/o/bread/YZaUlJ1wZg1.2 研究意义第一薪资分布分析可以帮助求职者理解中位水平、离散程度和高薪尾部避免把少量极端案例当作普遍市场报价。第二经验和岗位分组能够识别职业成长路径说明技能升级与职责变化可能对应的薪资区间。第三远程办公、公司规模和地区比较可以揭示市场结构差异为招聘预算、岗位定价和职业选择提供参考。第四轻量模型能够检验现有字段的信息含量并形成可重复的薪资区间估计。1.3 研究问题本研究回答五个问题总体薪资呈现怎样的分布2020—2023 年薪资中位数如何变化经验层级与岗位类别的差异有多大远程办公、公司规模与地区是否呈现稳定差异岭回归和随机森林能达到怎样的测试集误差。二、数据结构与研究设计二、数据结构与研究设计2.1 数据结构原始文件包含 3,755 条记录、11 个字段覆盖 2020—2023 年。原始薪资采用多种货币分析统一使用 salary_in_usd 字段。去重后样本为 2,584 条无缺失值。变量类型取值或范围用途年份连续2020—2023趋势与预测经验层级分类初级至管理层职业阶段用工类型分类全职、合同等就业形式岗位名称分类93 类岗位结构美元年薪连续5,132—450,000核心指标远程比例连续0、50、100办公方式公司地区分类72 个地区比较公司规模分类小型、中型、大型组织特征2.2 分析与模型方法探索性分析使用直方图、箱线图、柱状图和相关系数热力图。由于薪资右偏且存在高薪尾部分组结果优先使用中位数同时报告样本数量避免小样本类别产生误导。预测部分对薪资取自然对数分类变量采用独热编码年份和远程比例标准化。数据按 80% 与 20% 划分训练集和测试集比较中位数基线、岭回归和随机森林并在还原美元口径后计算 MAE、RMSE 与 R²。三、总体薪资分布median_salary df[salary_in_usd].median() mean_salary df[salary_in_usd].mean() plt.figure(figsize(7.6, 4.6)) ax sns.histplot(df[年薪_千美元], bins30, kdeTrue, colorCOLORS[0]) ax.axvline(median_salary / 1000, color#9E2A2B, linestyle--, linewidth1.8, labelf中位数 {median_salary/1000:.1f} 千美元) ax.set_title(图1 数据岗位美元年薪分布, fontsize15, fontweightbold) ax.set_xlabel(年薪千美元) ax.set_ylabel(记录数) ax.legend(frameonFalse) finish_figure(fig01_salary_distribution.png)去重样本的年薪中位数为 130.0 千美元均值为 133.4 千美元。分布右侧尾部较长少量高薪岗位抬高均值说明中位数更适合描述典型水平。大部分记录集中在中等薪资区间高薪记录数量较少但跨度较大。右偏分布意味着“平均薪资”可能高于多数求职者实际面对的报价发布市场报告时应同时给出中位数、四分位数和样本量。四、年度变化左图分析各年份箱体整体上移说明样本中的典型薪资水平提高同一年份内部仍有较大离散。右图分析年薪中位数从 2020 年的 74.1 千美元上升到 2023 年的 140.0 千美元。五、经验层级与薪资exp_counts df[经验层级].value_counts().reindex(exp_order) plt.figure(figsize(7.4, 4.4)) ax sns.barplot(xexp_counts.index, yexp_counts.values, hueexp_counts.index, paletteCOLORS[:4], legendFalse) ax.set_title(图5 不同经验层级的样本数量, fontsize15, fontweightbold) ax.set_xlabel(经验层级) ax.set_ylabel(记录数) annotate_bars(ax) finish_figure(fig05_experience_counts.png)初级、中级、高级和管理层年薪中位数依次为 61.9、95.0、148.8 和 189.6 千美元。高级岗位数量最多占样本的 60.1%整体数据明显偏向资深从业者。六、岗位结构与岗位溢价岗位频数反映市场需求与数据覆盖的共同结果。数据工程、数据科学和数据分析岗位数量较多说明企业的数据基础设施、建模和业务分析需求构成主要用工方向。高薪岗位通常具有更高技术门槛、研究复杂度或决策责任但岗位名称并不能完整描述工作内容。不同企业可能使用相同名称表示不同职责也可能使用不同名称描述相似工作因此需要结合技能栈和职位描述。七、远程办公与薪资左图分析完全远程占样本的 46.9%现场办公同样占较大比例混合办公较少。右图分析完全远程岗位年薪中位数为 130.0 千美元现场办公为 137.5 千美元。八、公司规模与薪资九、用工类型与地区差异十、相关结构与变量关系corr_cols [work_year, salary_in_usd, remote_ratio, 经验序数, 规模序数] corr df[corr_cols].corr().rename(index{work_year:年份, salary_in_usd:美元年薪, remote_ratio:远程比例, 经验序数:经验层级, 规模序数:公司规模}, columns{work_year:年份, salary_in_usd:美元年薪, remote_ratio:远程比例, 经验序数:经验层级, 规模序数:公司规模}) plt.figure(figsize(6.8, 5.3)) ax sns.heatmap(corr, annotTrue, fmt.2f, cmapBlues, vmin-1, vmax1, center0, squareTrue, linewidths0.8) ax.set_title(图14 数值指标相关系数热力图, fontsize15, fontweightbold, pad12) finish_figure(fig14_correlation_heatmap.png) print(corr.round(3).to_string())经验层级具有明确的有序结构因此与薪资的相关系数较高。年份相关系数反映整体市场与样本结构随时间变化。远程比例只有三个取值简单相关系数无法充分表达它与岗位、地区之间的交互。岗位名称、公司地区和用工类型是分类变量不适合直接放入普通相关矩阵。预测模型通过独热编码把这些类别纳入从而评估它们与薪资的综合关系。相关系数和模型重要性都不能替代因果识别。十一、模型设计与效果比较预测任务以美元年薪为目标输入年份、经验层级、用工类型、岗位名称、远程比例、公司地区和公司规模。对数变换用于缓解右偏训练集与测试集按经验层级分层抽样保证两部分结构相近。模型MAE千美元RMSE千美元R²中位数基线52.1365.40-0.006岭回归36.4148.650.443随机森林37.8249.590.422岭回归的 RMSE 最低为 48.7 千美元R² 为 0.443岭回归和随机森林均明显优于中位数基线。十一、预测诊断与变量贡献十二、结论、建议与研究局限12.1 主要结论第一数据岗位薪资呈明显右偏分布中位数为 130.0 千美元均值为 133.4 千美元。少量高薪记录会抬高平均水平市场比较应优先采用中位数。第二经验层级形成稳定薪资梯度岗位名称和公司地区也表现出显著分层。高级岗位在样本中占比最高整体薪资结论更接近资深从业者市场。第三远程办公、公司规模和用工类型存在分组差异但受到岗位、地区、经验和样本量影响不能作简单因果解释。跨地区比较还需要考虑生活成本和购买力。第四轻量模型已经能显著改善基线预测最优模型测试集 RMSE 为 48.7 千美元。岗位、经验、地区等变量包含有效信息但高薪端仍存在较大不确定性。12.2 实践建议建议一求职者应使用“岗位—经验—地区”三维基准比较薪资而不是只看行业平均值。建议二企业建立分层薪酬带并明确每一职级的技能、独立交付和业务影响要求。建议三远程岗位报价应明确按员工所在地、公司所在地还是全球统一薪酬带执行。建议四模型输出应提供中位预测和合理区间并由招聘与业务负责人复核不自动替代岗位评估。12.3 研究局限与后续方向数据缺少具体工作年限、教育背景、技能栈、行业、城市、奖金、股权与福利岗位名称也不能完全代表职责。重复记录去除降低了结构偏差但也可能把真实重复招聘合并因此结果应理解为去重岗位组合的分析。后续可引入城市生活成本和购买力平价对岗位名称进行技能主题聚类并按年份开展时间外验证。最终目标不是追求复杂模型而是形成透明、可解释、可更新的薪资比较体系。具体细节见原文创造不易谢谢各位多多点赞收藏
