企业官网建设流程全解析

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。

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：

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) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 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：

1. 先过滤掉“面议”这类无效记录。
2. 用正则提取最低薪资和最高薪资。
3. 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 = 17.5

3.3 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 MySQL

4.1 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', encoding='utf-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', encoding='gbk')

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', encoding='utf-8') # 1. 删除全空行 df = df.dropna(how='all') # 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', index=False, encoding='utf-8-sig')

说明几个容易踩坑的点：

• encoding='utf-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', encoding='utf-8-sig') # 连接数据库 conn = pymysql.connect( host='localhost', user='root', password='你的数据库密码', database='job_analysis', charset='utf8mb4', cursorclass=pymysql.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 10

SELECT 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：

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( host='localhost', user='root', password='你的数据库密码', database='job_analysis', charset='utf8mb4' ) 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_opts=opts.TitleOpts(title='数据分析岗位城市分布 Top10'), xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=30)), yaxis_opts=opts.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_opts=opts.TitleOpts(title='学历要求分布'), legend_opts=opts.LegendOpts(orient='vertical', pos_top='15%', pos_right='5%') ) .set_series_opts(label_opts=opts.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( yaxis=opts.AxisOpts( name='平均薪资(K)', type_='value', position='right' ) ) .set_global_opts( title_opts=opts.TitleOpts(title='经验要求与岗位数量/薪资关系'), xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=0)), ) ) line = ( Line() .add_xaxis(x_data) .add_yaxis('平均薪资', df_exp['avg_salary'].tolist(), yaxis_index=1) ) 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_opts=opts.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(layout=Page.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

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_LAB

8.3 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', '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。