@98行路者
爬虫工程师
省略 · 1年经验
日薪：
￥600/8h
地点：
其他 全区
时间：
可工作日驻场（自由职业原因）
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
1.掌握Python语言、熟悉Python各种第三方库、具有扎实的Python编程能力。
2.熟练使用Excel办公软件,掌握SUMIF、COUNTIF、VLOOKUP、SUBSTITUTE等基本函数的使用。
3.了解Scrapy爬虫框架,熟悉网页爬取原理及技术,熟悉正则匹配、requests、Xpath。
4.了解Numpy, Pandas进行数据处理工作。
5.了解Matplotlib,Seaborn、PyEcharts等库并进行数据可视化。
6.了解常用的数据分析业务模型，5W2H模型、AARRR模型、和RFM用户价值分群等。
7.了解Power BI和Tableau等数据分析可视化工具。
8.了解MySQL数据库操作,能在MySQL环境下进行增删改查。
9.了解MySQL窗口函数、掌握ROW_NUMBER( )、RANK( )、DENSE_RANK( )。
10.了解Git远程仓库、分支(branch)、版本(tag)等常用操作指令。
11.了解sklearn机器学习框架，了解KNN. LinearRegression、LR、K-means、Decision Tree、朴素贝叶
12.掌握各种剪辑软件的基本操作，有一定的摄影基础，有航拍经验。
2.熟练使用Excel办公软件,掌握SUMIF、COUNTIF、VLOOKUP、SUBSTITUTE等基本函数的使用。
3.了解Scrapy爬虫框架,熟悉网页爬取原理及技术,熟悉正则匹配、requests、Xpath。
4.了解Numpy, Pandas进行数据处理工作。
5.了解Matplotlib,Seaborn、PyEcharts等库并进行数据可视化。
6.了解常用的数据分析业务模型，5W2H模型、AARRR模型、和RFM用户价值分群等。
7.了解Power BI和Tableau等数据分析可视化工具。
8.了解MySQL数据库操作,能在MySQL环境下进行增删改查。
9.了解MySQL窗口函数、掌握ROW_NUMBER( )、RANK( )、DENSE_RANK( )。
10.了解Git远程仓库、分支(branch)、版本(tag)等常用操作指令。
11.了解sklearn机器学习框架，了解KNN. LinearRegression、LR、K-means、Decision Tree、朴素贝叶
12.掌握各种剪辑软件的基本操作，有一定的摄影基础，有航拍经验。
项目经验
项目1：电商订单数据用户行为分析
项目介绍：为了平台创造出更多的利润,并且能够合理的投放广告,使用网站2019年销售数据进行分析,根据复购率、回购率、GMV、客单价、转化率、折扣率、拒退量、拒退额、实际销售额等指标以及RFM消费模型得到高价值的用户进行有针对的客户管理和维护 。
负责内容：
1.了解数据组成、类型、字段（数据约10万条数据、10个字段、有文本，数值，日期等类型）；
2. 数据清洗：
● 删除重复数据；
● 过滤订单号重复数据；
● 过滤支付时间早于订单创建时间；
● 订单金额或支付金额小于0的数据；
● 过滤渠道ID为空；
● 过滤非2019年数据。
3. 数据分析：
● 计算交易总金额（GMV）、总成交额、实际成交额；
● 计算总成交额占比GMV，实际成交额占比GMV；
● 计算总单数，退单数，未退单数，退单率；
● 画出2019年GMV、总成交额、实际成交额趋势图，得出结论；
● 画出各渠道销售额占比的饼图，得出结论；
● 计算周一到周日哪天的下单量最高，画出条形图，得出结论；
● 根据RFM模型，将用户分类。
4. 进行指标的说明：
● GMV（总交易额、成交总额）：Gross Merchandise Volume，通常说的交易“流水”；
● 客单价（ARPU）：总收入/总用户数（不重复）；
● 转化率：付费用户数/访客数；
● 折扣率： GMV/吊牌总额 ，其中吊牌总额为： 吊牌价×销量；
● 拒退量：拒收和退货的总数量；
● 拒退额：拒收和退货的总金额；
● 实际销售额：GMV-拒退额。
项目2: 使用Scrapy框架爬取链家深圳的二手房信息并进行可视化
项目介绍：可以了解深圳各行政区的二手房源的各维度信息 。
负责内容:
1.使用爬虫获取数据，Numpy、Pandas导入数据，观察数据。
● 使用Scrapy爬虫框架爬取深圳各行政区的二手房源的详细信息（约20000条数据）；
● 了解数据类型（有object、float）；
● 了解字段的基本信息（有title：房源标题、total_price：总价、direction：房间朝向等共11个字段）；
● 统计空值数量；
● 检查数据中是否有重复值需要删除。
2.Matplotlib，Seaborn，PyEcharts进行数据可视化。
● 标题文本的词云图；
● 户型分布；
● 均价最贵的15个地段
● 均价最贵的15个小区
● 各行政区的均价；
● 房间朝向分布。
项目介绍：为了平台创造出更多的利润,并且能够合理的投放广告,使用网站2019年销售数据进行分析,根据复购率、回购率、GMV、客单价、转化率、折扣率、拒退量、拒退额、实际销售额等指标以及RFM消费模型得到高价值的用户进行有针对的客户管理和维护 。
负责内容：
1.了解数据组成、类型、字段（数据约10万条数据、10个字段、有文本，数值，日期等类型）；
2. 数据清洗：
● 删除重复数据；
● 过滤订单号重复数据；
● 过滤支付时间早于订单创建时间；
● 订单金额或支付金额小于0的数据；
● 过滤渠道ID为空；
● 过滤非2019年数据。
3. 数据分析：
● 计算交易总金额（GMV）、总成交额、实际成交额；
● 计算总成交额占比GMV，实际成交额占比GMV；
● 计算总单数，退单数，未退单数，退单率；
● 画出2019年GMV、总成交额、实际成交额趋势图，得出结论；
● 画出各渠道销售额占比的饼图，得出结论；
● 计算周一到周日哪天的下单量最高，画出条形图，得出结论；
● 根据RFM模型，将用户分类。
4. 进行指标的说明：
● GMV（总交易额、成交总额）：Gross Merchandise Volume，通常说的交易“流水”；
● 客单价（ARPU）：总收入/总用户数（不重复）；
● 转化率：付费用户数/访客数；
● 折扣率： GMV/吊牌总额 ，其中吊牌总额为： 吊牌价×销量；
● 拒退量：拒收和退货的总数量；
● 拒退额：拒收和退货的总金额；
● 实际销售额：GMV-拒退额。
项目2: 使用Scrapy框架爬取链家深圳的二手房信息并进行可视化
项目介绍：可以了解深圳各行政区的二手房源的各维度信息 。
负责内容:
1.使用爬虫获取数据，Numpy、Pandas导入数据，观察数据。
● 使用Scrapy爬虫框架爬取深圳各行政区的二手房源的详细信息（约20000条数据）；
● 了解数据类型（有object、float）；
● 了解字段的基本信息（有title：房源标题、total_price：总价、direction：房间朝向等共11个字段）；
● 统计空值数量；
● 检查数据中是否有重复值需要删除。
2.Matplotlib，Seaborn，PyEcharts进行数据可视化。
● 标题文本的词云图；
● 户型分布；
● 均价最贵的15个地段
● 均价最贵的15个小区
● 各行政区的均价；
● 房间朝向分布。
@98行路者
爬虫工程师 · 1年经验 · 省略
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
1.掌握Python语言、熟悉Python各种第三方库、具有扎实的Python编程能力。
2.熟练使用Excel办公软件,掌握SUMIF、COUNTIF、VLOOKUP、SUBSTITUTE等基本函数的使用。
3.了解Scrapy爬虫框架,熟悉网页爬取原理及技术,熟悉正则匹配、requests、Xpath。
4.了解Numpy, Pandas进行数据处理工作。
5.了解Matplotlib,Seaborn、PyEcharts等库并进行数据可视化。
6.了解常用的数据分析业务模型，5W2H模型、AARRR模型、和RFM用户价值分群等。
7.了解Power BI和Tableau等数据分析可视化工具。
8.了解MySQL数据库操作,能在MySQL环境下进行增删改查。
9.了解MySQL窗口函数、掌握ROW_NUMBER( )、RANK( )、DENSE_RANK( )。
10.了解Git远程仓库、分支(branch)、版本(tag)等常用操作指令。
11.了解sklearn机器学习框架，了解KNN. LinearRegression、LR、K-means、Decision Tree、朴素贝叶
12.掌握各种剪辑软件的基本操作，有一定的摄影基础，有航拍经验。
2.熟练使用Excel办公软件,掌握SUMIF、COUNTIF、VLOOKUP、SUBSTITUTE等基本函数的使用。
3.了解Scrapy爬虫框架,熟悉网页爬取原理及技术,熟悉正则匹配、requests、Xpath。
4.了解Numpy, Pandas进行数据处理工作。
5.了解Matplotlib,Seaborn、PyEcharts等库并进行数据可视化。
6.了解常用的数据分析业务模型，5W2H模型、AARRR模型、和RFM用户价值分群等。
7.了解Power BI和Tableau等数据分析可视化工具。
8.了解MySQL数据库操作,能在MySQL环境下进行增删改查。
9.了解MySQL窗口函数、掌握ROW_NUMBER( )、RANK( )、DENSE_RANK( )。
10.了解Git远程仓库、分支(branch)、版本(tag)等常用操作指令。
11.了解sklearn机器学习框架，了解KNN. LinearRegression、LR、K-means、Decision Tree、朴素贝叶
12.掌握各种剪辑软件的基本操作，有一定的摄影基础，有航拍经验。
项目经验
项目1：电商订单数据用户行为分析
项目介绍：为了平台创造出更多的利润,并且能够合理的投放广告,使用网站2019年销售数据进行分析,根据复购率、回购率、GMV、客单价、转化率、折扣率、拒退量、拒退额、实际销售额等指标以及RFM消费模型得到高价值的用户进行有针对的客户管理和维护 。
负责内容：
1.了解数据组成、类型、字段（数据约10万条数据、10个字段、有文本，数值，日期等类型）；
2. 数据清洗：
● 删除重复数据；
● 过滤订单号重复数据；
● 过滤支付时间早于订单创建时间；
● 订单金额或支付金额小于0的数据；
● 过滤渠道ID为空；
● 过滤非2019年数据。
3. 数据分析：
● 计算交易总金额（GMV）、总成交额、实际成交额；
● 计算总成交额占比GMV，实际成交额占比GMV；
● 计算总单数，退单数，未退单数，退单率；
● 画出2019年GMV、总成交额、实际成交额趋势图，得出结论；
● 画出各渠道销售额占比的饼图，得出结论；
● 计算周一到周日哪天的下单量最高，画出条形图，得出结论；
● 根据RFM模型，将用户分类。
4. 进行指标的说明：
● GMV（总交易额、成交总额）：Gross Merchandise Volume，通常说的交易“流水”；
● 客单价（ARPU）：总收入/总用户数（不重复）；
● 转化率：付费用户数/访客数；
● 折扣率： GMV/吊牌总额 ，其中吊牌总额为： 吊牌价×销量；
● 拒退量：拒收和退货的总数量；
● 拒退额：拒收和退货的总金额；
● 实际销售额：GMV-拒退额。
项目2: 使用Scrapy框架爬取链家深圳的二手房信息并进行可视化
项目介绍：可以了解深圳各行政区的二手房源的各维度信息 。
负责内容:
1.使用爬虫获取数据，Numpy、Pandas导入数据，观察数据。
● 使用Scrapy爬虫框架爬取深圳各行政区的二手房源的详细信息（约20000条数据）；
● 了解数据类型（有object、float）；
● 了解字段的基本信息（有title：房源标题、total_price：总价、direction：房间朝向等共11个字段）；
● 统计空值数量；
● 检查数据中是否有重复值需要删除。
2.Matplotlib，Seaborn，PyEcharts进行数据可视化。
● 标题文本的词云图；
● 户型分布；
● 均价最贵的15个地段
● 均价最贵的15个小区
● 各行政区的均价；
● 房间朝向分布。
项目介绍：为了平台创造出更多的利润,并且能够合理的投放广告,使用网站2019年销售数据进行分析,根据复购率、回购率、GMV、客单价、转化率、折扣率、拒退量、拒退额、实际销售额等指标以及RFM消费模型得到高价值的用户进行有针对的客户管理和维护 。
负责内容：
1.了解数据组成、类型、字段（数据约10万条数据、10个字段、有文本，数值，日期等类型）；
2. 数据清洗：
● 删除重复数据；
● 过滤订单号重复数据；
● 过滤支付时间早于订单创建时间；
● 订单金额或支付金额小于0的数据；
● 过滤渠道ID为空；
● 过滤非2019年数据。
3. 数据分析：
● 计算交易总金额（GMV）、总成交额、实际成交额；
● 计算总成交额占比GMV，实际成交额占比GMV；
● 计算总单数，退单数，未退单数，退单率；
● 画出2019年GMV、总成交额、实际成交额趋势图，得出结论；
● 画出各渠道销售额占比的饼图，得出结论；
● 计算周一到周日哪天的下单量最高，画出条形图，得出结论；
● 根据RFM模型，将用户分类。
4. 进行指标的说明：
● GMV（总交易额、成交总额）：Gross Merchandise Volume，通常说的交易“流水”；
● 客单价（ARPU）：总收入/总用户数（不重复）；
● 转化率：付费用户数/访客数；
● 折扣率： GMV/吊牌总额 ，其中吊牌总额为： 吊牌价×销量；
● 拒退量：拒收和退货的总数量；
● 拒退额：拒收和退货的总金额；
● 实际销售额：GMV-拒退额。
项目2: 使用Scrapy框架爬取链家深圳的二手房信息并进行可视化
项目介绍：可以了解深圳各行政区的二手房源的各维度信息 。
负责内容:
1.使用爬虫获取数据，Numpy、Pandas导入数据，观察数据。
● 使用Scrapy爬虫框架爬取深圳各行政区的二手房源的详细信息（约20000条数据）；
● 了解数据类型（有object、float）；
● 了解字段的基本信息（有title：房源标题、total_price：总价、direction：房间朝向等共11个字段）；
● 统计空值数量；
● 检查数据中是否有重复值需要删除。
2.Matplotlib，Seaborn，PyEcharts进行数据可视化。
● 标题文本的词云图；
● 户型分布；
● 均价最贵的15个地段
● 均价最贵的15个小区
● 各行政区的均价；
● 房间朝向分布。
立即沟通
