

本科生与研究生薪资差异有多大？

大话数据分析

2025-04-09

导读：本科生与研究生月薪差了多少？

大家好，承接上一篇内容，我们研究了不同行业的数据分析岗位的平均薪资情况，发现互联网行业的平均薪资普遍高于传统行业的平均薪资，这与大众的认知是符合的，具体结论可以参考下面的文章。

数据分析岗薪资竟然可以达到两万？

本节我们探究学历与薪资的关系，对于大家来说，都很期待本科生与研究生的平均薪资差异有多大？1-3年经验、3-5年经验、5-10经验不同学历对应的平均薪资是什么样的？下面用数据说话。

数据准备

首先，我们需要导入必要的库并加载数据。

import pandas as pdimport numpy as npfrom pyecharts import options as optsfrom pyecharts.charts import Barfrom pyecharts.globals import SymbolTypeimport re

导入本节爬取的数据，需要案例数据的同学，可以在本公众号后台回复「加群」，添加作者获取。

# 加载数据df = pd.read_excel('/home/mw/project/BOSS直聘数据分析师职位.xlsx')# 查看数据概览df.head(3)

# 查看数据信息df.info()

数据清洗

我们需要对数据进行清洗，特别是薪资范围和经验要求字段。

def process_salary(salary):    if not isinstance(salary, str):        return np.nan        # 处理日薪    if '元/天' in salary:        # 提取第一个数值（-前面的数值）        daily = float(re.findall(r'(\d+\.?\d*)', salary.split('-')[0])[0])        return daily * 30 / 1000  # 转换为月薪(千元)，按30天计算        # 处理时薪    elif '元/时' in salary:        # 提取第一个数值（-前面的数值）        hourly = float(re.findall(r'(\d+\.?\d*)', salary.split('-')[0])[0])        return hourly * 8 * 30 / 1000  # 转换为月薪(千元)，8小时/天，30天/月        # 处理月薪    elif 'K' in salary or 'k' in salary:        # 提取第一个数值（-前面的数值）        monthly = float(re.findall(r'(\d+\.?\d*)', salary.split('-')[0])[0])        # 处理16薪等情况        if '薪' in salary:            months = float(re.findall(r'(\d+)薪', salary)[0])            return monthly * months / 12        return monthly        # 处理纯数字月薪（如10000-15000）    elif re.search(r'\d+-\d+', salary):        # 提取第一个数值（-前面的数值）        monthly = float(re.findall(r'(\d+\.?\d*)', salary.split('-')[0])[0])        return monthly / 1000  # 转换为千元        # 其他情况（如纯数字）    else:        try:            return float(re.findall(r'(\d+\.?\d*)', salary)[0]) / 1000  # 转换为千元        except:            return np.nan# 应用处理函数df['薪资月薪(K)'] = df['薪资范围'].apply(process_salary)# 显示前3行结果df.head(3)

# 经验要求处理def process_experience(exp):    if isinstance(exp, str):        if '经验不限' in exp or '在校/应届' in exp:            return '经验不限/应届'        elif '1-3年' in exp:            return '1-3年'        elif '3-5年' in exp:            return '3-5年'        elif '5-10年' in exp:            return '5-10年'        elif '10年以上' in exp:            return '10年以上'        elif '1年以内' in exp:            return '1年以内'    return '未注明'df['经验要求分类'] = df['经验要求'].apply(process_experience)df.head(3)

# 学历要求处理df['学历要求'] = df['学历要求'].fillna('未注明')# 地区处理 - 提取上海的区域def extract_district(location):    if isinstance(location, str):        if '上海' in location:            parts = location.split('·')            if len(parts) > 1:                return parts[1]    return '其他'df['区域'] = df['地区'].apply(extract_district)df.head(3)

学历与薪资关系

分析硕士学历是否比本科学历获得更高薪资，以及经验如何弥补学历差距。

# 筛选本科和硕士的样本edu_df = df[df['学历要求'].isin(['本科', '硕士'])]# 按学历和经验分组统计薪资edu_exp_salary = edu_df.groupby(['学历要求', '经验要求分类'])['薪资月薪(K)'].mean().unstack()# 可视化bar2 = (    Bar()    .add_xaxis(edu_exp_salary.index.tolist())    .add_yaxis("1-3年经验", edu_exp_salary['1-3年'].round(1).tolist())    .add_yaxis("3-5年经验", edu_exp_salary['3-5年'].round(1).tolist())    .add_yaxis("5-10年经验", edu_exp_salary['5-10年'].round(1).tolist())    .set_global_opts(        title_opts=opts.TitleOpts(title="不同学历和经验组合的平均薪资"),        yaxis_opts=opts.AxisOpts(name="薪资(千元)"),    ))bar2.render_notebook()

# 计算学历差距和经验弥补master_avg = edu_df[edu_df['学历要求'] == '硕士']['薪资月薪(K)'].mean()bachelor_avg = edu_df[edu_df['学历要求'] == '本科']['薪资月薪(K)'].mean()print(f"不同学历平均薪资对比:")print(f"硕士平均薪资: {master_avg:.1f}k, 本科平均薪资: {bachelor_avg:.1f}k")print(f"硕士比本科高: {(master_avg - bachelor_avg):.1f}k ({(master_avg/bachelor_avg-1)*100:.1f}%)")