✅ 今日目标

• 使用 Pandas + Matplotlib/Seaborn 对简历数据进行探索性分析
• 分析不同字段与目标变量的相关性
• 通过可视化呈现简历筛选的潜在规律

---

🧾 一、建议分析内容

🔹 分类字段分析

字段	图表建议	说明
degree	柱状图（分组通过率）	分析学历与通过率关系
university_type	条形图	是否为双一流影响筛选？

🔹 数值字段分析

字段	图表建议	说明
work_years	箱型图 / 小提琴图	工龄 vs 通过率分布
project_count, desc_len	散点图	项目数量/质量是否有利筛选

🔹 多变量交叉分析

• 使用 hue="pass_screening" 对比不同特征组合
• 相关系数热力图 sns.heatmap(df.corr())

---

📦 所需工具

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

---

✏️ 今日练习任务

编写 eda_visualize.py 实现以下内容：

• 读取原始数据 resume_data.csv

• 绘制多个字段与通过率之间的图表

• 可输出为本地图片或显示图形窗口

  # eda_visualize.py - 简历数据可视化分析脚本import pandas as pd
  import seaborn as sns
  import matplotlib.pyplot as pltplt.rcParams['font.family'] = 'Arial Unicode MS'  # Mac 用户可用
  plt.rcParams['axes.unicode_minus'] = False# 设置风格
  sns.set(style="whitegrid")# 读取数据
  df = pd.read_csv("./data/resume_data.csv")# 设置字体显示中文（可选）
  plt.rcParams['font.family'] = ['Arial Unicode MS']  # macOS
  # plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows
  # plt.rcParams['axes.unicode_minus'] = False# 学历 vs 通过率
  plt.figure(figsize=(6, 4))
  sns.barplot(x="degree", y="pass_screening", data=df)
  plt.title("学历 vs 简历通过率")
  plt.savefig("plot_degree_pass.png")# 学校类型 vs 通过率
  plt.figure(figsize=(6, 4))
  sns.barplot(x="university_type", y="pass_screening", data=df)
  plt.title("学校类型 vs 简历通过率")
  plt.savefig("plot_univ_pass.png")# 工龄分布对通过率影响
  plt.figure(figsize=(6, 4))
  sns.boxplot(x="pass_screening", y="work_years", data=df)
  plt.title("工龄 vs 简历通过情况")
  plt.savefig("plot_work_years_pass.png")# 项目描述长度 vs 筛选通过（散点图）
  plt.figure(figsize=(6, 4))
  sns.scatterplot(x="project_desc_len", y="project_count", hue="pass_screening", data=df)
  plt.title("项目描述长度 & 数量 vs 筛选")
  plt.savefig("plot_project_scatter.png")# 相关系数热力图
  plt.figure(figsize=(10, 6))
  corr = df.corr(numeric_only=True)
  sns.heatmap(corr, annot=True, cmap="YlGnBu")
  plt.title("字段相关系数热力图")
  plt.savefig("plot_corr_heatmap.png")print("✅ 图表已生成并保存为 PNG 文件。")