完整分析流程與洞察

在這篇文章中，我將分享我在進行 Kaggle ML & DS Survey 資料分析專案時所採用的探索性資料分析（EDA, Exploratory Data Analysis）流程。

剛開始自主分析時的確相當混亂，幾乎沒有任何進展。後來開始釐清問題，並參考他人是如何分析的，意外接觸到「探索性資料分析」這個概念，便以此作為切入點展開分析。

本篇前半段主要介紹 EDA 的基本概念，後半段則紀錄實際的分析過程。我重新整理並撰寫分析的每個步驟，除了幫助自己釐清邏輯，也強化記憶。畢竟從完成專案到回頭重寫這篇文章，時間其實並不長，才過不久卻發現思緒已經模糊，因此特別想記錄下來。

在重新整理筆記的過程中，我發現不少邏輯錯誤，透過釐清原意與修正問題，補足了許多原本遺漏或模糊的觀念。對我來說，這是一個非常有幫助的反思與學習過程。因此，本篇某種程度上是寫給自己看的筆記，可能顯得有些冗長、不夠精煉，但若你對分析的邏輯與思考方式有興趣，也歡迎參考。

本篇將依照「資料處理 → 探索分析 → 目標釐清 → 主題洞察 → 策略反思與視覺化」的邏輯來呈現整體成果。

由於我是自行學習的初學者，內容中可能仍有錯誤。我已盡力查證與修正，但無法保證所有觀念都完全正確，若有不妥之處，也請不吝指正，感謝。

探索性資料分析（EDA, Exploratory Data Analysis）介紹

• 在資料分析中，EDA 是「理解資料、找出問題與機會」的起點：
  • 釐清資料結構與邏輯：資料來自哪裡？有什麼欄位？格式是否一致？
  • 辨識與處理異常：是否有缺值？不合理值？欄位意義是否混亂？
  • 觀察變數分布與趨勢：什麼是常見值？哪些變數有分布偏斜？
  • 提出分析假設與方向：我們可以從資料中回答哪些問題？有哪些有趣的關聯？
• 這些步驟幫助我們在後續建模、視覺化與報告時，做出更精準且具意義的分析。

• EDA 分析流程

  • Step 1. 資料結構理解
    • 使用 .head()、.info() 初步了解欄位與型態
    • 確認資料量、缺失比例與欄位命名邏輯

  ---

  • Step 2. 資料清理與轉換
    • 處理缺值與格式不一致（例如薪資欄位中的區間文字）
    • 建立跨年度欄位對照表，統一欄位命名與順序
    • 將區間轉為數值（如：“30-39” → 35）

  ---

  • Step 3. 欄位分類與變數篩選
    • 將欄位區分為：類別型（如性別、國家）與數值型（如年齡、薪資）
    • 建立技能數量、國家地區分類欄位，幫助後續分群

  ---

  • Step 4. 單變量分析（Univariate Analysis）
    • 觀察各變數的分布：如薪資級距、職稱類型、人數比例
    • 使用 bar chart、histogram 呈現結果

  ---

  • Step 5. 雙／多變量分析（Bivariate/Multivariate）
    • 交叉觀察兩變數關係，如：地區 vs 薪資、技能 vs 職位
    • 使用氣泡圖、堆疊長條圖、boxplot 呈現不同組合

  ---

  • Step 6. 擬定分析主軸與策略
    • 根據觀察結果，決定要聚焦的主題與切入方式
    • 例如：薪資落差與國家／技能關聯、技能變化趨勢與學習資源影響

  ---

探索性資料分析分析過程。

從這裡開始將進入整個分析流程，若對細節不感興趣，可直接跳轉至 下一篇。

Step 1. 資料結構理解

使用 .head()、.info()、.describe()、.isnull() 等方法確認資料的基本結構，了解資料欄位、檢查缺失值與異常值。這裡使用的是課程中第一次清洗後的資料。

• df.head()：快速預覽前幾筆資料。

  >>> df.head()
  ividuals are respons...        0            2291
  surveyed_in question_index  question_type                               question_description response  response_count
  0         2020            Q21  Single Choice  Approximately how many individuals are respons...        0            2291
  1         2020            Q21  Single Choice  Approximately how many individuals are respons...      1-2            2645
  2         2020            Q21  Single Choice  Approximately how many individuals are respons...    10-14             692
  3         2020            Q21  Single Choice  Approximately how many individuals are respons...    15-19             300
  4         2020            Q21  Single Choice  Approximately how many individuals are respons...      20+            2247
  

  ---

  
  

• df.info()：快速檢視資料。

  顯示整個 DataFrame 的結構、欄位名稱、資料型別（dtype）、非空值數量（Non-Null Count）與記憶體使用情況。

  • 為什麼這樣做：

    • 快速確認哪些欄位有「缺失值」。
    • 檢查資料型別是否正確（例如數字是否被誤當作文字）。
    • 確認資料筆數是否與預期相符。

    >>> df.info()
    <class 'pandas.core.frame.DataFrame'>
    RangeIndex: 13725 entries, 0 to 13724
    Data columns (total 6 columns):
    #   Column                Non-Null Count  Dtype 
    ---  ------                --------------  ----- 
    0   surveyed_in           13725 non-null  int64 
    1   question_index        13725 non-null  object
    2   question_type         13725 non-null  object
    3   question_description  13725 non-null  object
    4   response              13725 non-null  object
    5   response_count        13725 non-null  int64
    dtypes: int64(2), object(4)
    memory usage: 643.5+ KB
    

    
    

    欄位	資料型別	說明
    surveyed_in	int64	✅ 沒問題，年份是整數。
    question_index	object	✅ 題號，文字型態合理。
    question_description	object	✅ 題目，文字型態合理。
    response	object	✅ 回覆，文字型態合理。
    response_count	int64	✅ 出現次數是整數。

    ✅ 所有欄位皆無缺值

  ---

  
  

• df.isnull()：再次檢查是否有遺漏值

  • 這個方法能清楚列出每個欄位的缺失值筆數。

  >>> df.isnull().sum()
  surveyed_in             0
  question_index          0
  question_type           0
  question_description    0
  response                0
  response_count          0
  dtype: int64
  

  ---

  
  

• df.describe()：簡單的描述統計

  對數值欄位（如 int、float）產出統計摘要，包括：總數、平均值、標準差、最小值、四分位數與最大值。

  • 用途：
    • 發現極端值（如 response_count 過高）。
    • 評估資料分布與離散程度。

      >>> df_describe
                  2020          2021          2022
      count   4723.000000   5004.000000   3998.000000  # count（總數）：每個欄位中非缺失值（非 NaN）的數量。
      mean     177.742748    238.049361    206.326413  # mean（平均值）：每個欄位的平均值。
      std      886.520151   1200.215385   1098.017375  # std（標準差）：用來衡量數據的分散程度(標準差越小，表示資料值越接近樣本平均數。標準差越大，表示資料值分佈越廣，某些值離樣本平均數越遠。)。
      min        1.000000      1.000000      1.000000  # min（最小值）：每個欄位的最小值。
      25%        1.000000      1.000000      1.000000  # 25%（第一四分位數）：數據中的 25% 分位值。
      50%        1.000000      2.000000      1.000000  # 50%（中位數或第二四分位數）：數據的中位數，也稱作 50% 分位值。
      75%       12.000000     15.000000     14.000000  # 75%（第三四分位數）：數據中的 75% 分位值。
      max    15789.000000  21860.000000  18653.000000  # max（最大值）：欄位的最大值。
      

    如何判斷 標準差： 標準差 / 平均值 = 變異係數 CV < 0.1（10%）：變異小（資料穩定） CV ≈ 0.2~0.3：中等變異 CV > 0.5：變異很大（高度不穩定）

  ---

  
  

• 建立跨年度題目對照表：kaggle_question_reference_table

  不同年度的題號不一致（如 Q6 在 2020 是「年資」，在 2022 則是「程式經驗」），需對應。

  • 好處
    • 對齊不同年份的相同題目。
    • 避免混淆欄位。
    • 可支援跨年度視覺化分析。

Step 2. 分類欄位與數值欄位：

• response 資料表 (全部回覆資料)：
  • 數值型變數：
    • respondent_id：使用者編號
    • surveyed_in：年份
  • 類別型變數：
    • question_index：題目編號
    • response：回答內容（主要分析對象）

• questions 資料表：
  • 數值型變數：
    • surveyed_in：年分
  • 類別型變數：
    • question_index：題目編號
    • question_type：單複選
    • question_description：題目內容

• aggregated_responses 檢視表：
  • 數值型變數：
    • surveyed_in：年份
    • response_count：回覆總數
  • 類別型變數：
    • question_description：題目內容
    • response：回答內容（主要分析對象）

• kaggle_question_reference_table 資料表 (找出共通題目)：
  • 類別型變數：
    • question_description：題目內容
    • 2020：2020年題目標號
    • 2021：2021年題目標號
    • 2022：2022年題目標號
      
      

Step 3. 單變量分析（Univariate Analysis）

1. surveyed_in（年份）：

   • 目標：掌握每年問卷數量，評估樣本規模。
   • 說明：能幫助辨識不合理狀況，例如問卷數為 500 卻有超過 1000 筆回覆。
   
   

2. question_index（題目代號）：看哪些題目最常出現

   • 目的：了解各題目出現頻率。
   • 說明：有助於觀察熱門題目、趨勢變動、新增題目或冷門題目。
   
   

3. question_type（題目類型）：類別型變數，單選 vs 多選 數量

   • 目的：統計單選題與多選題的數量。
   • 說明：本資料中約 93% 為單選題，6% 為多選題。
   
   

4. response（選項內容）：類別型變數，出現頻率最高的選項（限制特定題目）

   • 目的：分析回覆選項的出現頻率，找出關鍵選項。
   • 說明：初步分析應聚焦於「出現次數高」的選項。
   • 範例：找出出現次數最多的選項（最高為 21860 筆），並對應該選項的題目 Q7 進行深入觀察。
   
   
   

Step 4. 擬定分析主軸與策略

• 檢視過基礎資料後，我發現幾個待解決的問題：

  1. 題號與回覆資料需要標準化。
  2. 若想分析特定族群，需要先建立群組。
  3. 目前目標不夠明確，需進一步釐清分析方向。
  
  

• 釐清目標

  • 1. 明確定義分析目標
    • 我問自己：「我想從這份資料中解答什麼問題？」
      
      • 這次的主要目標是：

        了解資料分析師的實際樣貌與技能需求，進而修正錯誤認知、規劃學習方向。

      • 探索面：他們都在做什麼？需要哪些技能？
      • 策略面：這職位適合我嗎？值得花時間投入嗎？

  ---

  
  
  • 2. 拆解具體子題
    • 將總體目標拆解為可執行的分析子題，例如：
      • 常見技能有哪些？
      • 不同國家或年資的薪資有何差異？
      • Data Analyst 和其他職位的技能需求有何不同？
      • 哪些技能與高薪相關？

  ---

  
  
  • 3. 確認分析範圍與資料 - 重新整理資料範圍。
    • 聚焦 2020–2022 年共通題目（約 25 題），並依主題分類如下：
      • 基礎輪廓：年齡、性別、學歷、國家、薪資。
      • 技能與工具：程式語言、資料庫、ML 框架、ML 演算法、視覺化工具、IDE、CV、NLP。
      • 工作與職責：職稱、工作內容、公司規模、DS 團隊規模、ML 使用情況。
      • 經驗：程式經驗、ML 經驗、使用TPU的次數。
      • 學習資源：學習平台、媒體來源。
      • 特殊題目：產業分類、初學工具。

  ---

  
  
  • 4. 收集資料與清理
    • 統一欄位命名與回覆格式（清理 None、錯別字）
    • 將類別回覆轉為結構化資料（如將程式語言轉為 One-hot 編碼）
    • 篩選分析對象（例如排除學生或無業者）

  ---

  
  
  • 5. 分析與視覺化
    • 使用 Power BI 進行資料探索，包含：
      • 薪資分佈、職稱熱力圖、技能佔比長條圖、年度趨勢變化等。

    目的：讓資料背後的故事更具體、直觀易懂。

  ---

  
  
  • 6. 洞察 → 回到目標
    • 分析過程中不斷檢視：「這些結果是否能回應我一開始的問題？」
    • 若能，則彙整出具體結論並規劃後續行動，例如：
      • 哪些技能是一定要學的？（如 Python、Scikit-learn）
      • 是否值得投入這個職涯方向？
      • 下一步是補足哪些能力？申請哪些職位？

  ---

  
  
  • 7. 總結：
    • 分析目標：了解資料分析師的實際樣貌與技能需求，進而修正錯誤認知、規劃學習方向。
    • 目標族群：以 “Data Analyst”、“Business Analyst”、“Data Scientist”…等，相關職業為主。
    • 分析方向：基礎輪廓分析、技能與工具分析、工作內容與公司環境、學習資源與趨勢追蹤、薪資與經驗分析。

  ---

  
  

主題式分析與洞察過程。

1. 資料驗證

資料清理是整個分析中最耗時的部分，包含命名標準化、資料驗證、型別轉換與欄位分群。有些資料表（如 country_area、salary_order、prog_lang_skill_group 等）是分析需求建立的，接下來會一一說明這些表的設計原因與用處。

• 在分析前要先檢查資料的狀況 (Step 1. 資料結構理解)，因為所拿到的資料不一定是自己處理過的版本，需要再檢查一次「格式、缺失、異常值」。

2. 基礎輪廓分析

• 目的：瞭解整體樣貌與背景

• 發現問題。

  • 年薪資料異常嚴重：有大量樣本標示極低薪資，與常理不符，尤其即使在低收入國家也應超過 $1,000 美元。

    資料中 0 佔比高達 28%，0–999 佔比約 13%。

  • 年薪與經驗矛盾：存在「程式經驗 1–3 年」卻標示「年薪超過 50 萬美元」的極端樣本，判斷為誤填。
  • 資料多為文字格式：如 salary: 0–999，coding_exp: 1–3 years，需轉為數值方能進行比較與篩選。

• 處理方式。
  • 建立 salary_order 資料表
    • 將年薪區間轉為中位數（例如：0–999 → 500），利於數值計算與排序。
  • 建立 country_area 資料表，加入 GDP 和 最低薪資，驗證 年薪 資料的正確性。
    • 建立各國GDP資料

      資料來源：Gapminder 中的 Fast Track、檔案名稱：ddf–datapoints–gdp_pcap–by–country–time.csv

    • 依 GDP 分群為四類：低收入 / 中低 / 中高 / 高收入
    • 加入各國 匯率 、 貨幣單位 與 最低工資（最低工資轉換為美金）

      匯率標準：2022 年最後一週
      資料來源：ILO（國際勞工組織）、檔案名稱：EAR_4MMN_CUR_NB_A-20250529T0752.csv

• 視覺化。

  
  
  • 國家分布（country）
    • 印度與美國樣本最多，印度佔比接近三成。
  
  
  • 年齡 (age)
    • 多數集中在 22–44 歲，其中 25–29 歲佔比逾 24%。
    • 顯示資料分析領域多為轉職或職場初中期族群。
  
  
  • 性別分布 (gender)
    • 男性佔比約 79%，女性與非二元性別佔比明顯偏低。
  
  
  • 學歷 (education)
    • 約 80% 擁有學士或碩士學位。
    • 顯示資料分析職位通常要求高等教育背景，碩士學歷有助於晉升或起薪。
  
  
  • 年薪 (salary)
    • 初始樣本中有超過一半（52%）標示年薪低於 $5,000，包括 0 與 0–999，清理後僅剩 9725 筆有效資料。

    本圖表為清理後的資料分布，排除了低於法定最低薪資、極端高薪但無經驗等明顯異常樣本。
    年薪區間以中位數換算為美金，並以 ILO 公布的最低工資與 Gapminder 的 GDP 分組做為清理標準，確保樣本具備一定信度。

• 總結與思考。
  • 樣貌輪廓：以 年輕（25–29 歲）、碩士學歷、男性 為主，地區則以 印度與美國為最大樣本來源。
  • 年薪為最需清理的欄位，誤填、遺漏與極端值比例高，清理完後年薪僅 9725 筆為有效樣本，作為薪資後續分析基礎。
  • 後續需將不同經濟發展程度與地區文化背景納入解釋框架，例如：薪資應該在「相對經濟環境下」來比較，而非直接以全球統一標準比較。

3. 技能與工具分析

• 目的：觀察產業中最常見的工具與技術，作為學習參考
  

• 視覺化。

  
  

  • 使用 IDE (ide_tool)

    • Jupyter Notebook 曾是主流 ，但在之後明顯下滑。
    • VSCode 使用率逐年上升，可能是因為擴充功能元多更為方便。
    
    

  • 經常使用的程式語言 (prog_lang)

    • Python 為絕對主流，適用於各類資料處理與建模工作。
    • SQL 比預期的要少，顯示未必是分析師必要技能。
    • R 語言 雖使用率較低，但在統計與 A/B 測試場景具獨特優勢，適合有意深入統計者進一步學習。
    
    

  • 經常使用的資料庫 (databases)

    • 僅約 40% 受訪者回應使用過資料庫，推測多數人主要以 靜態資料檔案（如 CSV） 進行分析。
    • 對於初學者而言，資料庫操作雖非必備，但若進入企業環境將成為重要技能。
    
    

  • 經常使用的視覺化工具 (visualization)

    • 有近 80% 的曾經使用過，顯示圖形化的能力為分析師的核心技能。
    
    

  • ML 框架 (ml_framework)

    • 超過 70% 受訪者使用過至少一種 ML 框架，顯示預測與建模能力已成為資料分析核心技能。

    建議：初學者可從 Scikit-learn 開始，若對深度學習或 NLP 有興趣，再深入 TensorFlow/Keras 或 HuggingFace。

    
    

  • 常見演算法 (ml_algo)

    • 邏輯回歸、決策樹、Gradient Boosting → 簡單好用、適合大部分任務
    • 神經網絡（如 CNN、RNN） → 偏向進階應用（如影像、時間序列）
    
    
    • 以下表格列出各類演算法的特性與初學者建議程度：

    技術類別	解釋	初學者是否常用
    Linear/Logistic Regression	預測數值或分類（例如房價預測、是否購買），經典入門模型。	✅ 非常常見
    Decision Trees / Random Forests	用「一連串條件判斷」來分類或預測，易解釋、入門必學。	✅ 非常常見
    Gradient Boosting Machines (xgboost, lightgbm)	目前很多競賽冠軍都愛用的強大預測模型。	✅ 常見（尤其在實務）
    Dense Neural Networks (MLPs)	基本的深度學習神經網路，處理結構化數據的基本神經網路。	✅ 常見
    Convolutional Neural Networks (CNN)	常用於影像處理的神經網路。	✅ 影像任務常見
    Recurrent Neural Networks (RNN)	處理時間序列或文字，已較少使用。	❌ 現在用 transformers 替代多
    Transformer Networks (BERT, GPT)	處理 NLP、也有用於 CV 等任務，現今主流架構。	✅ 越來越普遍

  
  

  • 常用 CV (cv_tech)：常用的圖片處理

    • 使用率偏低，最多也僅有 17% 使用 Image Classification。
    • 推測 CV 技術屬特定領域（如醫療、製造業）所需，非資料分析師的共通能力。
    
    

  • NLP 技術 (nlp_tech)：自然語言:神經網絡

    • 僅 15% 受訪者曾經使用過自然與，這意味 NLP 屬於特定領域應用，非所有分析師日常工作所需。
    
    

• 總結與思考。

  • 核心必學：Python、Scikit-learn、資料視覺化（Matplotlib、Seaborn）、VSCode/Jupyter
  • 加分技能：SQL、資料庫連接、R 語言、統計知識
  • 建議：不用一開始就學全部，先打好資料處理與分析基礎（Python、視覺化、ML），再依目標補足統計、商業思維或進階技術。

4. 工作內容與公司環境

• 目的：了解職責與產業狀況

  
  

• 發現什麼？

  • 2022 年 job_title 欄位的空值比例高達近 50%。後來發現「學生」被拆分為獨立題目，可能是為了區分是否為在職進修。
  • 原始資料中超過半數屬於非從業者或職稱不明，例如學生（34%）、其他（7%）等，這些樣本未必屬於本次研究的目標分析群體。
  
  

• 如何處理。

  • 將 2022年 的 學生資料 與 job_title 合併。
  • 建立群組欄位 job_title_group，將職稱進行分類以聚焦分析目標，篩選後剩餘樣本數為 22,616 筆。
    • Data-related：如 Data Analyst、Data Scientist、ML Engineer 等。
    • Exclude：如 學生、其他、空值、未就業。
  
  

• 視覺化。

  
  

  • 職稱

    • 資料顯示最多的職稱為 Data Scientist，其次為 Software Engineer 與 Data Analyst，2022 年 Data Analyst 首度超越 Software Engineer。這可能反映出業界需求趨向應用層資料人才的增加。Business Analyst 與 Data Engineer 等職位也持續成長中。
    
    

  • 常見職稱與工作職責（多選題長表）

    • 資料分析相關職位的主要職責為「分析並理解資料以影響產品或商業決策」（約佔 50%），這是資料分析師的核心工作。其次是資料基礎建設與機器學習應用相關任務（各約佔 25–30%），顯示部分分析師也需兼具工程與研發能力。約 20% 的人表示曾參與。
    
    

  • 公司規模

    • 公司規模分布均勻，大公司與小型新創皆有資料分析師職位，顯示該職業於各類型組織中皆有需求。2022 年起大型企業略為增長，可能反映產業數位轉型的趨勢。
    
    

  • DS 團隊規模

    • 最常見的團隊規模為「1–2人」與「20+人」，顯示資料團隊規模呈兩極化：一方面是獨立分析師在小型企業中運作，另一方面則是成熟企業中組成完整的資料科學團隊。中間規模（3–9人）亦具穩定比例，可能為資料部門發展中的常態型態。
    
    

  • 公司是否使用 ML

    • 僅有約 20% 的受訪者表示公司有穩定使用 ML 於生產環境，另有近 30% 表示正處於探索階段，這顯示，即便從業者擁有相關技能，實際部署 ML 至生產環境的情境仍偏少，企業端多處於試驗性質或尚未導入階段。
    
    

  • 所在行業 (目標行業)

    • 資料分析職位最多集中在「科技/電腦」（28%），其次為「會計金融」與「學術教育」（各約 11%），其他如醫療、製造、零售、線上服務則約各佔 4–5%。顯示雖科技業為主體，但跨產業應用正逐步擴展。
    
    

• 總結與思考。

  • 資料分析職位在各產業皆有需求，尤以科技、金融、教育產業為主。常見職稱包括 Data Scientist、Data Analyst 與 Software Engineer，近年 Data Analyst 有明顯上升趨勢。工作職責以「分析資料以影響決策」為主，其次為機器學習與資料基礎建設，顯示跨職能需求。企業端導入機器學習仍以探索階段為主，實際落地比例不高。

5. 學習資源與趨勢追蹤

• 目的：找到主流學習管道
  

• 視覺化。

  
  

  • 入門學習資源分析：

    • 資料顯示，初學者最常使用的學習管道為線上課程（62%）、Kaggle（56.7%）、YouTube（54.6%）。這顯示目前資料學習資源以「數位線上與互動學習」為主，且不再以大學課程為核心。傳統學術課程（僅約 22%）與論壇型社群（如 Reddit）比例明顯較低。
    
    

  • 學習來源：

    • 在資料媒體來源上，YouTube、Kaggle、Blogs（如 Towards Data Science）為主流，三者皆佔 40% 左右。這類內容多為開放式、短時長、即時更新的資訊，反映出資料分析師傾向從社群媒體獲得學習靈感與新知。反觀學術論文、email newsletter 等傳統媒介，佔比逐年下降。
    
    

  • 學習課程平台：

    • Coursera 長期為首選學習平台，但使用率逐年下降（2020 年近 37%、2022 年降至 28%），而 Kaggle Learn 與 Udemy 成為次主力，分別佔約 30%。其他如 DataCamp、edX、LinkedIn Learning 為輔助平台。
    • Coursera (40%)、Kaggle (30%)、Udemy (30%)。
    
    

• 總結與思考。

  • 從學習資源的使用分析可看出，資料分析師的學習方式正快速轉變：由過去仰賴傳統教育體制，逐步轉向以 Coursera、Kaggle Learn、YouTube 為代表的數位化、自主學習為主。
  • 對初學者來說，線上課程提供完整的基礎建構，Kaggle 可用於強化資料處理與建模實作，而社群平台則是追蹤技術趨勢、獲得靈感的重要來源。善用這些開放學習資源，能有效加速學習曲線與實戰轉換率。
  • 對於在職轉職者而言，線上課程、Kaggle、影音與社群平台是最具實用性的學習途徑，能提供快速入門所需的知識與實戰素材。

6. 薪資與經驗分析

• 目的：了解入門門檻與上升空間
  

• 發現什麼？

  • 這段分析主要觀察技能組合、技能數量與程式經驗，是否與職位類型及年薪呈現顯著關聯，所以需要將 技能、經驗 轉為數值。
  
  

• 如何處理。

  • 建立 prog_lang_skill_group：由於技能是以文字紀錄，所以將 prog_lang 轉換成 One-hot 編碼，方便檢查必要技能、統計技能數。

    id	Python	R	SQL	…	skill_count	Python_SQL_group
    0	1	0	1	…	2	1

  • 建立 coding_exp_years_order： 將經驗區間轉為中位數（例如：1-3 years → 4），利於數值計算與排序。
  
  

• 視覺化。

  
  
  
  • 薪資 & 經驗 & 洲別
    • 可明顯看出北美與大洋洲的年薪顯著高於其他地區。
    • 也能看出隨這經驗的提升，薪水會漸漸提高。
  • 年薪 & 技能(數量) & 職稱
    • 能明顯的看每個職業所需的技能數量是差不多的，可以做為入門學習的指標。
  
  

• 總結與思考。

  • 從地區薪資分布來看，北美與大洋洲的從業者年薪遠高於亞洲與南美，落差甚至可達 3–5 倍，顯示地區經濟條件對薪資的直接影響。經驗方面，年資越多的確有助於提高薪資，但亞洲地區整體成長幅度相對緩慢。
  • 在技能數方面，大多數職位使用 2–3 種程式語言已足以勝任，技能數量雖有幫助，但並非與薪資呈線性關係。更關鍵的，往往是職位本身與所處產業（如 Data Scientist vs Business Analyst）。
  • 這顯示學習策略不應僅追求語言數量，而是結合職位需求、地區特性與經驗深化作為發展主軸。

上一章

下一章