编写程序统计行业招聘薪资行情数据，智能比对企业薪资标准，优化薪资体系，减少企业人才流失问题。

一、实际应用场景描述在中型及以上企业的人力资源管理中经常出现- 企业需制定或调整岗位薪资标准Salary Band- 市场上同岗位薪资随城市、行业、经验年限波动明显- 企业内部薪资数据分散在 HR 系统 / Excel 中缺乏统一口径- 管理层关心“我们给得够不够哪些岗位容易因薪资偏低导致离职”典型使用方- HR 薪酬组薪酬对标、调薪预算- 业务负责人招聘定薪、保留核心员工- BI / 数据分析岗人力效能分析该场景属于 BI 中 人力资源分析People Analytics 描述性与诊断性分析 的范畴。二、引入痛点Business Pain Points从管理与数据角度可抽象为1. 外部市场数据缺失或滞后- 依赖年度薪酬报告频率低、颗粒度粗- 难以及时感知招聘平台上的薪资变化2. 内部薪资结构不透明- 同岗不同薪、薪资倒挂- 缺乏“市场分位值P25/P50/P75”对标3. 决策依据不足- 调薪往往“拍脑袋”或只凭个别 offer- 难以量化低于市场多少会带来流失风险4. 无法闭环验证- 薪资调整后难以后续跟踪离职率、招聘接受率等效果三、核心逻辑讲解BI 数据分析视角1. 问题拆解整体流程为市场薪资数据 ──► 清洗 / 标准化 ──► 按岗位城市经验分组统计│▼企业内部员工薪资 ──► 同口径聚合 ──► 与市场分位值比对│▼输出竞争力缺口、异常岗位、调薪建议2. 关键统计口径BI 指标设计- 月薪估算将“10-15k×13薪”等转为月度均值- 分组维度岗位、城市、工作年限区间- 市场指标- P25 / P50中位数/ P75- 对比指标- 企业 P50 与市场 P50 差值- 低于市场 P25 的人数占比风险人群3. 优化目标中性描述- 识别明显低于市场合理区间的岗位/员工- 为薪酬宽带Salary Band校准提供数据依据- 降低因“薪资明显偏低”带来的可预防性流失风险四、Python 程序模块化设计项目结构salary_benchmark/│├── data_loader.py # 数据读取与基础清洗├── market_stats.py # 市场薪资统计分位值├── benchmark.py # 企业薪资对标├── reporter.py # 结果输出与摘要├── main.py # 入口程序└── README.md五、代码模块化示例注释清晰1. data_loader.pyimport pandas as pddef load_market_data(path: str) - pd.DataFrame:读取市场招聘薪资数据例如从公开数据集或合规来源必要字段- job_title- city- experience_year_min- experience_year_max- salary_min- salary_max- salary_months年薪月数通常12df pd.read_csv(path)return dfdef load_internal_salary(path: str) - pd.DataFrame:读取企业内部薪资数据必要字段- emp_id- job_title- city- experience_years- monthly_salarydf pd.read_csv(path)return df2. market_stats.pyimport numpy as npdef calc_monthly_salary(df: pd.DataFrame) - pd.DataFrame:计算市场岗位估算月薪df df.copy()df[monthly_salary] ((df[salary_min] df[salary_max]) / 2 / df[salary_months])return dfdef group_market_stats(df: pd.DataFrame) - pd.DataFrame:按岗位城市经验区间分组输出分位值df[exp_band] pd.cut(df[experience_year_min],bins[0, 1, 3, 5, 10, 100],labels[0-1, 1-3, 3-5, 5-10, 10])stats (df.groupby([job_title, city, exp_band])[monthly_salary].agg(market_p25quantile,market_p50median,market_p75quantile,countcount).reset_index())stats[market_p25] stats[market_p25].apply(lambda x: round(x, 0))stats[market_p50] stats[market_p50].apply(lambda x: round(x, 0))stats[market_p75] stats[market_p75].apply(lambda x: round(x, 0))return stats3. benchmark.pydef assign_exp_band(years):将员工工作年限映射到同一分组if years 1:return 0-1elif years 3:return 1-3elif years 5:return 3-5elif years 10:return 5-10else:return 10def benchmark_internal(internal_df: pd.DataFrame,market_stats_df: pd.DataFrame) - pd.DataFrame:将内部薪资与市场规模薪资对标df internal_df.copy()df[exp_band] df[experience_years].apply(assign_exp_band)df df.merge(market_stats_df,on[job_title, city, exp_band],howleft)df[gap_vs_market_p50] df[monthly_salary] - df[market_p50]df[below_market_p25] df[monthly_salary] df[market_p25]return df4. reporter.pydef summary_report(bench_df: pd.DataFrame) - None:输出诊断摘要控制台示例total len(bench_df)risk bench_df[below_market_p25].sum()print( 薪资对标摘要 )print(f样本人数: {total})print(f低于市场P25人数: {risk})print(f占比: {risk / total:.1%})risk_jobs (bench_df[bench_df[below_market_p25]].groupby(job_title)[emp_id].count().sort_values(ascendingFalse))print(\n风险岗位低于P25人数:)print(risk_jobs.head(10))5. main.pyfrom data_loader import load_market_data, load_internal_salaryfrom market_stats import calc_monthly_salary, group_market_statsfrom benchmark import benchmark_internalfrom reporter import summary_reportdef main():market_raw load_market_data(market_jobs.csv)internal load_internal_salary(internal_salary.csv)market calc_monthly_salary(market_raw)market_stats group_market_stats(market)result benchmark_internal(internal, market_stats)summary_report(result)result.to_csv(salary_benchmark_result.csv, indexFalse)if __name__ __main__:main()六、README 文件示例# Salary Benchmark Tool## 简介基于 Python 的薪资行情统计与企业内部薪资对标示例程序用于支持薪酬分析、岗位薪资校准与保留风险识别。## 数据要求- market_jobs.csv岗位、城市、经验、薪资区间- internal_salary.csv员工、岗位、城市、经验、月薪## 运行方式bashpip install pandas numpypython main.py## 输出- 控制台摘要报告- salary_benchmark_result.csv含市场分位值与差距七、核心知识点卡片Course Concepts类别 内容数据层 数据清洗、月薪标准化、分组聚合BI 指标 P25/P50/P75、薪资缺口、风险人群占比分析类型 描述性分析 诊断性分析人力域 薪酬宽带、外部公平性、保留风险技术栈 Pandas、NumPy、分组统计管理视角 调薪依据、岗位竞争力、数据驱动 HR八、去营销化说明- 不依赖任何商业 HR 软件或薪酬数据库- 可使用公开数据集、脱敏样本数据或教学数据- 逻辑以可解释统计为主避免黑盒模型导向- 目标为“分析支持”不等同于完整薪酬制度设计九、总结该示例说明- 薪资体系优化可以先从“市场对标 内部诊断”做起- Python 很适合做这类 分组统计 比对分析 的 BI 原型- 输出结果应服务于识别问题 → 限定范围 → 支持协商与调整- 在企业中这类分析通常进一步扩展为薪酬仪表盘Dashboard、季度对标、流失关联分析等利用AI解决实际问题如果你觉得这个工具好用欢迎关注长安牧笛