? 今日目標

• 使用 Pandas + Matplotlib/Seaborn 對簡歷數據進行探索性分析
• 分析不同字段與目標變量的相關性
• 通過可視化呈現簡歷篩選的潛在規律

---

🧾 一、建議分析內容

🔹 分類字段分析

字段	圖表建議	說明
degree	柱狀圖（分組通過率）	分析學歷與通過率關系
university_type	條形圖	是否為雙一流影響篩選？

🔹 數值字段分析

字段	圖表建議	說明
work_years	箱型圖 / 小提琴圖	工齡 vs 通過率分布
project_count, desc_len	散點圖	項目數量/質量是否有利篩選

🔹 多變量交叉分析

• 使用 hue="pass_screening" 對比不同特征組合
• 相關系數熱力圖 sns.heatmap(df.corr())

---

📦 所需工具

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

---

?? 今日練習任務

編寫 eda_visualize.py 實現以下內容：

• 讀取原始數據 resume_data.csv

• 繪制多個字段與通過率之間的圖表

• 可輸出為本地圖片或顯示圖形窗口

  # eda_visualize.py - 簡歷數據可視化分析腳本import pandas as pd
  import seaborn as sns
  import matplotlib.pyplot as pltplt.rcParams['font.family'] = 'Arial Unicode MS'  # Mac 用戶可用
  plt.rcParams['axes.unicode_minus'] = False# 設置風格
  sns.set(style="whitegrid")# 讀取數據
  df = pd.read_csv("./data/resume_data.csv")# 設置字體顯示中文（可選）
  plt.rcParams['font.family'] = ['Arial Unicode MS']  # macOS
  # plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows
  # plt.rcParams['axes.unicode_minus'] = False# 學歷 vs 通過率
  plt.figure(figsize=(6, 4))
  sns.barplot(x="degree", y="pass_screening", data=df)
  plt.title("學歷 vs 簡歷通過率")
  plt.savefig("plot_degree_pass.png")# 學校類型 vs 通過率
  plt.figure(figsize=(6, 4))
  sns.barplot(x="university_type", y="pass_screening", data=df)
  plt.title("學校類型 vs 簡歷通過率")
  plt.savefig("plot_univ_pass.png")# 工齡分布對通過率影響
  plt.figure(figsize=(6, 4))
  sns.boxplot(x="pass_screening", y="work_years", data=df)
  plt.title("工齡 vs 簡歷通過情況")
  plt.savefig("plot_work_years_pass.png")# 項目描述長度 vs 篩選通過（散點圖）
  plt.figure(figsize=(6, 4))
  sns.scatterplot(x="project_desc_len", y="project_count", hue="pass_screening", data=df)
  plt.title("項目描述長度 & 數量 vs 篩選")
  plt.savefig("plot_project_scatter.png")# 相關系數熱力圖
  plt.figure(figsize=(10, 6))
  corr = df.corr(numeric_only=True)
  sns.heatmap(corr, annot=True, cmap="YlGnBu")
  plt.title("字段相關系數熱力圖")
  plt.savefig("plot_corr_heatmap.png")print("? 圖表已生成并保存為 PNG 文件。")