年龄与性别 开发人员角色和性别 在我们的调查中，我们看到男性和女性在不同的开发人员角色中的代表有所不同。所有类别的开发人员将男性识别为女性的比例大大高于女性，但是男性与女性的比例各不相同。...高于该线的开发人员类型的受访者比男性更有可能成为男性，而低于该线的开发商类型的受访者则比女性更有可能成为女性。...数据科学家或学术研究人员的开发人员的男性可能性是女性的10倍，而系统管理员或DevOps专家的开发人员的男性可能性是女性的25-30倍。...与男性相比，我们预计10-14岁年龄段会出现大幅下降，尽管与去年的调查相比有所改善。这与其他研究表明女性离开高科技职位的比例高于男性的研究一致。...您在求职期间如何了解一家公司 我们询问了受访者在求职过程中如何了解一家公司，并收到了不同的答复。大多数受访者都会在Glassdoor和Blind等第三方网站上进行评论。
我发现，在 2009 年 2 月至 9 月的大萧条最严重时期，拥有白人男性名字与印度、中国和希腊男性名字相比，并没有太多优势。 我使用了 Oreopoulos（2011）的数据集。...白人男性的名字比中国和印度男性的名字有优势，但幅度不像白人男性与白人女性之间的差异那么大。...例如，有人可能会说，在现实世界中，女性比男性更受教育和更合格。请记住，这是实验数据，所有简历都是人为构造的，所有相关维度都是由 Oreopoulos（2011）随机化的。...，仅仅表明男性和女性相互之间相似是不够的，以支持我关于白人女性溢价的论点。...总的来说，白人男性和女性看起来很相似。我们可以在回归框架中严格控制所有这些因素。我看到种族之间的变化比性别之间的变化更大。种族之间的变化看起来对实验来说过多。
譬如这里我们想要得到gender列的F、M转换为女性、男性的新列，可以有以下几种实现方式： 字典映射 这里我们编写F、M与女性、男性之间一一映射的字典，再利用map()方法来得到映射列： #定义F->女性...，M->男性的映射字典 gender2xb = {'F': '女性', 'M': '男性'} #利用map()方法得到对应gender列的映射列 data.gender.map(gender2xb)...x:'女性' if x is 'F' else '男性') ?...当为多个时传入这些变量名称列表，DataFrame对象通过groupby()之后返回一个生成器，需要将其列表化才能得到需要的分组后的子集，如下面的示例： #按照年份和性别对婴儿姓名数据进行分组 groups...可以看到它此时是生成器，下面我们用列表解析的方式提取出所有分组后的结果： #利用列表解析提取分组结果 groups = [group for group in groups] 查看其中的一个元素： ?
譬如这里我们想要得到gender列的F、M转换为女性、男性的新列，可以有以下几种实现方式： 字典映射 这里我们编写F、M与女性、男性之间一一映射的字典，再利用map()方法来得到映射列： #定义F->女性...，M->男性的映射字典 gender2xb = {'F': '女性', 'M': '男性'} #利用map()方法得到对应gender列的映射列 data.gender.map(gender2xb)...当为多个时传入这些变量名称列表，DataFrame对象通过groupby()之后返回一个生成器，需要将其列表化才能得到需要的分组后的子集，如下面的示例： #按照年份和性别对婴儿姓名数据进行分组 groups...= data.groupby(by=['year','gender']) #查看groups类型 type(groups) 可以看到它此时是生成器，下面我们用列表解析的方式提取出所有分组后的结果：...下面用几个简单的例子演示其具体使用方式： 聚合Series 在对Series进行聚合时，因为只有1列，所以可以不使用字典的形式传递参数，直接传入函数名列表即可： #求count列的最小值、最大值以及中位数
*从本篇开始所有文章的数据和代码都已上传至我的github仓库：https://github.com/CNFeffery/DataScienceStudyNotes 一、简介 pandas提供了很多方便简洁的方法...groupby()、agg()等方法展开详细介绍，并结合实际例子帮助大家更好地理解它们的使用技巧（本文使用到的所有代码及数据均保存在我的github仓库：https://github.com/CNFeffery...gender列的F、M转换为女性、男性的新列，可以有以下几种实现方式： ● 字典映射 这里我们编写F、M与女性、男性之间一一映射的字典，再利用map()方法来得到映射列： #定义F->女性，M->男性的映射字典...当变量为1个时传入名称字符串即可，当为多个时传入这些变量名称列表，DataFrame对象通过groupby()之后返回一个生成器，需要将其列表化才能得到需要的分组后的子集，如下面的示例： #按照年份和性别对婴儿姓名数据进行分组...可以看到它此时是生成器，下面我们用列表解析的方式提取出所有分组后的结果： #利用列表解析提取分组结果 groups = [group for group in groups] 查看其中的一个元素：
每个顶点是由一对x、y坐标定义的位置。该图说明了点、多段线和多边形如何在笛卡尔坐标空间中由顶点定义。 使用几何体对象可以将要素写入要素类，我们可以从坐标值表创建要素。...print(coordinates) 总的来说，Arcpy中的几何对象可以提高代码的效率，大部分几何对象函数创建返回的对象也是几何对象，避免了创建临时要素类和使用光标读取所有要素的步骤。...通常，这是做研究的基础工作，方便了解我们数据在空间上是如何分布的，比如横向对比每个省份之间的总人口差异有哪些，每个省份年龄构成差异有哪些，年龄结构和经济的关系，你可以纵向对比多次人口普查在空间上的差异，...，方便阅读 alias = [ "男性0岁人口", "女性0岁人口", "男性1-4岁人口", "女性1-4岁人口", "男性5-9岁人口", "女性5-..."女性20-24岁人口", "男性25-29岁人口", "女性25-29岁人口", "男性30-34岁人口", "女性30-34岁人口", "男性35-39岁人口
3、和男性相比，每周花费 20 小时以上学习编程知识的女性学历往往更高，年龄也更大 那么，这 16 名每周花费 20 小时以上的时间学习编程知识的女性具备怎样的特点呢？...「挤出时间」以及「保持学习的动力」似乎是所有调查对象的共性难题，尽管选择这两项的女性比例要略微高于男性。在「保持学习兴趣」的选项上，男性的比例要略高于女性。...6、男性和女性编程学员都希望从事网页开发工作，其中更多比例的女性希望从事网页设计工作，而男性则更倾向于成为软件工程师 ? 不论男性或女性编程学员，均有半数左右将网页开发工作定义为自己的理想职业。...在上图中我们不难发现，面对「创立小型企业 / 创业公司」的选择时，男性和女性学员产生了巨大分歧。 9、男性更多使用 Windows 设备，而女性则更倾向于 Mac ? ...不论这项调查所得出的结论是否具备足够的代表性，但有一个结论是确定无疑的，那就是男性和女性都愈发重视关于编程知识的学习。
个人层面的多维度特征，如职业和居住地，通常未被呈现，这可能掩盖了人口统计学、地理和社会经济差异。 了解人口层面 HWLE 的不平等性对于制定有效策略延长工作年限具有深远的政策意义。...性别间患有特定慢性疾病的工作年限差异计算为男性的年数减去女性的年数。 负值表示女性患特定慢性疾病的工作年限多于男性。 我们使用z检验来比较性别间患有特定慢性疾病的工作年限差异。...对于总人口和亚组分析，健康期望寿命使用每年过渡概率模型进行估计，插值步长为12个月。 由于男性或女性分层的亚组中观察到的过渡频率较低，因此从2年过渡概率模型进行估计，插值步长为24个月。...此外，为了理解不同的慢性疾病如何影响 UHWLE 的差异，我们估计了不同居住地、教育、收入和职业的人群在患有特定疾病的情况下，在职年数的差异。...此外，为了分析特定生活方式对总人口和子群体的影响，我们分别计算了每个生活方式因素所带来的 HWLE 增加或减少的年数。 所有这些分析都是分别对男性和女性进行的。
我们采集了近100万个美国CEO的LinkedIn的个人信息，并使用SiSense商业智能软件实现了令人大开眼界的数据可视化。现在，你可以清楚看到，如何才能坐进那间位于最重要“角落”的独立办公室。...最年轻的年龄组中，女性CEO的比例较低，一个可能的解释是男性更可能加入创业的行列。...这组数据同样也提出了这样的一个问题，有些技能会不会比其他技能更加的男性化（或者女性化）？或者说特定性别的人士更倾向于使用它们？...举例来说， “谈判（negotiation）”与“商业策略（business strategy）” 技能在男性CEO技能列表中出现得更频繁，而“社交媒体（social media）”、“指导（coaching...“根据名字记住每个人”以及“没有目标，就没有辉煌”这类成功学规则看起来是显而易见的，不过，微软的Word与Excel和职业发展有多大关系呢？呃，有2.7%的CEO把微软Word列为自己的一项技能。
那么，我们采集了近100万个美国CEO的LinkedIn的个人信息，并使用SiSense商业智能软件实现了了精美的且令人大开眼界的数据可视化。现在你将有机会学到如何才能坐进那间“角落”办公室。...职业活力的黄金时期 尽管缺乏一个完备可靠的职场升职路径图，很多人还是好奇成为一名CEO的最佳年龄。现在一个热门话题就是到底是年轻的CEO更懂得如何拥有真正的领导力，还是年长的CEO更胜任这份工作。...那些使CEO到达巅峰的技能 CEO所展现出的形象对于他们给公司带来的感知价值是至关重要的，这也解释了为什么“管理能力”，“领导力”和“企业家精神”是CEO们在LinkedIn上列出的技能列表中的顶级技能...这组数据同样也向我们提出了这样的一个问题，是否有些技能比其他技能更加的男性化或是女性化，或是说使用起来更青睐某种性别的人士。...举例来说，技能“谈判交涉”与“商业策略”在男性中出现的更多，而“社交媒体”，“指导”和“公众演讲”则被女性更多的列出。这进而让我们思考：女性是否在展现友善的公众形象方面承受更多的压力？
例如，职业平台LinkedIn通过复杂的人工智能算法向用户推荐工作，但高收入工作却很少向女性推荐，因为网站最初仅面向男性设计高收入职业推荐。...为了打破性别不平衡的循环，让女性积极参与AI等新技术的开发和使用，是至关重要的一环。 但截止到2018年，全球只有22％的AI专业人士是女性。...而且AI产业性别差异的模式与各行业整体劳动力的模式相似：男性更多从事技术开发本身的工作，如在深度学习和神经网络领域，男性从业者数量占绝对优势；具有AI技能的女性更多从事AI应用领域工作，如数据分析、研究和教学等职位...埃森哲在2018年发布的一份报告称：无论其资历如何，女性达到管理者水平的可能性比男性同龄人低22％，只有约1/5的高管是女性。...调查发现：64%的男性表示他们可以使用在线学习平台，而只有48%的女性表示可以。
上面这张饼图的内圈表示各主流职业在前十名中所占的比重，外圈表示该职业从业者中的男女比例，蓝色为男性，红色为女性。我们再用一张直方图来表示： ?...同样蓝色代表男性，红色代表女性，从左到右的职业在知乎中的数量依次下降。可以看到，知乎大部分主流职业中主要为男性占主导。...前 10 名的主流职业中有 8 个职业的男性从业者比女性多，其中以 程序员 的男女比例差距最为悬殊（-_-|||），以 设计师 男女比例差距最小，看来设计师从业人员男女比例较为均衡。...其它的，比如产品经理、自由职业者、律师中，均为男性从业者多于女性。...而前 10 名剩下的 2 个职业——教师、人力资源（HR）——女性从业者要多于男性，其中以 人力资源（HR） 男女比例差距最为悬殊，教师的男女比例虽不那么夸张，但女性也远远多于男性（也许是因为男性教师不怎么上知乎
image.png ISACA（国际信息系统审计协会）是一个全球非盈利组织，专注于开发、采集和使用全球公认和行业领先的信息系统知识和实践，最近发布了《科技劳动力2020：年龄和性别认知差距》。...倦怠和压力是造成这种跳槽的原因，有64％的受访者表示有这些困难。调查发现，压力对女性的打击要强于男性，有67％的女性表示面临压力，而男性为62％。 该调查还探讨了男女在技术方面的不同经历和看法。...我们与所有行业和部门合作，团队中有来自会计，行政，IT和其他领域的人员。我们尝试使用系统方法。 TNW：您在ISACA中扮演什么角色？...我们看到很多年轻的IT专业人士，但他们大多更专注于开发应用程序或创建软件，他们不知道如何管理IT部门。大多数时候专业人士技术优秀，但并不了解企业的所有需求和缺口。...人们缺乏沟通，从男性和女性的角度对支持女性的含义的理解也存在差异。必须有一个真实和客观的认识。 TNW：这份报告会改变科技人员的工作环境吗？
解释一下就是：我们假定一个人只要是男人或者女人，那他就具有男人的所有特征，或者是她就具有女人的所有特征——也就是用整体覆盖了个体，简单粗暴地忽视了个体的差异，这就叫性别歧视。...2）21%的女性在有了职业目标之后，会遭遇外界——家人和朋友的否定和规劝。就是身边有猪队友。 这就说明，女生在职业成长的路上会遭一种普遍的怀疑和自我怀疑。...女性 职场现状 在拒绝型歧视和内化型歧视共同的作用下，当前中国女性职场生存现状如何呢？ 总结起来就是：收入低，劳动时间长——这一结论来自智联招聘2018年的《中国职业女性生存现状报告》。 ?...未来社会同时具有男性的行动性、目标性，又具有刻板女性气质当中的感受、关系的人一定会更加成功，所以每个人应该更多地往双性化去努力。 从简历到面试，通过对自己的描述来突显双性化特点。...这两个数就定位了一个二维坐标里的点。反应每个人的男性气质和女性气质。 ? 这个个工具具有革命性，它直观展示了男性气质和女性气质不是一条两个分离的集合，而是交叉的两条线，不是不排斥，而是相互促进的。
学习人类书写的文本的计算机会自动表现出特定的男性或女性职业词 人工智能的一个伟大愿景是创造一个没有偏见的世界。...比如在测试中，黑人和白人美国人在将 Brad 和 Courtney（通常是男性名字）与 happy 和 sunrise（积极词汇）联想到一起以及将 Leroy 和 Latisha（通常是女性名字）与 hatred...当人们在整理简历或贷款申请时，就会发现有偏见的嵌入出现，这一点都不好，他说道。例如，如果一个计算机去搜索关联「程序员」和男人这样的计算机程序员简历，那么男性的简历就会突然出现在所有简历的最上面。...在整个过程中，我们都使用了来自我们想要复制的研究的词列表。N 表示 subjects 的数量，NT 表示目标词的数量，NA 表示属性词的数量。...其中横坐标表示职业中女性工作者的比例，纵坐标表示职业词向量与女性性别的关联强度。 ? 图 2：名字-性别关联。
不同行业、不同职业类别的人对此或许有不同看法。这样的看法是如何产生的？有没有一种科学的方法来衡量呢？...在后续的分析中，这一误差也可能会有所影响。 而求职者的职业技能也由Atipica公司的技能映射模型获得。 首先，我们需要明确的是，如何通过指标来衡量性别不平等？...▍数据分析：男性和女性技能相差不大，但女性被拒率更高 被拒率的差异： （图片说明：男女求职者的被拒比例） 男性和女性的被拒率分别为83.0%和88.6%，女性比男性高出5.6个百分点，...技能总数量上的差异： （图片说明：男女求职者职业技能数量的分布） 女性求职者简历上平均罗列96项技能，男性求职者简历上平均罗列93项技能。...比如，如果50%男性和53%女性都会“hadoop”，我们就要计算这3%的差异是不是显著。
本次案例通过生成深圳市疫情个案数据集中所有患者的年龄参数直方图。 分别使用Matplotlib、Pandas、Seaborn模块可视化Histogram。...其中，Matplotlib和Pandas样式简单，看上去吸引力不大。Seaborn可往单变量直方图上添加很多东西,更美观，pandas可成组生成直方图。...# 上面表达了所有患者的年龄分布，如果按性别分组， # 研究不同性别下年龄分布的差异，该如何实现叻？...针对这个问题，推荐使用Seaborn模块中的distplot函数 #取出男性年龄 Age_Male=df.年龄[df.性别=="男性"] #取出女性年龄 Age_Female=df.年龄[df.性别==..."女性"] #绘制男女患者年龄的直方图 sns.distplot(Age_Male,bins=20,kde=False,hist_kws={"color":"steelblue"},label="男性
性别、职业，后面会提到)。 分辨的前提是，能找到具有良好区分度或者预测度的行为或特征，e.g....要区分一个人是男性还是女性，选择的数据就得有区分度(这里指组间的数据差异要足够显著)，比如“有眼睛”就不能区分性别(男女性都有)。 推断具有概率性，e.g....那么，你需要思考，男性和女性用户在行为特征上会有哪些差异，哪些是男性独有的，哪些是女性独有的，比如： 电商平台上的购买的商品信息也能推断性别，具有明显性别区分的服饰鞋包、美妆个护、日用品等，e.g....杯子，粉色的，男生买的概率比女生要低很多吧； 个性化的头像、昵称、行为路径、文字使用习惯、关注的话题或明星等，这些也能反映用户的性别。 怎么判断用户的职业？...职业通常和专业有关，和专业有关的通常会涉及到： 专业的知识、概念，比如专业名词等，e.g. 格式塔 --> 心理学； 专业的工具，比如数据分析工具、编程软件、实体工具等，e.g.
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
云直播
