LinkedIn Connections Analyzer
1.0.0
使用硒和美丽的汤库在Python中设计了一个网络刮擦脚本，以提取用户所有LinkedIn连接的信息，对收集的数据进行了转换，并对合成数据进行了基本数据分析。然后，使用DASH框架开发了Web应用程序仪表板，以介绍分析的发现。如上所述，该项目分为3个部分：
使用硒和美丽的汤库来执行网络刮擦，以从LinkedIn用户的个人资料中提取信息。使用的3种方法：登录，Connections_scraper和Profile_scraper。这些分为3个数据范围：Connections_Data，教育和经验。
Connections_Data：提取的名称，标题，位置，配置文件，连接数，项目数，已知语言数量和Connections_Data的顶级技能。
教育：提取的研究所，教育学位和年度范围。
经验：提取的个人资料，位置，公司，经验数据框的持续时间。
收集的数据是原始形式的，必须对其进行清洁和转换，以便对其进行分析并从中获得见解。共有3个数据范围：Connections_Data，经验和教育。
对于Connections_Data DataFrame，将“位置”列清洁以显示城市名称，而无需诸如“区域”之类的单词，将连接数分为6个类别的范围，例如0-100、100-200，...到500多个语言，语言数量，项目数量，并创建了每个连接的前3个特色技能的字典，然后是每个人的数量。
对于教育数据框架，根据研究所和学位名称，将研究领域分为三类（目前为简单性）：科学，管理和艺术，根据特定教育水平的个人资料中的年度范围发现了教育的状态。还发现了基于个人资料教育领域中给出的“单身汉”，“大师”等单词的联系的最高教育水平。
对于经验数据框，将职位列分为3个类别：全职，实习生，学生代表或志愿者，在持续时间列以<6个月至20年以上的时间为单位。
DASH是用于构建ML和Data Science Web应用程序的最下载，值得信赖的框架。现在，数据科学家现在可以在数小时内通过DASH构建和部署完整的堆栈应用程序，这些应用程序通常需要前端，后端和开发人员团队。使用Dash开源，Dash应用程序在您的本地笔记本电脑或工作站上运行，但组织中的其他人无法轻松访问。要阅读更多并了解DASH，请访问https://plotly.com/dash/
Plotly的Python图形库制作交互式出版物质量图。 plotly.express模块（通常以PX的形式导入）包含可以一次创建整个图形的函数，并被称为Plotly Express或PX。 Plotly Express是情节库的内置部分，是创建最常见人物的推荐起点。要了解有关情节的更多信息，请访问https://plotly.com/python/
由于这是我们第一次使用仪表板，因此仪表板看起来很简单（由带有瓷砖和树地图的交互式条形图和饼图组成），但非常有用。我们计划在以后的研究/工作水平或工作领域中纳入更多关于复杂性的变化。
注意：将资产文件夹放在您实现应用程序的同一文件夹中很重要，因为这是为了稳定的目的。
