LinkedIn Connections Analyzer
1.0.0
使用硒和美麗的湯庫在Python中設計了一個網絡刮擦腳本，以提取用戶所有LinkedIn連接的信息，對收集的數據進行了轉換，並對合成數據進行了基本數據分析。然後，使用DASH框架開發了Web應用程序儀表板，以介紹分析的發現。如上所述，該項目分為3個部分：
使用硒和美麗的湯庫來執行網絡刮擦，以從LinkedIn用戶的個人資料中提取信息。使用的3種方法：登錄，Connections_scraper和Profile_scraper。這些分為3個數據范圍：Connections_Data，教育和經驗。
Connections_Data：提取的名稱，標題，位置，配置文件，連接數，項目數，已知語言數量和Connections_Data的頂級技能。
教育：提取的研究所，教育學位和年度範圍。
經驗：提取的個人資料，位置，公司，經驗數據框的持續時間。
收集的數據是原始形式的，必須對其進行清潔和轉換，以便對其進行分析並從中獲得見解。共有3個數據范圍：Connections_Data，經驗和教育。
對於Connections_Data DataFrame，將“位置”列清潔以顯示城市名稱，而無需諸如“區域”之類的單詞，將連接數分為6個類別的範圍，例如0-100、100-200，...到500多個語言，語言數量，項目數量，並創建了每個連接的前3個特色技能的字典，然後是每個人的數量。
對於教育數據框架，根據研究所和學位名稱，將研究領域分為三類（目前為簡單性）：科學，管理和藝術，根據特定教育水平的個人資料中的年度範圍發現了教育的狀態。還發現了基於個人資料教育領域中給出的“單身漢”，“大師”等單詞的聯繫的最高教育水平。
對於經驗數據框，將職位列分為3個類別：全職，實習生，學生代表或志願者，在持續時間列以<6個月至20年以上的時間為單位。
DASH是用於構建ML和Data Science Web應用程序的最下載，值得信賴的框架。現在，數據科學家現在可以在數小時內通過DASH構建和部署完整的堆棧應用程序，這些應用程序通常需要前端，後端和開發人員團隊。使用Dash開源，Dash應用程序在您的本地筆記本電腦或工作站上運行，但組織中的其他人無法輕鬆訪問。要閱讀更多並了解DASH，請訪問https://plotly.com/dash/
Plotly的Python圖形庫製作交互式出版物質量圖。 plotly.express模塊（通常以PX的形式導入）包含可以一次創建整個圖形的函數，並被稱為Plotly Express或PX。 Plotly Express是情節庫的內置部分，是創建最常見人物的推薦起點。要了解有關情節的更多信息，請訪問https://plotly.com/python/
由於這是我們第一次使用儀表板，因此儀表板看起來很簡單（由帶有瓷磚和樹地圖的交互式條形圖和餅圖組成），但非常有用。我們計劃在以後的研究/工作水平或工作領域中納入更多關於復雜性的變化。
注意：將資產文件夾放在您實現應用程序的同一文件夾中很重要，因為這是為了穩定的目的。
