Анализ рынка труда и профессиональной адаптации выпускников РФ (2021–2023 гг.)
В качестве объекта исследования была выбрана динамика трудоустройства выпускников образовательных организаций. Данная тема обладает высокой социальной значимостью и актуальностью, так как позволяет оценить эффективность системы образования и проанализировать текущие запросы рынка труда со стороны как молодых специалистов, так и работодателей.
Для визуализации данных за референс я решила взять стиль деловой инфографики журналов The Economist и HBR — чистота, отсутствие лишних рамок, акцент на данных.
для данной работы я использовала следующие инструменты Pandas: для манипуляций с данными.
Matplotlib & Seaborn: для построения графиков.
Нейросети (Gemini/ChatGPT): Использовались для написания сложных функций очистки данных (регулярные выражения) и создания кастомных цветовых палитр в коде.
import pandas as pd import matplotlib.pyplot as plt
1. Загрузка данных
file_name = 'trud_vps_2021-2023_2.csv'
Читаем данные, начиная с 6-й строки (где начинаются цифры по годам)
df = pd.read_csv (file_name, sep='; ', skiprows=6, header=None, usecols=[0, 2, 3, 4]) df.columns = ['Category', '2021', '2022', '2023']
Промпт: «Напиши функцию на Python, которая заменяет запятые на точки в столбцах датафрейма и корректно обрабатывает пропуски».
для каждого графика была написана стилизация благодаря библиотеке matplotlib
#НАСТРОЙКА СТИЛЯ И ШРИФТОВ plt.rcParams['font.family'] = 'sans-serif' plt.rcParams['font.sans-serif'] = ['Arial', 'Verdana', 'Tahoma'] # Список доступных шрифтов plt.rcParams['axes.edgecolor'] = ' Цвет осей plt.rcParams['axes.linewidth'] = 0.8 plt.rcParams['xtick.color'] = '#333333' plt.rcParams['ytick.color'] = '#333333'
Визуализация 1 — Профессиональный срез (Группированная гистограмма)
Метод: Гистограмма позволяет оценить «коэффициент полезного действия» каждой профессиональной группы. Мы сравниваем общую численность активных выпускников в конкретной сфере (Рабочая сила) с числом тех, кто уже успешно нашел работу (Трудоустроены).
Вывод: Высокая востребованность: В группах «Специалисты среднего уровня» и «Водители и операторы» разрыв между столбцами практически отсутствует. Это говорит о том, что рынок труда моментально поглощает выпускников этих направлений.
2. ПОСТРОЕНИЕ
x = np.arange (len (df_plot)) # Позиции для групп width = 0.35 # Ширина столбцов
fig, ax = plt.subplots (figsize=(12, 7), dpi=100)
rects1 = ax.bar (x — width/2, df_plot['Labor_Force'], width, label='Рабочая сила', color=COLOR_INACTIVE) rects2 = ax.bar (x + width/2, df_plot['Employed'], width, label='Трудоустроены', color=COLOR_ACTIVE)
Визуализация 2 — Соответствие диплому (Stacked Bar)
Метод: Визуализация структурного распределения ответов выпускников о связи их текущей работы с полученной специальностью. Данные сгруппированы по отраслям.
Вывод: В ИТ-сфере и медицине процент работы по специальности превышает 80%, в то время как в сельском хозяйстве и гуманитарных науках наблюдается высокий процент «горизонтальной мобильности» (работа не по профилю).
Код для построения графика
5. ПОСТРОЕНИЕ ОРИГИНАЛЬНОГО ГРАФИКА (Стековая диаграмма)
fig, ax = plt.subplots (figsize=(12, 8), dpi=100)
Рисуем горизонтальные столбцы
ax.barh (plot_df['Specialty'], plot_df['Related_Pct'], color=custom_colors[0], label='Работа по специальности', height=0.7) ax.barh (plot_df['Specialty'], plot_df['NotRelated_Pct'], left=plot_df['Related_Pct'], color=custom_colors[1], label='Работа не по профилю', height=0.7)
Визуализация 3 — Безработица (Heatmap)
метод: Цветовая матрица, сопоставляющая уровень образования и год выпуска. Интенсивность цвета (от синего к красному) отражает рост процента безработных.
Вывод: Тепловая карта наглядно подсвечивает «красную зону» — выпускников СПО 2023 года. Уровень их безработицы в 3 раза выше, чем у выпускников вузов 2021 года, что указывает на более сложный период первичной адаптации рабочих кадров.
4. ПОСТРОЕНИЕ ТЕПЛОВОЙ КАРТЫ
plt.figure (figsize=(10, 6), dpi=100)
Применяем нашу градиентную палитру custom_cmap
sns.heatmap (heatmap_df, annot=True, fmt=».1f», cmap=custom_cmap, linewidths=2.5, linecolor='white', cbar_kws={'label': 'Уровень безработицы (%)'}, annot_kws={"size»: 13, «weight»: «bold"})
5. ОФОРМЛЕНИЕ
plt.title ('Анализ напряженности на рынке труда:\nградиент безработицы по уровням образования', fontsize=16, fontweight='bold', color='#1a1a1a', loc='left', pad=30)
plt.xlabel ('Год обследования выпуска', fontsize=11, labelpad=15) plt.ylabel ('') plt.xticks (fontsize=10) plt.yticks (rotation=0, fontsize=10)
Визуализация 4 — Масштабы занятости (Area Chart)
Описание метода: Для этого анализа использован Area Chart (диаграмма с областями). В отличие от обычных линий, этот формат позволяет визуализировать не просто тренд, а «физическую массу» данных — суммарное количество людей, вышедших на рынок труда.
Вывод: Ключевой сегмент рынка формируют специалисты с высшим образованием (более 50% занятых), в то время как выпускники среднего звена (СПО) демонстрируют самую устойчивую динамику трудоустройства без резких колебаний по годам.
3. ПОСТРОЕНИЕ AREA CHART (Диаграмма с областями)
fig, ax = plt.subplots (figsize=(11, 7), dpi=100)
Рисуем области с прозрачностью (stackplot)
ax.stackplot (plot_data.index, [plot_data[c] for c in plot_data.columns], labels=['Высшее', 'СПО (спец.)', 'СПО (рабочие)'], colors=colors, alpha=0.8)
Вывод: Использование Python позволило быстро обработать массив данных Росстата, который в обычном Excel выглядел бы перегруженным. Стилизация графиков помогла превратить сухую статистику в наглядную историю о пути студента к первому рабочему месту.
