Python 数据建模与分析项目实战预备 Day 2 - 数据构建与字段解析（模拟简历结构化数据）

✅ 今日目标

• 构建项目所需的简历结构化数据（模拟或从开源源获取）
• 明确各字段的含义、类型和取值范围
• 输出首个训练数据集（CSV / DataFrame 格式）

🧾 一、模拟简历数据字段设计（结构化）

我们将构建如下字段的结构化数据，每条代表一个候选人：

🛠 二、构建模拟数据

我们将生成 200 条样本数据，模拟随机简历，规则包含：

• 学历越高、学校越好、技能越多，越可能通过筛选
• 项目数量 + 描述越丰富，也会有正相关影响
• 引入一定随机性避免过拟合

✨ 今日产出

• 一个名为 resume_data.csv 的训练数据文件

  使用以下代码生成样本数据：

  # Kernel was reset, so we need to regenerate the dataset again
  
  import pandas as pd
  import numpy as np
  import os
  
  # 设置随机种子
  np.random.seed(42)
  n = 200
  
  # 模拟字段
  degrees = np.random.choice(['本科', '硕士', '博士'], size=n, p=[0.6, 0.3, 0.1])
  univ_types = np.random.choice(['普通', '双一流'], size=n, p=[0.7, 0.3])
  work_years = np.random.randint(0, 11, size=n)
  skill_python = np.random.choice([0, 1], size=n, p=[0.3, 0.7])
  skill_sql = np.random.choice([0, 1], size=n, p=[0.4, 0.6])
  skill_ml = np.random.choice([0, 1], size=n, p=[0.6, 0.4])
  project_count = np.random.randint(0, 6, size=n)
  project_desc_len = np.random.randint(50, 1000, size=n)
  
  # 评分构造
  score = (
      (degrees == '博士') * 2 +
      (degrees == '硕士') * 1 +
      (univ_types == '双一流') * 1 +
      work_years * 0.2 +
      skill_python * 1.5 +
      skill_sql * 1.2 +
      skill_ml * 1.3 +
      project_count * 0.8 +
      (project_desc_len / 500)
  )
  
  prob = 1 / (1 + np.exp(-(score - 7)))  # sigmoid
  pass_screening = (np.random.rand(n) < prob).astype(int)
  
  # 生成 DataFrame
  df = pd.DataFrame({
      "degree": degrees,
      "university_type": univ_types,
      "work_years": work_years,
      "skill_python": skill_python,
      "skill_sql": skill_sql,
      "skill_ml": skill_ml,
      "project_count": project_count,
      "project_desc_len": project_desc_len,
      "pass_screening": pass_screening
  })
  
  # 保存 CSV
  csv_path = "./data/resume_data.csv"
  df.to_csv(csv_path, index=False)
  print(f"✅ 模拟数据已生成并保存到 {csv_path}")
  

• 字段说明字典或文档 （如上述第一章所示）