Os respondentes informaram apenas a faixa salarial, então vamos criar uma nova variável com o valor médio dos salários de cada faixa. Assim poderemos fazer cálculos com essa nova variável.

datahackers$salario<-as.numeric(mapvalues(datahackers$`Faixa salarial`,
                               from=c("Menos de R$ 1.000/mês","de R$ 1.001/mês a R$ 2.000/mês","de R$ 2.001/mês a R$ 3000/mês",
                                      "de R$ 3.001/mês a R$ 4.000/mês","de R$ 4.001/mês a R$ 6.000/mês","de R$ 6.001/mês a R$ 8.000/mês",
                                      "de R$ 8.001/mês a R$ 12.000/mês","de R$ 12.001/mês a R$ 16.000/mês","de R$ 16.001/mês a R$ 20.000/mês",
                                      "de R$ 20.001/mês a R$ 25.000/mês","Acima de R$ 25.001/mês",NA),
                               to=c(500,1500,2500,3500,5000,7000,10000,14000,18000,22500,30000,NA)))

A área de formação do programador determina qual a linguagem ele irá utilizar?

#R
datahackers_R<-filter(datahackers,R==1)
datahackers_R<-aggregate(R ~`Area de formacao`,datahackers_R,length)
#SQL
datahackers_sql<-filter(datahackers,SQL==1)
datahackers_sql<-aggregate(SQL ~`Area de formacao`,datahackers_sql,length)
#Python
datahackers_py<-filter(datahackers,python==1)
datahackers_py<-aggregate(python ~`Area de formacao`,datahackers_py,length)

area_linguagem<-join(datahackers_R,datahackers_sql)
area_linguagem<-join(area_linguagem,datahackers_py)
area_linguagem$R<-paste0(round(area_linguagem$R*100/sum(area_linguagem$R),0),"%")
area_linguagem$SQL<-paste0(round(area_linguagem$SQL*100/sum(area_linguagem$SQL),0),"%")
area_linguagem$python<-paste0(round(area_linguagem$python*100/sum(area_linguagem$python),0),"%")
kable(area_linguagem)

Obviamente, podemos ter um cientista da computação que prefere a linguagem R e um estatístico que prefira python. Mas há uma tendência pelo contrário.

Profissionais com origens na área computacional tem grande tendência em usar o python. Isso por ser uma linguagem genérica, que não é específica para Data Science. Ou seja, provavelmente já era uma linguagem que usavam antes de entrar para a área de Ciência de dados.

Para as demais áreas, há um predomínio de uso da linguagem R, já que ela é mais fácil de ser aprendida e é específica para a Ciência de Dados.

A linguagem SQL é totalmente complementar às linguagens R e Python, sendo usada em conjunto com uma delas.

#### sabem SQL e R ou Python 
# R e SQL
# % de quem sabe SQL dentre quem sabe R
datahackers_R<-filter(datahackers,R==1)
cat("Entre os entrevistados que usam a linguagem R, ",round(sum(datahackers_R$SQL)*100/sum(datahackers_R$R),1),"% também usam SQL.",sep="")

## Entre os entrevistados que usam a linguagem R, 77.4% também usam SQL.

# Python e SQL
# % de quem sabe SQL dentre quem sabe Python
datahackers_py<-filter(datahackers,python==1)
cat("Entre os entrevistados que usam a linguagem Python, ",round(sum(datahackers_py$SQL)*100/sum(datahackers_py$python),1),"% também usam SQL.",sep="")

## Entre os entrevistados que usam a linguagem Python, 77.9% também usam SQL.

Qual a idade dos Cientistas de Dados?

# Idade
hist(datahackers$Idade_raw,xlab="Idade",ylab = "Frequência",main="Histograma de idade")

Qual o nível de escolaridade?

# Escolaridade
Escolaridade_freq<-data.frame(table(datahackers$Escolaridade))
kable(arrange(Escolaridade_freq,-Freq))

Nível de escolaridade vs Salário

kable(datahackers %>% 
  group_by(Escolaridade) %>%
  summarise(media_salario = round(mean(salario,na.rm=T),0)) %>%
  arrange(-media_salario))

Onde eles trabalham?

Os estados com poucas respostas foram omitidos pelos organizadores da pesquisa para garantir a privacidade dos respondentes.

# Localização
#estado
Estado_freq<-data.frame(table(datahackers$Estado))
kable(arrange(Estado_freq,-Freq))

Qual a média salarial de cada estado?

kable(datahackers %>% 
  group_by(Estado) %>%
  summarise(media_salario = round(mean(salario,na.rm=T),0)) %>%
  arrange(-media_salario))

Qual o tipo de emprego mais comum?

# Tipo de emprego
Empregado_freq<-data.frame(table(datahackers$Empregado))
kable(arrange(Empregado_freq,-Freq))

Onde trabalham os cientistas de dados que, em média, ganham mais?

kable(datahackers %>% 
  group_by(Empregado) %>%
  summarise(media_salario = round(mean(salario,na.rm=T),0)) %>%
  arrange(-media_salario))

Quantos tem cargo de gerência?

# É gerente?
Gerente_freq<-data.frame(table(datahackers$Gerente))
kable(arrange(Gerente_freq,-Freq))

Qual o salário médio dos gerentes e não-gerentes?

kable(datahackers %>% 
  group_by(Gerente) %>%
  summarise(media_salario = round(mean(salario,na.rm=T),0)) %>%
  arrange(-media_salario))

Qual o tempo de experiência dos membros da comunidade?

# Tempo de experiência
tempo_freq<-data.frame(table(datahackers$`Tempo de experiencia em DS`))
kable(arrange(tempo_freq,-Freq))

Relação entre tempo de experiência e salário.

kable(datahackers %>% 
  group_by(`Tempo de experiencia em DS`) %>%
  summarise(media_salario = round(mean(salario,na.rm=T),0)) %>%
  arrange(-media_salario))

Entre os membros da comunidade, quantos se consideram cientistas de dados?

# É cientista de dados?
cientista_freq<-data.frame(table(datahackers$`Cientista de dados`))
kable(arrange(cientista_freq,-Freq))

Entre os membros da comunidade Data Hackers, 915 respondentes afirmaram desempenhar funções típicas de um Cientista de Dados.

Qual a diferença de salário entre os membros cientistas de dados e os que não são?

kable(datahackers %>% 
  group_by(`Cientista de dados`) %>%
  summarise(media_salario = round(mean(salario,na.rm=T),0)) %>%
  arrange(-media_salario))

Qual a frequência dos membros por área de formação?

# Área de formação
formacao_freq<-data.frame(table(datahackers$`Area de formacao`))
kable(arrange(formacao_freq,-Freq))

Variação do salário por área de formação.

kable(datahackers %>% 
  group_by(`Area de formacao`) %>%
  summarise(media_salario = round(mean(salario,na.rm=T),0)) %>%
  arrange(-media_salario))

Em quais cargos eles estão alocados?

# Cargo
cargo_freq<-data.frame(table(datahackers$Cargo))
kable(arrange(cargo_freq,-Freq))

Diferença salarial pelos cargos:

kable(datahackers %>% 
  group_by(Cargo) %>%
  summarise(media_salario = round(mean(salario,na.rm=T),0)) %>%
  arrange(-media_salario))

O gráfico de hierarquia das variáveis mais importantes para definir o Salário do profissional.

O Map Tree não está entre os gráficos mais utilizados. Talvez porque precise ser dinâmico para ser mais útil e informativo.

Porém, considero que é um dos gráficos mais interessantes quando você trabalha com variáveis prioritariamente categóricas e precisar demonstar a importância de suas variáveis para prever a variável resposta.

A nossa variável de interesse é o salário mensal dos respondentes.

names(datahackers)<-gsub(" ",".",names(datahackers))
datahackers<-select(datahackers,Faixa.salarial,Genero,Estado,Escolaridade,
                      Empregado,No..funcionarios.empresa,Gerente,
                      Tempo.de.experiencia.em.DS,Cientista.de.dados,SQL,R,
                      python,Area.de.formacao,Area.de.atuacao,Cargo,
                      Idade)

Optei por excluir algumas variáveis nessa análise gráfica:

• Empregado -> Saber se a pessoa está empregada ou não é a variável mais importante para prever a média salarial, porém não faz muito sentido prever o salário de pessoas que não estão trabalhando.

• Escolaridade e Idade -> Foram excluídas porque apresentaram uma relação muito grande com a variável Tempo de experiência, então optei por deixar apenas esta.

  variaveis<-information.gain(formula(datahackers), datahackers)
  variaveis$val<-row.names(variaveis)
  variaveis <- arrange(variaveis,-attr_importance)
  
  variaveis<-variaveis[!variaveis$val%in%c('Empregado',"Escolaridade","Idade"),]
  
  datahackers_sel<-select(datahackers,variaveis$val[1:3],"Faixa.salarial")
  kable(variaveis[1:3,])

  datahackers_sel<-aggregate(list(count=rep(1,nrow(datahackers_sel))), datahackers_sel, sum)

tree<-treemap(datahackers_sel,
               index=c(variaveis$val[1:3],"Faixa.salarial"),
               vSize="count",
               type="index",
               palette = "Set2",
               bg.labels=c("white"),
               align.labels=list(
                 c("center", "center"),
                 c("right", "bottom")
               )
  )

Como mostrado na tabela acima, serão consideradas as variáveis Tempo de experiência, Cargo e Área de atuação.

  d3tree2(tree,  rootname = "Todos" )