class(welfare$code_job)
# "numeric"
table(welfare$code_job)
# 111 120 131 132 133 134 135 139 141 149 151 152 153 159 211
# 2 16 10 11 9 3 7 10 35 20 26 18 15 16 8
# 212 213 221 222 223 224 231 232 233 234 235 236 237 239 241
# 4 3 17 31 12 4 41 5 3 6 48 14 2 29 12
list_job <-
read_excel("Data/Koweps_Codebook.xlsx",
col_names = T,
sheet = 2)
head(list_job)
# A tibble: 6 × 2
# code_job job
# <dbl> <chr>
# 1 111 의회의원 고위공무원 및 공공단체임원
# 2 112 기업고위임원
# 3 120 행정 및 경영지원 관리자
# 4 131 연구 교육 및 법률 관련 관리자
# 5 132 보험 및 금융 관리자
# 6 133 보건 및 사회복지 관련 관리자
dim(list_job)
# [1] 149 2welfare <- left_join(welfare, list_job, id = "code_job")
welfare %>% filter(!is.na(code_job)) %>%
select(code_job, job) %>%
head(10)
job_income <- welfare %>%
filter(!is.na(job) & !is.na(income)) %>%
group_by(job) %>%
summarise(mean_income = mean(income))
head(job_income)
# A tibble: 6 × 2
# job mean_income
# <chr> <dbl>
# 1 가사 및 육아 도우미 80.2
# 2 간호사 241.
# 3 건설 및 광업 단순 종사원 190.
# 4 건설 및 채굴 기계운전원 358.
# 5 건설 전기 및 생산 관련 관리자 536.
# 6 건설관련 기능 종사자 247.
top10 <- job_income %>%
arrange(desc(mean_income)) %>%
head(10)
top10
# A tibble: 10 × 2
# job mean_income
# <chr> <dbl>
# 1 금속 재료 공학 기술자 및 시험원 845.
# 2 의료진료 전문가 844.
# 3 의회의원 고위공무원 및 공공단체임원 750
# 4 보험 및 금융 관리자 726.
# 5 제관원 및 판금원 572.
# 6 행정 및 경영지원 관리자 564.
# 7 문화 예술 디자인 및 영상 관련 관리자 557.
# 8 연구 교육 및 법률 관련 관리자 550.
# 9 건설 전기 및 생산 관련 관리자 536.
# 10 석유 및 화학물 가공장치 조작원 532.
ggplot(data = top10, aes(x = reorder(job, mean_income), y = mean_income)) +
geom_col() +
coord_flip()
bottom10 <- job_income %>%
arrange(mean_income) %>%
head(10)
bottom10
# A tibble: 10 × 2
# job mean_income
# <chr> <dbl>
# 1 가사 및 육아 도우미 80.2
# 2 임업관련 종사자 83.3
# 3 기타 서비스관련 단순 종사원 88.2
# 4 청소원 및 환경 미화원 88.8
# 5 약사 및 한약사 89
# 6 작물재배 종사자 92
# 7 농립어업관련 단순 종사원 102.
# 8 의료 복지 관련 서비스 종사자 104.
# 9 음식관련 단순 종사원 108.
# 10 판매관련 단순 종사원 117.
ggplot(data = bottom10, aes(x = reorder(job, -mean_income), y = mean_income)) +
geom_col() +
coord_flip() +
ylim(0, 850)
job_male <- welfare %>%
filter(!is.na(job) & sex == "male") %>%
group_by(job) %>%
summarise(n = n()) %>%
arrange(desc(n)) %>%
head(10)
job_male
# A tibble: 10 × 2
# job n
# <chr> <int>
# 1 작물재배 종사자 640
# 2 자동차 운전원 251
# 3 경영관련 사무원 213
# 4 영업 종사자 141
# 5 매장 판매 종사자 132
# 6 제조관련 단순 종사원 104
# 7 청소원 및 환경 미화원 97
# 8 건설 및 광업 단순 종사원 95
# 9 경비원 및 검표원 95
# 10 행정 사무원 92
job_female <- welfare %>%
filter(!is.na(job) & sex == "female") %>%
group_by(job) %>%
summarise(n = n()) %>%
arrange(desc(n)) %>%
head(10)
job_female
# A tibble: 10 × 2
# job n
# <chr> <int>
# 1 작물재배 종사자 680
# 2 청소원 및 환경 미화원 228
# 3 매장 판매 종사자 221
# 4 제조관련 단순 종사원 185
# 5 회계 및 경리 사무원 176
# 6 음식서비스 종사자 149
# 7 주방장 및 조리사 126
# 8 가사 및 육아 도우미 125
# 9 의료 복지 관련 서비스 종사자 121
# 10 음식관련 단순 종사원 104
ggplot(data = job_male, aes(x = reorder(job, n), y = n)) +
geom_col() +
coord_flip()
ggplot(data = job_female, aes(x = reorder(job, n), y = n)) +
geom_col() +
coord_flip()
