数据分析及可视化：
1. `kline_chart()`: 绘制K线图，展示日期与薪资之间的关系。
2. `liquid_chart()`: 绘制水球图，展示人数占比或比例的可视化效果。
3. `calendar_chart()`: 绘制日历图，展示日期和人数之间的关系。
4. `sunburst_chart()`: 绘制旭日图，展示数据的层级结构和组成关系。
5. `timeline_chart()`: 绘制时间线轮播图，展示不同时间点的数据变化。
6. `line_chart()`: 绘制折线图，展示日期与公司人数之间的趋势。
7. `bar_chart()`: 绘制柱形图，展示职位与公司人数之间的关系。
8. `bar_ten_chart()`: 绘制筛选出人数前十大的柱形图。
9. `barh_chart()`: 绘制条形图，展示职位与公司人数之间的关系。
10. `stacked_bar_chart()`: 绘制堆叠图，展示不同学历人数的分布情况。
11. `scatter_chart_people()`: 绘制散点图，展示日期与公司人数之间的关系。
12. `scatter_chart_salaries()`: 绘制散点图，展示工资与公司人数之间的关系。
13. `pie_chart()`: 绘制饼状图，展示职位分布情况。
14. `pie_chart_ten()`: 绘制筛选出人数前十大的饼状图。
15. `wordcloud()`: 读取文本文件并生成词云图，展示文本中词语的频率分布情况。
数据的清理：
1. 打开CSV文件并创建一个CSV reader对象。使用`with open('data.csv', 'r', encoding='utf-8') as csvfile`语句打开CSV文件，并通过`csv.reader(csvfile)`创建一个CSV reader对象，用于逐行读取CSV文件中的数据。
2. 跳过第一行包含列标题的行。使用`next(reader)`语句跳过CSV文件中的第一行，即包含列标题的行。
3. 遍历CSV文件的每一行，并将数据添加到列表中。通过`for row in reader`语句，对CSV文件中的每一行进行遍历，并使用`data.append(row)`将每一行的数据添加到名为`data`的列表中。
4. 对工资字段进行清理和转换。在`for salary in salaries1`的循环中，对工资字段进行逐个处理。首先，使用正则表达式提取工资字段中的有效数字部分，即工资值。通过`match = re.search(r'(\d+(?:\.\d+)?)', salary)`使用正则表达式模式匹配工资字段中的数字部分。如果找到匹配项，则提取工资值，并将其转换为浮点数类型。然后，根据工资字段中的后缀（'K'代表千，'M'代表百万），调整工资值的大小。最后，将处理后的工资值添加到名为`salaries`的列表中。
该代码中的数据清理步骤通过对工资字段的处理来实现。它使用正则表达式提取有效数字部分，并根据后缀进行工资值的调整和转换，最终得到一个经过清理和转换的工资数据列表。
数据爬取
这段代码的实现过程如下：
1. 首先，通过发送 HTTP GET 请求获取网页的内容，使用的是 `requests.get(url,headers={'User-Agent': UserAgent(family='chrome').random()})`。其中，`url` 是要访问的网页的链接，`headers` 参数用于设置请求头，这里使用了随机的 User-Agent。
2. 将获取到的网页内容转换为可解析的 HTML 对象，使用的是 `etree.HTML(resp)`，其中 `resp` 是请求返回的内容。
3. 使用循环遍历的方式，从 HTML 对象中提取出需要的数据。循环从 1 到 20，即提取前 20 个数据。
4. 通过 XPath 表达式提取职位名称，工资，地区，日期，公司，人数，学历，工作经验和公司性质等信息，使用的是 `html.xpath()` 方法。XPath 表达式指定了数据所在的位置。
5. 将提取到的数据进行字符串处理，去除多余的字符，如 `'['` 和 `']'`。
6. 将处理后的数据存储到相应的变量中，如 `job_name`、`wage`、`address` 等。
7. 这段代码的最后一行将一个变量 `cond` 存储为字符串，去除多余的字符。
requests 库发送 HTTP 请求获取网页内容，使用了 lxml 库解析 HTML，然后通过 XPath 表达式提取所需数据，并对提取的数据进行字符串处理，最终将数据存储到相应的变量中。
