用python语言完成以下要求请使用线性回归分析方法对job.excel表格中的“人员薪资”与“工作年限”、“学历”、“地域”、“公司规模”等因素中的任意两项分别作线性回归分析。 要求：1、比较两项因素与薪资之间的线性系数的大小。 2、将分析结果可视化呈现。

好的，首先我们需要安装一些必要的Python库，包括pandas、numpy和matplotlib。您可以在终端或命令提示中使用以下命令装：

 install pandas numpy matplotlib

接下来，我们读取Excel文件并将其转换为DataFrame格式，这可以通过pandas库中的read_excel()函数轻松完成：

import pandas as pd

data = pd.read_excel('job.xlsx')

现在我们已经将Excel文件加载到了Python中，接下来我们可以通过线性回归分析方法对其中的“人员薪资”与“工作年限”、“学历”、“地域”、“公司规模”等因素中的任意两项分别作线性回归分析。下面以“工作年限”和“人员薪资”为例进行分析：

from sklearn.linear_model import LinearRegression

x = data[['工作年限']]
y = data['人员薪资']

model = LinearRegression()
model.fit(x, y)

coef = model.coef_
intercept = model.intercept_

print('线性系数：', coef)
print('截距：', intercept)

上述代码中，我们首先从sklearn库中导入了LinearRegression类，然后将“工作年限”作为自变量x，将“人员薪资”作为因变量y，创建了一个线性回归模型。通过调用fit()函数，模型可以拟合数据并得到线性系数和截距。在本例中，我们只使用了一个自变量，因此线性系数只有一个值。您可以使用相同的方式分析其他因素与“人员薪资”的关系。

最后，我们可以将分析结果可视化呈现。这可以通过matplotlib库中的scatter()和plot()函数轻松完成。下面是一个例子：

import matplotlib.pyplot as plt

plt.scatter(x, y, color='blue')
plt.plot(x, model.predict(x), color='red')
plt.xlabel('工作年限')
plt.ylabel('人员薪资')
plt.show()

上述代码中，我们使用scatter()函数绘制了“工作年限”和“人员薪资”的散点图，并使用plot()函数绘制了线性回归线。最后，我们使用xlabel()和ylabel()函数添加了x轴和y轴标签，并使用show()函数显示图形。您可以使用相同的方式绘制其他因素与“人员薪资”的关系的图表。

总结一下，我们使用了Python中的pandas、numpy和matplotlib库，以及sklearn库中的LinearRegression类，对Excel文件进行了线性回归分析，并将结果可视化呈现。