IBM HR Analytics 员工流失 EDA 和可视化绩效分析

背景

揭示导致员工流失的因素，并探讨重要问题，例如“按工作角色和流失情况显示离家距离的详细信息”或“按教育程度和流失情况比较平均月收入”。这是由 IBM 数据科学家创建的虚构数据集。

• 教育程度

1 ‘大专以下’

2 ‘大专’

3 ‘学士’

4 ‘硕士’

5 ‘博士’

• 环境满意度
  1 “低”
  2 “中”
  3 “高”
  4 “非常高”
  
• 工作投入度
  1 “低”
  2 “中”
  3 “高”
  4 “非常高”
  
• 工作满意度
  1 “低”
  2 “中”
  3 “高”
  4 “非常高”
  
• 绩效评级
  1 ‘低’
  2 ‘好’
  3 ‘优秀’
  4 ‘杰出’
  
• 关系满意度
  1 “低”
  2 “中”
  3 “高”
  4 “非常高”
  
• 工作与生活平衡
  1 “差”
  2 “好”
  3 “更好”
  4 “最好”
  文件中列名
  
• 
  

导入库

import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
import plotly.express as px
import seaborn as sns

import os
for dirname, _, filenames in os.walk('/kaggle/input'):
    for filename in filenames:
        print(os.path.join(dirname, filename))

输出前五行

df = pd.read_csv('/kaggle/input/ibm-hr-analytics-attrition-dataset/WA_Fn-UseC_-HR-Employee-Attrition.csv')
df.head()

df.dtypes

Age int64

Attrition object

BusinessTravel object

DailyRate int64

Department object

DistanceFromHome int64

Education int64

EducationField object

EmployeeCount int64

EmployeeNumber int64

EnvironmentSatisfaction int64

Gender object

HourlyRate int64

JobInvolvement int64

JobLevel int64

JobRole object

JobSatisfaction int64

MaritalStatus object

MonthlyIncome int64

MonthlyRate int64

NumCompaniesWorked int64

Over18 object

OverTime object

PercentSalaryHike int64

PerformanceRating int64

RelationshipSatisfaction int64

StandardHours int64

StockOptionLevel int64

TotalWorkingYears int64

TrainingTimesLastYear int64

WorkLifeBalance int64

YearsAtCompany int64

YearsInCurrentRole int64

YearsSinceLastPromotion int64

YearsWithCurrManager int64

dtype: object

数据清洗

检查空值

df.isna().sum()

Age 0

Attrition 0

BusinessTravel 0

DailyRate 0

Department 0

DistanceFromHome 0

Education 0

EducationField 0

EmployeeCount 0

EmployeeNumber 0

EnvironmentSatisfaction 0

Gender 0

HourlyRate 0

JobInvolvement 0

JobLevel 0

JobRole 0

JobSatisfaction 0

MaritalStatus 0

MonthlyIncome 0

MonthlyRate 0

NumCompaniesWorked 0

Over18 0

OverTime 0

PercentSalaryHike 0

PerformanceRating 0

RelationshipSatisfaction 0

StandardHours 0

StockOptionLevel 0

TotalWorkingYears 0

TrainingTimesLastYear 0

WorkLifeBalance 0

YearsAtCompany 0

YearsInCurrentRole 0

YearsSinceLastPromotion 0

YearsWithCurrManager 0

dtype: int64

df.describe()

df.Age.unique()

我们可以看到，有些列可以删除，因为它们没有增加任何价值:

a.员工数量

b.员工人数

C.标准工作时间:每个人工作80小时

d.18岁以上:所有工作的人都在18岁以上

删除不必要的列

df= df.drop(['EmployeeCount','EmployeeNumber','Over18','StandardHours'],axis = 1)

可视化

商务旅行直方图

sns.histplot(data=df, x='BusinessTravel', element='step', color='purple',

我们可以看到大多数工作需要员工出差，但很少。大约20%的工作需要经常出差，10%没有出差。

离家的距离箱形图

sns.boxplot(data=df, y='DistanceFromHome', color='green')

从这个箱线图中，我们可以看到，员工平均要走7公里才能到达办公室，其中75%的员工要走1到14公里才能到达办公室。让我们看看离家的距离和损耗之间是否有任何关系

1.根据百分位数划分数据

cut_labels = ['Near', 'Reasonable', 'Far']
cut_bins = [-1, df['DistanceFromHome'].quantile(0.33), df['DistanceFromHome'].quantile(0.67), df['DistanceFromHome'].max() + 1]
df['DistanceGroup'] = pd.cut(df['DistanceFromHome'], bins=cut_bins, labels=cut_labels)

2.计算每组的退出概率

probabilities = df.groupby('DistanceGroup').apply(lambda group: sum(group['Attrition'] == 'Yes') / len(group)).reset_index()
probabilities.columns = ['DistanceGroup', 'Probability']

3.绘制这些概率

plt.figure(figsize=(10, 6))
sns.barplot(x='DistanceGroup', y='Probability', data=probabilities, order=cut_labels)
plt.title('Probability of Attrition by Distance Group')
plt.ylabel('Probability of Quitting')
plt.xlabel('Distance from Home Group')
plt.show()

我们可以看到，与住在附近或合理距离的人相比，住得远的人戒烟的概率更高

教育与数字公司的关系

sns.barplot(data=df, y='NumCompaniesWorked', x='Education', palette='Set3')

我们可以看到，平均而言，上过高中的人换工作的频率较低。然而，拥有硕士学位的人更容易流失

年龄和月收入散点图

sns.scatterplot(data=df, x='Age', y='MonthlyIncome')

从散点图中，我们可以看到，随着人们年龄的增长，高薪的机会越来越多，年长的雇员往往挣得更多，然而，工资差距也在扩大。

sns.scatterplot(data=df, x='Age', y='TotalWorkingYears', hue='Attrition')

从散点图来看，与经验丰富的同行相比，刚开始职业生涯的人通常更容易辞职

按教育领域和工作角色划分的工作满意度

fig = px.bar(df, x='EducationField', y='JobSatisfaction', color='JobRole', barmode='group')
fig.update_layout(
xaxis_title='Education Field',
yaxis_title='Job Satisfaction',
title='Job Satisfaction by Education Field and Job Role')

相关矩阵的交互式热图

correlation_matrix = df.corr()
fig = px.imshow(correlation_matrix, color_continuous_scale='Viridis', title='Interactive Heatmap of Correlation Matrix')
fig.show()