R语言smoothHR包_R语言数据分析实例一：离职率分析与建模预测

一、背景说明

本文分析利用IBM离职员工数据进行分析。在对离职率的影响因素进行观察的基础至上，建立模型并预测哪些员工更易离职。

一般而言，数据分析分为三个步骤：数据收集与清洗、探索性分析和建模预测。本文的数据集是IBM用于研究员工预测的模拟数据，数据十分完整，无需清洗。因此，本文主要分为三个部分：

对于一些重要的变量进行探索性分析；

分析导致员工离职的因素，并挖掘相关因素的影响程度；

通过算法构建模型，预测哪些员工有可能离职。

通过对IBM离职员工数据实践，本文希望发掘出影响员工流失的因素，并对利用R语言进行数据分析过程进行复习，深化对数据分析工作意义的理解。

二、数据集说明

IBM离职员工数据集共有35个变量，1470个观测个案。部分需要重点关注的变量如下：

重点变量信息

上述变量可以分为三个部分：

基本的身份信息变量：性别、年龄、学历、任职过的企业数量、婚姻状况；

员工公司身份变量：工龄、在公司工作的时间、职位、职级、

薪酬与福利变量：月薪、工作投入、绩效评分、认购优先股的级别、涨薪比列、上年度培训次数、距离上次升职的时间间隔

生活质量相关变量：工作环境满意度、工作满意度、关系满意度、工作与生活平衡情况、上班距离、是否加班、出差情况

三、探索性数据分析

载入分析包和数据集

library(tidyverse)

library(rpart)

library(rpart.plot)

library(randomForest)

library(gbm)

library(ggplot2)

library(ggthemes)

#提供describe函数

library(Hmisc)

#提供grid.arrange()函数，用于排列图片

library(gridExtra)

#提供roc函数

library(pROC)

Attr_data

(一)描述性统计信息

str(Attr_data)

describe(Attr_data)

描述性统计信息一

描述性统计信息二

描述性统计信息三

通过描述性统计可以初步观测到：

员工员工平均年龄约36岁，最大的60岁，最小的18岁；

全部1470名员工中，离职的237人，离职率16%；

员工平均收入6500，中位收入4919，最小1009，最大19999;

(二)可视化探索

1.基本身份信息

p_Gender

geom_bar(aes(fill = Attrition), position = "fill") +

theme_solarized_2() +

labs(title = "性别 VS 离职", x = "性别", y = "比例")

p_Age

geom_density(aes(fill = Attrition), alpha = 0.7) +

theme_solarized_2() +

labs(title = "年龄 VS 离职", x = "年龄", y = "") +

scale_x_continuous(breaks = seq(18, 60, 5))

p_Education

geom_bar(aes(fill = Attrition), position = "fill") +

theme_solarized_2() +

labs(title = "教育程度 VS 离职", x = "教育程度", y = "比例")

p_MaritalStatus

geom_bar(aes(fill = Attrition), position = "fill") +

theme_solarized_2() +

labs(title = "婚姻状况 VS 离职", x = "婚姻状况", y = "比例")

p_NumCompaniesWorked

geom_density(aes(fill = Attrition), alpha = 0.7) +

theme_solarized_2() +

labs(title = "工作过的企业数量 VS 离职", x = "工作过的企业数量", y = "")+

scale_x_continuous(breaks = seq(0, 9, 1))

性别与离职率

年龄与离职率

受教育程度与离职率

婚姻状况与离职率

工作企业数与离职率

分析结果：

离职率与性别关系不大；

33岁以下的人更易离职；

受教育程度越高，离职率越低，但是区别并不是特别明显；

相比较而言，未婚单身人群更易离职：

任职企业数超过5家的人更易离职：

2.员工公司身份信息

p_TotalWorkingYears

geom_de