1. 离散分布分析示例
相关库:
1.1 引入算法库
# 引入 pandas库
import pandas as pd
# 引入 numpy库
import numpy as np
# 读取数据
df=pd.read_csv("data/HR.csv")
# 查看数据
df
Out[6]:
satisfaction_level last_evaluation ... department salary
0 0.38 0.53 ... sales low
1 0.80 0.86 ... sales medium
2 0.11 0.88 ... sales medium
3 0.72 0.87 ... sales low
4 0.37 0.52 ... sales low
... ... ... ... ...
14997 0.11 0.96 ... support low
14998 0.37 0.52 ... support low
14999 NaN 0.52 ... support low
15000 NaN 999999.00 ... sale low
15001 0.70 0.40 ... sale nme
[15002 rows x 10 columns]
1.2 Satisfaction Level的分析
(1)分析满意度
过滤异常值
# 创建新变量
[15002 rows x 10 columns]
sl_s=df["satisfaction_level"]
# 判断是否有异常值
sl_s.isnull()
Out[8]:
0 False
1 False
2 False
3 False
4 False
...
14997 False
14998 False
14999 True
15000 True
15001 False
Name: satisfaction_level, Length: 15002, dtype: bool
# 查询异常值
sl_s[sl_s.isnull()]
Out[9]:
14999 NaN
15000 NaN
Name: satisfaction_level, dtype: float64
# 列出异常值信息
df[df["satisfaction_level"].isnull()]
Out[10]:
satisfaction_level last_evaluation ... department salary
14999 NaN 0.52 ... support low
15000 NaN 999999.00 ... sale low
[2 rows x 10 columns]
# 丢弃异常值
sl_s=sl_s.dropna()
# 再次查看是否有异常值
sl_s.isnull()
Out[12]:
0 False
1 False
2 False
3 False
4 False
...
14995 False
14996 False
14997 False
14998 False
15001 False
Name: satisfaction_level, Length: 15000, dtype: bool
# 都是False,没有问题
基础分析:
# 均值
sl_s.mean()
Out[13]: 0.6128393333333333
# 最大值
sl_s.max()
Out[14]: 1.0
# 最小值
sl_s.min()
Out[15]: 0.09
# 中位数
sl_s.median()
Out[16]: 0.64
# 分位数
sl_s.quantile(q=0.25)
Out[17]: 0.44
# 分位数
sl_s.quantile(q=0.75)
Out[18]: 0.82
# 偏度
sl_s.skew()
Out[19]: -0.47643761717258093
# 峰度
sl_s.kurt()
Out[20]: -0.6706959323886252
离散化分布分析:
np.histogram(sl_s.values,bins=np.arange(0.0, 1.1, 0.1))
Out[21]:
(array([ 195, 1214, 532, 974, 1668, 2146, 1973, 2074, 2220, 2004],
dtype=int64),
array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. ]))
上述代码,使用了NumPy的np.histogram()
函数来计算数据的直方图。
具体而言,np.histogram(sl_s.values, bins=np.arange(0.0, 1.1, 0.1))
的含义是:
sl_s.values
是一个Series对象,表示满意度(satisfaction_level)的数据。np.arange(0.0, 1.1, 0.1)
用于指定直方图的边界范围,从0.0到1.0,步长为0.1。np.histogram()
函数将根据指定的边界范围对数据进行分组,并返回每个分组中数据的频数和边界值。
输出结果中的第一个数组表示每个分组中数据的频数,第二个数组表示分组的边界值。
在这个例子中,结果显示了从0.0到1.0的10个分组,并给出了每个分组的频数。例如,频数为195的分组包含了满意度在0.0到0.1之间的数据。
这样的直方图可以帮助我们了解满意度数据的分布情况,以及各个区间内的数据数量。
1.3 LastEvaluation的分析
le_s=df["last_evaluation"]
le_s[le_s.isnull()]
Out[25]: Series([], Name: last_evaluation, dtype: float64) # 没有异常的值
le_s.mean()
Out[26]: 67.37373216904412 #
le_s.max()
Out[28]: 999999.0 # 最大值过大,可能有问题
le_s.min()
Out[29]: 0.36 # 最小值太小,可能有问题
le_s.median()
Out[30]: 0.72 # 当前中位数正常
le_s.std()
Out[31]: 8164.407523745649
le_s.skew()
Out[32]: 122.48265175204614 # 偏度,说明均值比大部分值都大很多
le_s.kurt()
Out[33]: 15001.999986807796 # 峰度,说明该分布形变非常大
# 获取大于1的值
le_s[le_s>1]
Out[34]:
15000 999999.0 # 只有这个值大于1,说明这个值有问题,需要抛弃掉
Name: last_evaluation, dtype: float64 # 偏离太多的异常值,会对均值和方差造成影响
# 过滤异常值
le_s=le_s[le_s<=1]
le_s[le_s>1]
Out[36]: Series([], Name: last_evaluation, dtype: float64)
提取正常值信息
le_s=df["last_evaluation"]
q_low=le_s.quantile(q=0.25)
q_high=le_s.quantile(q=0.75)
q_interval=q_high-q_low
k=1.5
le_s=le_s[le_s<q_high+k*q_interval][le_s>q_low-k*q_interval]
le_s
Out[49]:
0 0.53
1 0.86
2 0.88
3 0.87
4 0.52
...
14996 0.53
14997 0.96
14998 0.52
14999 0.52
15001 0.40
Name: last_evaluation, Length: 15001, dtype: float64
# 获取数量
len(le_s)
Out[50]: 15001
# 获取分布图
np.histogram(le_s.values,bins=np.arange(0.0, 1.1, 0.1))
Out[51]:
(array([ 0, 0, 0, 179, 1390, 3396, 2234, 2062, 2752, 2988],
dtype=int64),
array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. ]))
去掉异常值后重新计算
le_s.max()
Out[52]: 1.0 # 正常,在0~1区域内
le_s.min()
Out[53]: 0.36 # 正常,在0~1区域内
le_s.mean()
Out[54]: 0.7160675954936337 # 均值不是太大
le_s.median()
Out[55]: 0.72 # 中位数不是太大,且接近均值,说明差异性低
le_s.std()
Out[56]: 0.17118464250786233
le_s.skew()
Out[57]: -0.02653253746872579 # 偏度小于0,没有异常
le_s.kurt()
Out[58]: -1.2390454655108427 # 峰度小于0,没有异常
1.4 NumberProject的分析
静态结构分析:
np_s=df["number_project"]
np_s[np_s.isnull()]
Out[60]: Series([], Name: number_project, dtype: int64)
np_s.mean()
Out[61]: 3.8026929742700974
np_s.std()
Out[62]: 1.232732779200601
np_s.median()
Out[63]: 4.0
np_s.max()
Out[64]: 7
np_s.min()
Out[65]: 2
np_s.skew()
Out[66]: 0.3377744235231047
np_s.kurt()
Out[67]: -0.49580962709450604
np_s.value_counts()
Out[68]:
number_project
4 4365
3 4055
5 2761
2 2391
6 1174
7 256
Name: count, dtype: int64
np_s.value_counts(normalize=True)
Out[70]:
number_project
4 0.290961
3 0.270297
5 0.184042
2 0.159379
6 0.078256
7 0.017064
Name: proportion, dtype: float64
np_s.value_counts(normalize=True).sort_index()
Out[71]:
number_project
2 0.159379
3 0.270297
4 0.290961
5 0.184042
6 0.078256
7 0.017064
Name: proportion, dtype: float64
在上述分析代码中,静态结构分析的内容主要体现在对"number_project"列数据的描述统计部分,包括以下代码段:
np_s.mean() # 平均值
np_s.std() # 标准差
np_s.median() # 中位数
np_s.max() # 最大值
np_s.min() # 最小值
np_s.skew() # 偏度
np_s.kurt() # 峰度
np_s.value_counts() # 频数统计
np_s.value_counts(normalize=True) # 频率统计
np_s.value_counts(normalize=True).sort_index() # 按索引排序的频率统计
这些统计指标可以帮助我们了解"number_project"列数据的分布和特征,从而进行静态结构分析。例如,通过计算平均值、标准差、偏度和峰度等指标,你可以了解该列数据的集中趋势、离中趋势、偏态和峰态情况。而频数统计和频率统计可以提供不同取值的出现次数和占比,进一步展示数据的分布情况。
1.5 AverageMonthlyHours的分析
amh_s=df["average_monthly_hours"]
amh_s.mean()
Out[75]: 201.0417277696307 # 均值比较高
amh_s.std()
Out[76]: 49.94181527437925 # 标准差,比较正常
amh_s.max()
Out[77]: 310
amh_s.min()
Out[78]: 96
amh_s.skew()
Out[79]: 0.05322458779916304 # 偏度,稍微振偏
amh_s.kurt()
Out[80]: -1.1350158577565719 # 峰度,比较平缓
# 用异常值公式剔除异常值
amh_s=amh_s[amh_s<amh_s.quantile(0.75)+1.5*(amh_s.quantile(0.75)-amh_s.quantile(0.25))][amh_s>amh_s.quantile(0.25)-1.5*(amh_s.quantile(0.75)-amh_s.quantile(0.25))]
len(amh_s)
Out[82]: 15002 # 原数量就是15002,说明没有异常值
# 查看分布
np.histogram(amh_s.values, bins=np.arange(amh_s.min(),amh_s.max()+10, 10))
Out[84]:
(array([ 168, 171, 147, 807, 1153, 1234, 1075, 824, 818, 758, 751,
738, 856, 824, 987, 1002, 1045, 935, 299, 193, 131, 86],
dtype=int64),
array([ 96, 106, 116, 126, 136, 146, 156, 166, 176, 186, 196, 206, 216,
226, 236, 246, 256, 266, 276, 286, 296, 306, 316], dtype=int64))
1.6 TimeSpendCompany的分析
tsc_s=df["time_spend_company"]
tsc_s.value_counts().sort_index()
Out[86]:
time_spend_company
2 3245
3 6445
4 2557
5 1473
6 718
7 188
8 162
10 214
Name: count, dtype: int64
tsc_s.mean()
Out[87]: 3.498066924410079
上述数据中,根据sort_index()结果可以得知,没有存在异常数。
1.7 WorkAccident的分析
wa_s=df["Work_accident"]
wa_s.value_counts()
Out[89]:
Work_accident
0 12833
1 2169
Name: count, dtype: int64
# 均值
wa_s.mean()
Out[90]: 0.14458072257032395 #说明事故率是百分之十四点四
1.8 Left的分析
l_s=df["left"]
# 分布
l_s.value_counts()
Out[95]:
left
0 11428
1 3574
Name: count, dtype: int64 # 离职率高
1.9 PromotionLast5Years的分析
pl5_s=df["promotion_last_5years"]
pl5_s.value_counts()
Out[97]:
promotion_last_5years
0 14683
1 319
Name: count, dtype: int64 # 晋升数为319,说明只有少部分得到晋升
1.10 Salary的分析
s_s=df["salary"]
s_s.where(s_s!="nme").dropna().value_counts()
Out[103]:
salary
low 7318
medium 6446
high 1237
Name: count, dtype: int64 # 说明高收入人群是极少数,低收入人群是半数,部分人群中等收入
1.11 Department的分析
d_s=df["department"]
d_s.value_counts(normalize=True) # 查询分布比例
Out[105]:
department
sales 0.275963
technical 0.181309
support 0.148647
IT 0.081789
product_mng 0.060125
marketing 0.057192
RandD 0.052460
accounting 0.051127
hr 0.049260
management 0.041994
sale 0.000133
Name: proportion, dtype: float64
# 移除异常值
d_s=d_s.where(d_s!="sale").dropna()
d_s.value_counts(normalize=True)
Out[108]:
proportion
0.276000 0.1
0.181333 0.1
0.148667 0.1
0.081800 0.1
0.060133 0.1
0.057200 0.1
0.052467 0.1
0.051133 0.1
0.049267 0.1
0.042000 0.1
Name: proportion, dtype: float64
1.12 简单对比分析操作
(1)对比分析
剔除异常值
# 移除异常值,这里移除的是isNull()查出来的异常值
df=df.dropna(axis=0,how="any")
# 移除异常值,这里根据规则,移除不符合规范的值
df=df[df["last_evaluation"]<=1][df["salary"]!="name"][df["department"]!="sale"]
# 清洗后的值
df
Out[110]:
satisfaction_level last_evaluation ... department salary
0 0.38 0.53 ... sales low
1 0.80 0.86 ... sales medium
2 0.11 0.88 ... sales medium
3 0.72 0.87 ... sales low
4 0.37 0.52 ... sales low
... ... ... ... ...
14995 0.37 0.48 ... support low
14996 0.37 0.53 ... support low
14997 0.11 0.96 ... support low
14998 0.37 0.52 ... support low
15001 0.70 0.40 ... sale nme
根据部门分组,生成新表
df.loc[:,["satisfaction_level","last_evaluation","number_project","department"]].groupby("department").mean()
Out[131]:
satisfaction_level last_evaluation number_project
department
IT 0.618142 0.716830 3.816626
RandD 0.619822 0.712122 3.853875
accounting 0.582151 0.717718 3.825293
hr 0.598809 0.708850 3.654939
management 0.621349 0.724000 3.860317
marketing 0.618601 0.715886 3.687646
product_mng 0.619634 0.714756 3.807095
sales 0.614447 0.709717 3.776329
support 0.618300 0.723109 3.803948
technical 0.607897 0.721099 3.877941
上述数据中,根据 satisfaction_level 的平均值可以看出对HR的满意度是比较低的。其他的数据也可以反映出相应的情况。
脚本解析:
注意,在这个示例中,使用了.loc来选择多个列,并通过列表传递给.groupby()函数。然后,调用.mean()函数来计算平均值。
执行该代码将会输出每个部门的各项指标的平均值。