Python数据处理与分析小项目-分析员工过早离职原因

项目介绍

• 背景说明

本篇通过描述性分析、相关性分析、变量之间的对比分析来解析影响公司员工离职的因素。以及公司应该思考和解决的问题。
人力资源分析数据集汇聚了对大量员工的信息数据统计，包括企业因素（如部门）、员工行为相关因素（如参与过项目数、每月工作时长、薪资水平等）、以及工作相关因素（如绩效评估、工伤事故）

• 数据说明

文件HR_comma_sep.csv中包含10个字段，具体信息如下：

No	属性	数据类型	字段描述
1	satisfaction_level	Float	员工满意程度：0-不满意，1-满意
2	last_evaluation	Float	国家
3	number_project	Integer	在职期间完成的项目数量
4	average_montly_hours	Integer	每月平均工作时长（hr）
5	time_spend_company	Integer 工龄（年）
6	work_accident	Integer	是否有工伤：0-没有，1-有
7	left	Integer	是否离职：0-在职，1-离职
8	promotion_last_5years	Integer	过去5年是否有升职：0-没有，1-有
9	sales	String	工作部门
10	salary	String	工资的相对等级

• 数据来源

https://www.kaggle.com/mizanhadi/hr-employee-data-visualisation/data?select=HR_comma_sep.csv

百度云下载链接：
链接：https://pan.baidu.com/s/1G3uT2Bs7MUnjrFmh4vB_Xg
提取码：abcd

安装相关包

!pip install plotly==2.7.0  -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn

!pip install colorlover -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn

导入相关包

import pandas as pd
import numpy as np

from plotly import __version__
print (__version__)

from plotly.offline import init_notebook_mode, iplot
init_notebook_mode(connected=True)
from plotly.graph_objs import *
import colorlover as cl

import matplotlib.pyplot as plt
import seaborn as sns
colors = ['#e43620', '#f16d30','#d99a6c','#fed976', '#b3cb95', '#41bfb3','#229bac', '#256894']

2.7.0

1.数据检查与理解

data = pd.read_csv('./HR_comma_sep.csv')
data.head()

	satisfaction_level	last_evaluation	number_project	average_montly_hours	time_spend_company	Work_accident	left	promotion_last_5years	sales	salary
0	0.38	0.53	2	157	3	0	1	0	sales	low
1	0.80	0.86	5	262	6	0	1	0	sales	medium
2	0.11	0.88	7	272	4	0	1	0	sales	medium
3	0.72	0.87	5	223	5	0	1	0	sales	low
4	0.37	0.52	2	159	3	0	1	0	sales	low

print("共有",data.shape[0],"条员工记录，",data.shape[1],"个员工特征。")

共有 14999 条员工记录， 10 个员工特征。

1.1. 检查是否存在缺失值

data.isnull().sum()

satisfaction_level       0
last_evaluation          0
number_project           0
average_montly_hours     0
time_spend_company       0
Work_accident            0
left                     0
promotion_last_5years    0
sales                    0
salary                   0
dtype: int64

1.2. 适当的改名来更直观的理解和获取特征列

df = data.rename(columns = {"sales":"department","promotion_last_5years":"promotion","Work_accident":"work_accident"})
df.columns

Index(['satisfaction_level', 'last_evaluation', 'number_project',
       'average_montly_hours', 'time_spend_company', 'work_accident', 'left',
       'promotion', 'department', 'salary'],
      dtype='object')

1.3. 查看数据的信息

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 14999 entries, 0 to 14998
Data columns (total 10 columns):
 #   Column                Non-Null Count  Dtype  
---  ------                --------------  -----  
 0   satisfaction_level    14999 non-null  float64
 1   last_evaluation       14999 non-null  float64
 2   number_project        14999 non-null  int64  
 3   average_montly_hours  14999 non-null  int64  
 4   time_spend_company    14999 non-null  int64  
 5   work_accident         14999 non-null  int64  
 6   left                  14999 non-null  int64  
 7   promotion             14999 non-null  int64  
 8   department            14999 non-null  object 
 9   salary                14999 non-null  object 
dtypes: float64(2), int64(6), object(2)
memory usage: 1.1+ MB

1.4. 展示所有类型特征的信息

df.describe(include=['O'])

	department	salary
count	14999	14999
unique	10	3
top	sales	low
freq	4140	7316

1.5. 类别数字化

1. 先设置salary与department列为Category的数据类型
2. 保存类别与对应数值的映射字典
3. 针对salary和department这两个Object类型的类别特征，将其进行类别数字化。

# 1. 先设置`salary`与`department`列为**Category**的数据类型
df['department'] = df['department'].astype('category')#, categories=cat.categories)
df['salary'] = df['salary'].astype('category')#, categories=cat.categories)

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 14999 entries, 0 to 14998
Data columns (total 10 columns):
 #   Column                Non-Null Count  Dtype   
---  ------                --------------  -----   
 0   satisfaction_level    14999 non-null  float64 
 1   last_evaluation       14999 non-null  float64 
 2   number_project        14999 non-null  int64   
 3   average_montly_hours  14999 non-null  int64   
 4   time_spend_company    14999 non-null  int64   
 5   work_accident         14999 non-null  int64   
 6   left                  14999 non-null  int64   
 7   promotion             14999 non-null  int64   
 8   department            14999 non-null  category
 9   salary                14999 non-null  category
dtypes: category(2), float64(2), int64(6)
memory usage: 967.4 KB

# 保存类别
# department_categories = pd.Categorical(df['department']).categories
# salary_categories = pd.Categorical(df['salary']).categories

# 2. 保存类别与对应数值的映射字典
salary_dict = dict(enumerate(df['salary'].cat.categories))
department_dict = dict(enumerate(df['department'].cat.categories))
salary_dict,department_dict

({0: 'high', 1: 'low', 2: 'medium'},
 {0: 'IT',
  1: 'RandD',
  2: 'accounting',
  3: 'hr',
  4: 'management',
  5: 'marketing',
  6: 'product_mng',
  7: 'sales',
  8: 'support',
  9: 'technical'})

# 3. 针对`salary`和`department`这两个`Object`类型的类别特征，将其进行类别数字化。
for feature in df.columns:
    if str(df[feature].dtype) == 'category':
        df[feature] = df[feature].cat.codes
        # df[feature] = pd.Categorical(df[feature]).codes
        df[feature] = df[feature].astype("int64") # 设置数据类型为int64

df.head()

	satisfaction_level	last_evaluation	number_project	average_montly_hours	time_spend_company	work_accident	left	promotion	department	salary
0	0.38	0.53	2	157	3	0	1	0	7	1
1	0.80	0.86	5	262	6	0	1	0	7	2
2	0.11	0.88	7	272	4	0	1	0	7	2
3	0.72	0.87	5	223	5	0	1	0	7	1
4	0.37	0.52	2	159	3	0	1	0	7	1

1.6. 改变columns的顺序

1.先设置columns的顺序
- 将left列放置于最后一列以便直观地查看
2.根据排好的列表顺序应用于dataframe上

cols = df.columns
cols = list(cols[:6]) + list(cols[7:]) + [cols[6]]
print('Reordered Columns:',cols)

Reordered Columns: ['satisfaction_level', 'last_evaluation', 'number_project', 'average_montly_hours', 'time_spend_company', 'work_accident', 'promotion', 'department', 'salary', 'left']

# 根据排好的列表顺序应用于dataframe上
df = df[cols]
df.head()

	satisfaction_level	last_evaluation	number_project	average_montly_hours	time_spend_company	work_accident	promotion	department	salary	left
0	0.38	0.53	2	157	3	0	0	7	1	1
1	0.80	0.86	5	262	6	0	0	7	2	1
2	0.11	0.88	7	272	4	0	0	7	2	1
3	0.72	0.87	5	223	5	0	0	7	1	1
4	0.37	0.52	2	159	3	0	0	7	1	1

print(df.shape)
df.info()

(14999, 10)
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 14999 entries, 0 to 14998
Data columns (total 10 columns):
 #   Column                Non-Null Count  Dtype  
---  ------                --------------  -----  
 0   satisfaction_level    14999 non-null  float64
 1   last_evaluation       14999 non-null  float64
 2   number_project        14999 non-null  int64  
 3   average_montly_hours  14999 non-null  int64  
 4   time_spend_company    14999 non-null  int64  
 5   work_accident         14999 non-null  int64  
 6   promotion             14999 non-null  int64  
 7   department            14999 non-null  int64  
 8   salary                14999 non-null  int64  
 9   left                  14999 non-null  int64  
dtypes: float64(2), int64(8)
memory usage: 1.1 MB

2.数据探索与分析

2.1. 描述性分析

**对left**列进行Group，进行描述性分析[1]
查看在职与离职类别下，每个特征的均值

left_summary = df.groupby(by=['left'])
left_summary.mean()

	satisfaction_level	last_evaluation	number_project	average_montly_hours	time_spend_company	work_accident	promotion	department	salary
left
0	0.666810	0.715473	3.786664	199.060203	3.380032	0.175009	0.026251	5.819041	1.347742
1	0.440098	0.718113	3.855503	207.419210	3.876505	0.047326	0.005321	6.035284	1.345842

df.describe()

	satisfaction_level	last_evaluation	number_project	average_montly_hours	time_spend_company	work_accident	promotion	department	salary	left
count	14999.000000	14999.000000	14999.000000	14999.000000	14999.000000	14999.000000	14999.000000	14999.000000	14999.000000	14999.000000
mean	0.612834	0.716102	3.803054	201.050337	3.498233	0.144610	0.021268	5.870525	1.347290	0.238083
std	0.248631	0.171169	1.232592	49.943099	1.460136	0.351719	0.144281	2.868786	0.625819	0.425924
min	0.090000	0.360000	2.000000	96.000000	2.000000	0.000000	0.000000	0.000000	0.000000	0.000000
25%	0.440000	0.560000	3.000000	156.000000	3.000000	0.000000	0.000000	4.000000	1.000000	0.000000
50%	0.640000	0.720000	4.000000	200.000000	3.000000	0.000000	0.000000	7.000000	1.000000	0.000000
75%	0.820000	0.870000	5.000000	245.000000	4.000000	0.000000	0.000000	8.000000	2.000000	0.000000
max	1.000000	1.000000	7.000000	310.000000	10.000000	1.000000	1.000000	9.000000	2.000000	1.000000

2.2. 相关性分析

根据热力图显示，可以发现：

• 满意度(satisfaction_level）
  • 员工满意度（satisfaction_level）离职（left）呈较大负相关（-）关系，与完成项目数（number_project）、在公司的年份（time_spend_company）也有一定的负相关性。
• 绩效评估(last_evaluation)
  • 上一次的绩效评估(last_evaluation)与完成项目数（number_project）和平均每月工作时间（average_montly_hours）这两个特征呈较大的正相关（+）关系,也就是说，完成项目数越多，平均每月工作时长越长，员工能获得更高的评价。
  • 但绩效评估与工资，晋升都没有什么相关性，所以员工得到了高绩效评价也不会升职或者涨工资。
• 离职（left）
  • 离职率与员工满意度（satisfaction_level）、过去5年是否有晋升（promotion_last_5years）、是否有工伤（work_accident）、工资薪酬（salary）呈负相关（-）关系。如果员工对公司不太满意，且个人价值实现不高，那么离职的可能性会很大。
  • 离职率与员工的在公司的年份（time_spend_company）呈较大正相关（+）关系。与平均每月工作时间（average_montly_hours），所在部门（department）也呈些许正相关性。

corr = df.corr()                 # pearson相关系数
mask = np.zeros_like(corr)
mask[np.tril_indices_from(mask)]=True

with sns.axes_style("white"):
    sns.set(rc={'figure.figsize':(11,7)})
    ax = sns.heatmap(corr, 
                xticklabels=True, yticklabels=True, 
                cmap='RdBu', # cmap='YlGnBu',  # 颜色
                mask=mask,   # 使用掩码只绘制矩阵的一部分
                fmt='.3f',     # 格式设置
                annot=True,    # 方格内写入数据
                linewidths=.5, # 热力图矩阵之间的间隔大小
                vmax=.4,       # 图例中最大值
                square = True
                # center = 0
                )

plt.title("Correlation")
label_x = ax.get_xticklabels()
plt.setp(label_x,rotation=45, horizontalalignment='right')
plt.show()

2.3.变量分析

2.3.1. 公司当前员工离职与在职的比率

left_count = df['left'].value_counts().reset_index(name = "left_count")

trace = Pie(labels = ['在职','离职'], values = left_count.left_count,
            hoverinfo = "labels + percent + name",
            marker = dict(colors = colors[3:]), hole = .6, pull = .1)
layout = Layout(title = "员工在职与离职的比率", width = 380, height = 380)
iplot(Figure(data = [trace], layout = layout))

2.3.2. 公司员工的满意度与入职年份的关系

time_mean_satifaction = df.groupby(by = ['time_spend_company'])['satisfaction_level'].mean().reset_index(name = "average_satisfaction") # 取满意度的均值的

trace = Bar(x=time_mean_satifaction.time_spend_company, y=time_mean_satifaction.average_satisfaction, marker=dict(color = colors),)
layout = Layout(title= "员工满意度与公司在职时间有什么关联？",
                width = 700, height = 400,
                xaxis = dict(title="在公司时间（年）"),
                yaxis = dict(title = "平均满意度"),
                )
iplot(Figure(data=[trace],layout= layout))

2.3.3. 公司各部门的员工离职与在职情况对比

可以看出，sales部门的离职人数最多，有1014人，其次是technical技术部门离职697人。

depart_left_table = pd.crosstab(index=df['department'],columns=df['left'])

data = []
left_eles = df.left.unique()
for l in left_eles:
    trace = Bar(x = depart_left_table[l], y = depart_left_table.index, name=('离职' if l == 1 else '在职'),orientation='h',marker=dict(color=colors[l+4]))
    data.append(trace)
layout = Layout(title="每个部门的离职员工数与在职员工数对比", barmode="stack",width=800,height=500,yaxis=dict(title="部门",tickmode="array",tickvals=list(department_dict.keys()),ticktext=list(department_dict.values())))
iplot(Figure(data= data, layout=layout))

2.3.4. 公司各部门的员工的工资水平

销售部门（sales）低工资水平（low salary）的最多，有2099人,其次是技术部门(technical)与后勤部门(support),分别为1372人与1146人。

depart_salary_table = pd.crosstab(index=df['department'], columns=df['salary'])
# depart_salary_table

data = []
for i in range(3):
    trace = Bar(x=depart_salary_table.index, y=depart_salary_table[i],name=salary_dict[i],marker=dict(color=colors[i+2]))
    data.append(trace)
layout = Layout(title="公司各部门的员工工资情况",width=800,height=450,xaxis = dict(tickmode="array",tickvals=list(department_dict.keys()),ticktext=list(department_dict.values())))
iplot(Figure(data = data,layout = layout))

2.3.5 员工薪资与离职率

低薪与中等薪资的员工离职率偏高分别是42%，26%，高薪员工只用7%的离职率。

salary_left_table=pd.crosstab(index=df['salary'],columns=df['left'])

data = []
for i in range(2):
    trace = Bar(x=salary_left_table.index, y=salary_left_table[i],name=("在职" if i ==0 else "离职"),marker=dict(color=colors[i+4]))
    data.append(trace)
layout = Layout(title="员工薪资对离职的影响",width=580,height=350,xaxis = dict(tickmode="array",tickvals=list(salary_dict.keys()),ticktext=list(salary_dict.values())))
iplot(Figure(data = data,layout = layout))

2.3.6. 员工过去5年的升职情况与离职对比

过去5年都没有升过职的员工离职率相比升过职的要高出很多。升过职的员工94%都在职。

promotion_left_table=pd.crosstab(index=df['promotion'],columns=df['left'])

promotion_dict = {0:"没有升职",1:"升过职"}
data = []
for i in range(2):
    trace = Bar(x=promotion_left_table.index, y=promotion_left_table[i],name=("在职" if i ==0 else "离职"),marker=dict(color=colors[i+4]))
    data.append(trace)
layout = Layout(title="员工过去5年是否升职对离职的影响",width=400,height=350,xaxis = dict(tickmode="array",tickvals=list(promotion_dict.keys()),ticktext=list(promotion_dict.values())))
iplot(Figure(data = data,layout = layout))

2.3.7. 员工绩效与离职的对比

离职员工不乏很多获得高度评价的

eva_left_table = pd.crosstab(index=df['last_evaluation'], columns=df['left'])

data = []
for i in range(2):
    trace = Bar(x=eva_left_table.index, y=eva_left_table[i],name=("在职" if i ==0 else "离职"),marker=dict(color=colors[i+4]))
    data.append(trace)
layout = Layout(title="员工的绩效评估对离职的影响",width=1000,height=400,)#xaxis = dict(tickmode="array",tickvals=list(promotion_dict.keys()),ticktext=list(promotion_dict.values())))
iplot(Figure(data = data,layout = layout))

3.总结

3.1. 离职原因分析

根据上面的👆分析，总的来看，离职员工的特征有以下几点：

• 对公司满意度低；
• 平均每天工作时长为10.4个小时（按一个月每周工作5天来计算），工作劳累；
• 薪资大多为中低水平；
• 过去5年基本没有升过职；
• 离职员工大部分来自销售、技术与后勤部门，销售部门占主要；
• 员工离职并不是单纯的因为绩效不好，相反，有一大半的离职员工的绩效评价都很高，在0.8-1之间都存在。结合之前相关性分析的发现，高绩效并不会带来升职和加薪，这也从侧面说明了为什么许多获得高评价的员工也会离职的原因。

所以，公司里大部分员工离职是因为满意度低、工资低、个人价值实现得不到满足。

3.2. 公司需要思考🤔的问题

• 为什么获得高绩效评价的员工离职率也很高？甚至评价最高的离职员工数有170多人？为什么这部分员工等不到升职与加薪？
• 为什么销售部门的离职员工最多？
• 为什么员工对公司的满意度低？

公司应该为员工创造一个良好的工作氛围，待遇与职业发展，更大限度的让员工实现自身的价值，从而更好的留住员工。

参考

[1]https://www.kaggle.com/mizanhadi/hr-employee-data-visualisation