小邓嘎嘎乐-CSDN博客

原创 python数据挖掘分析互联网公司人力资源指标（下）

本文基于Python对某互联网公司14,999条员工数据进行人力资源分析。通过pandas和matplotlib等工具，从人力结构和运作两个维度展开研究：在结构方面分析岗位分布、教育背景等；在运作方面重点考察离职率（全公司24.71%，人力资源部门最高）和内部变动情况（市场部迁出最多，运营部迁入最多）。分析发现迁入销售、技术等人力资源部门的员工离职率达40%，建议深入调查岗位适配性等问题。研究展示了Python在人力数据分析中的高效应用，为管理层提供了数据支持的人力资源决策依据。

2025-08-11 18:03:11 470

原创 python数据挖掘分析互联网公司人力资源指标（上）

本文基于Python对某互联网企业14,999条员工数据进行人力资源分析。通过pandas和matplotlib等工具，从结构维度（岗位、管理层级、学历、年龄）和运作维度（离职率）展开研究。主要发现：销售（26.48%）和技术（20.58%）部门人数最多；管理层占比9.72%偏低，P1/P4层级人才不足；本科占53.85%，高学历者均匀分布；员工年龄集中在24-25岁（53.25%），30岁以上仅占3.8%。分析结果为企业人才结构优化提供了数据支持。

2025-08-11 17:04:47 598

原创 python数据分析及可视化项目（老王大药房数据）

本文介绍了一个基于Python的O2O药店数据分析项目。项目通过Pandas对1.4万条订单数据进行分析，重点包括：1)数据预处理（合并城市-门店表、转换时间格式、添加时段字段）；2)核心分析指标（分平台/城市/时段的订单数量与金额统计）；3)可视化展示（使用Matplotlib绘制柱状图和饼图）。分析结果显示不同平台、城市和时段的销售差异，为药店运营决策提供数据支持。项目完整展现了从数据清洗到分析可视化的全流程。

2025-08-10 15:47:03 821

原创 python数据清洗（葡萄酒品尝评分表）

本文介绍了葡萄酒品尝评分数据的完整清洗流程。首先概述数据清洗的重要性，指出常见问题如异常值、格式不一致等。然后详细演示使用Python的Pandas库处理红葡萄酒和白葡萄酒评分数据，包括数据加载、无效数据处理、缺失值填充（纵向和横向填充）、样品编号标准化、列名重命名等核心步骤。最后将清洗后的红白葡萄酒数据合并并保存为CSV文件。通过系统化的清洗流程，原始数据被转化为结构清晰、质量可靠的标准化数据集，为后续分析奠定基础，体现了数据清洗在数据分析中的关键价值。

2025-08-09 16:26:46 1093

原创 python数据清洗及可视化（姓氏区县数据）

本文详细介绍了姓氏区县数据的清洗、分析和可视化流程。通过Python的pandas和matplotlib库，首先对原始数据进行合并、去重和异常值处理；然后使用正则表达式提取省、市、区县三级行政区划信息；最后对Top20姓氏进行频次统计和可视化展示。文章重点阐述了数据清洗的关键步骤，包括处理特殊字符、剔除非姓氏数据、行政区划提取等，并提供了完整的代码实现。特别强调了数据清洗的重复性和可视化中的双轴图表技巧，为数据分析初学者提供了完整的学习范例。

2025-08-08 22:45:06 1300