python数据挖掘分析 互联网公司人力资源指标 （上）

目录

一. 引言

二. 数据加载及预处理

1.引入库

2.读取数据

3.数据清洗

三. 数据分析与挖掘

1.人力资源结构角度

分析1：人员岗位分布

分析2：管理人员比例

分析3：教育情况分布

分析4：人员年龄结构

---

一. 引言

• 背景介绍：该数据为一家互联网科技公司的职工信息表(数据共14999条)，新入职的人力资源负责人想对该份数据进行探索性分析，以便快速了解公司员工情况。
• 
• Python数据挖掘的价值：解释Python在数据挖掘中的优势，如易用性、丰富的库（pandas, matplotlib等），以及如何用于人力资源决策支持。
• 主要目标：本文旨在通过Python对人力资源数据进行深入分析，从两个主要维度展开研究：
• 从人力资源结构角度：
  • 人员岗位分布
  • 管理人员比例
  • 教育情况分布
  • 人员年龄结构
• 从人力资源运作角度：
  • 员工离职率
  • 内部变动率

相关资料参考：

关键指标定义：

二. 数据加载及预处理

1.引入库

import pandas as pd
from matplotlib import pyplot as plt
#忽略警告提醒
import warnings
warnings.filterwarnings('ignore')
#中文友好显示
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']   # 设置字体
mpl.rcParams['axes.unicode_minus'] = False     # 防止出现负号乱码

2.读取数据

data=pd.read_excel('./HR_comma_sep.xlsx',sheet_name='数据集')
#查看数据前几行
data.head()

示例输出结果：

#查看数据情况
data.info()

示例输出结果：

## 计算描述性统计
data.describle

示例输出结果：

3.数据清洗

#判断员工是否变动部门，返回结果是布尔值
data['是否变动部门']=data['现就职部门']==data['原就职部门']
#将布尔值转换为中文
data['是否变动部门']=data['是否变动部门'].apply(lambda x:'否' if x else '是')

第一步：比较两列是否相同

• 逻辑：

  • 比较 现就职部门 和 原就职部门 是否相同。

  • 如果相同，返回 True（表示未变动部门）；如果不同，返回 False（表示变动部门）。

• 结果：

  • 新列 是否变动部门 的值是布尔型（True/False）。

第二步：将布尔值转换为中文

• 逻辑：

  • 使用 apply() 方法对 是否变动部门 列中的每个值进行转换。

  • lambda x: '否' if x else '是' 表示：

    • 如果 x 是 True（未变动），返回 '否'。

    • 如果 x 是 False（变动），返回 '是'。

• 结果：

  • 新列 是否变动部门 的值变为中文 '是'（变动）或 '否'（未变动）。

示例输出结果：

筛选出在职员工的数据：

data_zaizhi=data[data['是否离职']=='在职']
#查看数据维度
data_zaizhi.shape

输出结果：

(11292, 9)

第一步：筛选在职员工

• 逻辑：

  • data['是否离职'] == '在职'：对 是否离职 列进行条件判断，返回一个布尔值（True/False）的 Series。

    • 如果值为 '在职'，对应行为 True（保留该行）。

    • 如果值为其他（如 '离职'），对应行为 False（排除该行）。

  • data[布尔Series]：根据布尔值筛选数据，仅保留 True 的行。

第二步：查看数据维度

• 作用：

  • shape 是 Pandas DataFrame 的属性，返回一个元组 (行数, 列数)。

同理筛选出离职员工的数据：

data_lizhi=data[data['是否离职']=='离职']
data_lizhi.shape

输出结果：

(3707, 9)

三. 数据分析与挖掘

1.人力资源结构角度

分析1：人员岗位分布

统计每个部门的在职员工人数及占比，并按人数从高到低排序

#按部门分组统计人数
df1=data_zaizhi.groupby(by='现就职部门',as_index=False)['工号'].count()
# 重命名列
df1.columns=['现就职部门','人数']
#3. 计算占比
df1['占比']=df1['人数']/df1['人数'].sum()
#按人数降序排序
df1.sort_values(by='人数',ascending=False,inplace=True)
df1.head()

输出结果示例：

分析情况：

1. 按部门分组统计人数

groupby('现就职部门')：按 现就职部门 列分组。

as_index=False：让分组列 现就职部门 保留为普通列（而非索引）。

['工号'].count()：统计每个部门的 工号 数量（即人数）。

2.按人数降序排序

inplace=True：直接修改 df1，不创建新对象。

ascending=False：降序排列（从高到低）。

by='人数'：按 人数 列排序。

结果可视化：

使用 Matplotlib 绘制了一个 双Y轴组合图表，左侧Y轴显示各部门的 在职人数（柱状图），右侧Y轴显示各部门的 人数占比（折线图），并在折线图上添加了数据标签。

plt.figure(figsize=(20,8),dpi=80)#设置画布
#绘制柱状图（左侧Y轴）
plt.bar(df1['现就职部门']，df1['人数'])
plt.xlabel('现就职部门')
plt.ylabel('人数')
plt.title('人员岗位分布图')
#创建次坐标轴
plt.twinx()
#绘制折线图（右侧Y轴）：
plt.plot(df1['现就职部门']，df1['占比'],'ro-')#设置折线颜色
plt.ylabel('人数占比')
#添加数据标签
for x,y in zip(df1['现就职部门']，df1['占比']):
    plt.text(x,y,'%.2f%%' %(y*100),ha='center',va='bottom',fontsize=16)
plt.show()

1. 设置画布

• figsize=(20, 8)：设置画布大小为宽20英寸、高8英寸。

• dpi=80：调整分辨率（像素密度），确保图像清晰。

2. 绘制柱状图（左侧Y轴）

• 功能：

  • plt.bar()：绘制柱状图，X轴为部门名称，Y轴为人数。

  • xlabel/ylabel/title：设置坐标轴标签和标题。

3. 创建次坐标轴（右侧Y轴）

• 作用：
  新增一个Y轴（右侧），与左侧Y轴共享X轴，用于绘制占比数据。

4. 绘制折线图（右侧Y轴）

• 参数说明：

  • 'ro-'：红色（r）、圆点标记（o）、实线（-）。

  • ylabel：设置右侧Y轴标签。

5. 添加数据标签

• 遍历每个部门，在折线图的数据点上添加占比标签（如 25.00%）。

• ha='center'：水平居中显示。

• va='bottom'：垂直方向位于数据点上方。

• fontsize=16：设置字体大小。

6. 显示图表

输出结果：

结论：公司的在职人员中销售部门人数最多，占比26.48%；其次是技术部门，占比20.58%。

• 分析2：管理人员比例

   统计不同级别（如职级、岗位级别）的在职员工人数，并按人数从高到低排序

  df2=data_zaizhi.groupby(by='级别',as_index=False)['工号'].count()
  df2.columns=['级别','人数']
  df2.sort_values(by='人数',ascending=False,inplace=True)
  df2

  输出结果示例：

• 

  1. 按部门分组统计人数

  groupby('现就职部门')：按 现就职部门 列分组。

  as_index=False：让分组列 现就职部门 保留为普通列（而非索引）。

  ['工号'].count()：统计每个部门的 工号 数量（即人数）。

  2.按人数降序排序

  inplace=True：直接修改 df1，不创建新对象。

  ascending=False：降序排列（从高到低）。

  by='人数'：按 人数 列排序。

  结果可视化：

  使用 Matplotlib 绘制了一个 饼图，用于直观展示不同级别（如职级）的管理人员在整体中的比例分布，并突出显示某一个级别（通过偏移效果）。

  #设置画布大小
  plt.figure(figsize=(6,6),dpi=80)
  #保证长宽相等
  plt.axis('equal')
  #绘制饼图
  plt.pie(df2['人数'],label=df2['级别'],autopct='%.2f%%',explode=[0,0,0,0,0.1])
  plt.title('管理人员比例分布图')
  plt.show()

  分析情况：

1. 设置画布

• figsize=(6, 6)：创建6英寸×6英寸的正方形画布。

• dpi=80：设置分辨率（像素密度）。

• axis('equal')：确保饼图是正圆形（而非椭圆形）。

2. 绘制饼图

• 参数说明：

  • df2['人数']：饼图各扇区的数值（人数）。

  • labels：对应每个扇区的标签（级别名称）。

  • autopct：自动标注百分比格式（如 25.00%）。

  • explode：控制扇区偏移（0表示不偏移，0.1表示第5个扇区向外偏移10%半径）。

输出结果示例：

• 结论：

• 1.百度AI中显示，互联网公司中的管理人员比例在10%到15%之间是比较常见的。所以该公司管理层（M1）的人数占比为9.72%，管理人员偏少，可以考虑从基层再提拔部分管理人员上来。

• 2.根据LinkedIn 2023科技行业报告，理想金字塔比例为P1 : P2 : P3 : P4 = 15% : 30% : 40% : 15%。

• P1严重不足（10.07% vs 15%）：人才储备断层（建议将P1占比提升至15%（校招计划））；

• P2人员占比合理（29.60% vs 30%）；

• P3占比合理（40.21%≈40%）：主力层稳定；

• P4占比偏低（10.41% vs 15%）：技术深度不足（内部晋升+P5通道建立）。

• 分析3：教育情况分布

   统计在职员工的学历分布情况，并按人数从高到低排序

  df3=data_zaizhi.groupby(by='学历',as_index=False)['工号'].count()
  df3.columns=['学历','人数']
  df3.sort_values(by='人数',ascending=False,inplace=True)
  df3

  输出结果示例：

• 

• 结果可视化：

  使用Matplotlib库绘制了一个饼图，用于直观展示在职员工的学历分布情况。

  plt.figure(figsize=(6,6),dpi=80)
  plt.axis('equal')# 保证长宽相等
  plt.pie(df3['人数'],labels=df3['学历'],autopct='%.2f%%')
  plt.title('学历情况分布图')
  plt.show()

  输出结果：

  

• 结论：公司以本科学历为主，占53.85%; 其次是专科学历，占29.60%; 硕士学历只占了9.61%; 高中学历占比是最低的，占了6.94%.

深度分析：“硕士”和“高中”的岗位分布情况

高中及以下：

筛选出学历为“高中及以下”的员工

data_senoir=data_zaizhi[data_zaizhi['学历']=='高中及以下']
data_senoir.shape

统计高中及以下人群各部门高中及以下学历员工的人数分布，并按人数降序排列。

#数据分组统计
df3_senoir=data_senoir.groupby(by='现就职部门',as_index=False)['工号'].count()
#列名重命名
df3_senoir.columns=['现就职部门','高中及以下学历人数']
#排序处理
df3_senoir.sort_values(by='高中及以下学历人数',ascending=False,inplace=True)
#输出结果
df3_senoir

输出结果示例：

硕士

筛选出学历为“硕士”的员工

data_master=data_zaizhi[data_zaizhi['学历']=='硕士']
data_master.shape

统计每个“现就职部门”中拥有“硕士学历”的员工人数，并按人数从高到低进行排序。

df3_master=data_master.groupby(by='现就职部门',as_index=False)['工号'].count()
df3_master.columns=['现就职部门','硕士学历人数']
df3_master.sort_values(by='硕士学历人数',ascending=False,inplace=True)
df3_master

输出结果示例：

将两个包含不同学历统计信息的数据表（df3_senoir 和 df3_master）按照部门”进行合并，并对合并后产生的缺失值进行处理，最后确保数据类型的一致性。

# 拼接数据
df3_1=pd.merge(df3_senoir,df3_master,on='现就职部门',how='outer')
df3_1.fillna(0,inplace=True)
df3_1['高中及以下学历人数']=df3_1['高中及以下学历人数'].astype(int)
df3_1

输出结果示例：

df3_1.plot.bar(figsize=(20,8),stacked=True)#启用堆叠模式
#自定义 X 轴的刻度标签。
plt.xticks(range(len(df3_1)),df3_1['现就职部门'])
plt.xlabel('现就职部门')
plt.ylabel('学历人数')
plt.title('高中及以下VS硕士 各学历人员岗位分布图')
plt.show()

• len(df3_1) 返回 df3_1 表的行数，也就是部门的数量。
• range(...) 会生成一个从 0 开始到 行数-1 的整数序列，例如 [0, 1, 2, 3, ...]。
• 这个序列告诉 Matplotlib，应该在 X 轴的 0, 1, 2, 3… 这些位置上放置刻度标签。这正好与 Pandas 默认的行索引位置对齐。
• df3_1['现就职部门']：这是第二个参数，用于设置刻度的标签。

输出结果：

结论：硕士学历分布在各个岗位，并没有对某一岗位有特殊偏好； 高中学历，主要分布在销售、生产、运营和市场，这些岗位对于学历相对要求较低的岗位。

继续深入挖掘：各个部门离职率（交叉组合）

• 分析4：人员年龄结构

  统计原始数据 data_zaizhi 中每个年龄对应的员工人数，并按照年龄从小到大进行排序

  df4=data_zaizhi.groupby(by='年龄',as_index=False)['工号'].count()
  df4.columns=['年龄','人数']
  df4.sort_values(by='年龄',ascending=True,inplace=True)
  df4

  输出结果示例：

• 结果可视化：

  plt.figure(figsize=(20,8),dpi=80)
  plt.plot(df4['年龄'],df4['人数'],'o-')
  plt.xlabel('年龄')
  plt.ylabel('人数')
  plt.title('人员年龄结构分布图')
  for x,y in zip(df4['年龄'],df4['人数']):
      plt.text(x,y,y,ha='center',va='bottom',fontsize=16)
  plt.xticks(range(20,36))
  
  plt.show()

  输出结果：

  

  统计24-25岁人数占比：

  sum((data_zaizhi['年龄']==24)|(data_zaizhi['年龄']==25))/len(data_zaizhi)

  输出结果：0.5325008855827135

  统计大于30岁人数占比：

  sum(data_zaizhi['年龄']>=30)/len(data_zaizhi)

  输出结果：0.03808005667729366

  结论：公司人员的年龄主要集中在24-25岁，占比高达53.25%。整体偏年轻化。30+以上的人员，较少,占比为3.8%。

  深入挖掘：30+的员工主要是集中在什么岗位（交叉组合）

  df4_30=data_zaizhi[data_zaizhi['年龄']>=30]
  df4_30

  输出结果示例：

  

  df4_1=df4_30.groupby(by='现就职部门',as_index=False)['工号'].count()
  df4_1.columns=['现就职部门','人数']
  df4_1['占比']=df4_1['人数']/df4_1['人数'].sum()
  df4_1.sort_values(by='人数',ascending=False,inplace=True)
  df4_1

  输出结果：

  

  结果可视化：

  plt.figure(figsize=(20,8),dpi=80)
  #绘制柱状图（左侧Y轴）
  plt.bar(df4_1['现就职部门'],df4_1['人数'])
  plt.xlabel('现就职部门')
  plt.ylabel('人数')
  plt.title('30+人员岗位分布图')
  #创建次坐标轴
  plt.twinx()
  #绘制折线图（右侧Y轴）：
  plt.plot(df4_1['现就职部门'],df4_1['占比'],'ro-')
  plt.ylabel('占比')
  #添加数据标签
  for x,y in zip(df4_1['现就职部门'],df4_1['占比']):
      plt.text(x,y,'%.2f%%' %(y*100),ha='center',va='bottom',fontsize=16)
  
  plt.show()

  输出结果：

  

  结论：30+人员岗位分布在各个岗位，无明显偏好；其中销售部门占比最高，占28.14%。