DC離職率預(yù)測案例分析

1.需求描述

本文分析利用DC員工數(shù)據(jù)進行分析苛吱。在對離職率的影響因素進行觀察的基礎(chǔ)至上，建立模型并預(yù)測哪些員工更易離職。

2.數(shù)據(jù)集描述

DC員工數(shù)據(jù)集共有31個變量，1100個觀測量。部分重點關(guān)注變量描述如下：

重點字段描述

員工特征可以分為以下幾類

基本的身份信息變量：性別抡驼、年齡鬼廓、學(xué)歷、婚姻狀況致盟、教育程度碎税、就讀專業(yè)；
員工公司身份變量：工齡馏锡、司齡（在公司工作的時間）雷蹂、職位、職級杯道、任職過的企業(yè)數(shù)量匪煌、所在部門、商務(wù)差旅情況党巾、和目前管理者共事年數(shù)
薪酬與福利變量：月薪萎庭、工作投入、是否加班齿拂、績效評分驳规、認(rèn)購優(yōu)先股的級別、漲薪比列署海、上年度培訓(xùn)次數(shù)吗购、距離上次升職的時間間隔
生活質(zhì)量相關(guān)變量：工作環(huán)境滿意度、工作滿意度砸狞、關(guān)系滿意度捻勉、工作與生活平衡情況、上班距離

3.特征分析

3.1 統(tǒng)計分析

基礎(chǔ)信息描述

員工基礎(chǔ)信息描述
- 員工員工平均年齡約37歲刀森，最大的60歲贯底，最小的18歲；
- 全部1100名員工中撒强，離職178人禽捆，離職率16.2%；
- 員工平均收入6483.6飘哨，中位收入4857.0胚想，最小1009，最大19999;
- 員工中男性為653人芽隆、女性為447人浊服；男性離職率為61.2%统屈、女性離職率為38.8%

3.2 分布分析

通過對部分變量觀察分析，發(fā)現(xiàn)以下問題：

18歲-23歲員工離職率超過40%牙躺，符合當(dāng)前市場對95后司齡的判斷愁憔，25歲以后員工穩(wěn)定性趨于穩(wěn)定，維持在20%-40%之間
研發(fā)部門離職人數(shù)最多孽拷，這主要是因為該公司研發(fā)部門人數(shù)最多的原因吨掌，雖然人數(shù)多，但是研發(fā)部門離職率最低脓恕，離職率最高的部門是HR膜宋，該部門也是公司人數(shù)最少的部門（基數(shù)比較小）

-員工離職率和薪資漲幅比呈現(xiàn)負(fù)相關(guān)炼幔，當(dāng)漲幅比最大時員工離職率超過40%秋茫，有點奇怪，如果分析沒有錯誤那就說明該部分員工薪資基數(shù)較小故而導(dǎo)致離職率很高

PercentSalaryHike&MonthlyIncome.png
工作投入度等級為1的員工離職率有近40%乃秀，達(dá)到了38%８刂！跺讯！一分耕耘一份收獲策泣，若未付出何談喜歡？

JobInvolvement.png
員工加班的離職率是不加班離職率的3倍Ｌб鳌Ｈ尽！彈性工作和不加班為什么會成為一種福利待遇
員工在公司供職時間越長穩(wěn)定性越好火本，員工司齡在0年-2年內(nèi)離職率最高為35.8%危队，20年-25年會有小幅增長（有可能會創(chuàng)業(yè)或者升職無望），31年-32年離職率會上升達(dá)到33%根據(jù)一般就職年限計算員工在未被企業(yè)返聘的情況下應(yīng)該已退休

工作環(huán)境和工作滿意度體現(xiàn)：工作滿意度比較低钙畔、環(huán)境滿意度低都會導(dǎo)致員工流失率增加

4.特征選擇

4.1數(shù)據(jù)預(yù)處理

對特征類別進行分類：數(shù)值類和非數(shù)值類

  def  obtain_x(train_df,xtype):
      dtype_df  = train_df.dtypes.reset_index()
      dtype_df.columns = ['col','type']
      return dtype_df[dtype_df.type != xtype].col.values
  float64_col = obtain_x(train_local,'object') #float64

加載數(shù)據(jù)進行歸一化處理

  min_max_scaler = preprocessing.MinMaxScaler()
  X = min_max_scaler.fit_transform(X)

加載數(shù)據(jù)對類別數(shù)據(jù)進行編碼處理

  le = preprocessing.LabelEncoder()
  ohe = preprocessing.OneHotEncoder()  
  train = pd.DataFrame()
  local_all = pd.concat([train_local,test_local],axis=0)
  for col in object_col:
      le.fit(local_all[col])
      local_all[col] = le.transform(local_all[col])
      ohe.fit(local_all[col].reshape(-1, 1))
      ohecol = ohe.transform(local_all[col].reshape(-1, 1)).toarray()
      ohecol = pd.DataFrame(ohecol[:,1:],index=None)#columns=col+le.classes_
      ohecol.columns = ohecol.columns.map(lambda x:str(x)+col)
      train = pd.concat([train2, ohecol],axis=1, ignore_index=False)

4.2 計算相關(guān)系數(shù)

計算各變量對離職率的影響程度

print(train.corr()['Attrition'])
x = train.corr()['Attrition'].index
y = train.corr()['Attrition'].values
plt.figure(figsize=(12,5))
plt.plot(x,y, 'b.-',label="皮爾遜相關(guān)系數(shù)")
plt.legend()
plt.ylabel("皮爾遜相關(guān)系數(shù)")
plt.xlabel("變量名稱")
plt.xticks(rotation=45)
plt.grid()
for i,j in zip(x,y):
  plt.text(i,j+0.005,'%.2f' %(j),ha='center',va='bottom')
 ` ``

4.3 利用特征的統(tǒng)計信息進行特征選擇

移除低方差特征

from sklearn.feature_selection import VarianceThreshold
sel = VarianceThreshold()
train_all_sel = sel.fit_transform(train_all)
train_local4 = train_all.iloc[0:len(train_local)]
test_local4 = train_all.iloc[len(train_local):]
# 定義特征統(tǒng)計函數(shù)
def col_Sta(train_df):
    col_sta = pd.DataFrame(columns = ['_columns','_min','_max','_median','_mean','_ptp','_std','_var'])
    for col in train_df.columns:
        col_sta = col_sta.append({'_columns':col,'_min':np.min(train_df[col]),'_max':np.max(train_df[col]),\
            '_median':np.median(train_df[col]),'_mean':np.mean(train_df[col]),\
            '_ptp':np.ptp(train_df[col]),'_std':np.std(train_df[col]),'_var':np.var(train_df[col])},ignore_index=True)
    return col_sta
train_col_sta = col_Sta(train_local4)
test_col_sta = col_Sta(test_local4)
train_col_sta

計算卡方信息量

from sklearn.feature_selection import chi2#調(diào)用卡方信息量
chi2_col,pval_col = chi2(train_local4[feature_end].values,train_y)

計算F信息量

from sklearn.feature_selection import f_classif#調(diào)用f信息量
f_col,pval_col = f_classif(train_local4[feature_end].values,train_y)

計算互信息量

from sklearn.feature_selection import mutual_info_classif#調(diào)用互信息
mic_col = mutual_info_classif(train_local4[feature_end].values,train_y)

5 建模

5.1 邏輯回歸預(yù)測

 from sklearn.linear_model import LogisticRegression
 from sklearn.model_selection import cross_val_score
 train_x_0 = train_local[['EnvironmentSatisfaction','JobInvolvement','JobSatisfaction','YearsSinceLastPromotion']]#RelationshipSatisfaction
 train_y_0 = train_local[y_col]
 clf = LogisticRegression(C=10)
 clf.fit(train_x_0, train_y_0)
 scores = cross_val_score(clf, train_x_0, train_y_0)
 print(scores.mean()) #0.8370006974003799
 x_col = [x for x in float64_col if x not in ['Attrition']]
 len(x_col)
 y_col = 'Attrition'
 train_x = train_local[x_col]
 train_y = train_local[y_col]
 clf = LogisticRegression(C=10)
 clf.fit(train_x, train_y)
 scores = cross_val_score(clf, train_x, train_y)
 print(scores.mean()) #0.8469807373205397

5.2 隨機森林預(yù)測

from sklearn.ensemble import RandomForestClassifier
clf = RandomForestClassifier(n_estimators=100, max_depth=5,min_samples_split=2, random_state=0)
clf = clf.fit(train_local4[feature_end], train_y)
scores = cross_val_score(clf, train_local4[feature_end], train_y)
print(scores.mean()) # 0.8470288338984681

5.3 組合篩選創(chuàng)建模型

feature_a = feature_sel[(feature_sel['importance']>=0.005)].feature.values
clf = LogisticRegression(C=10)
clf.fit(train_x3[feature_a], train_y)
scores = cross_val_score(clf, train_x3[feature_a], train_y)
print(scores.mean()) #0.8729528894019191

5.4混淆矩陣評估模型

TP(真實為1): 7
FP(真實為0): 3
TN(真實為0): 83
FN(真實為1): 7
P: 0.7
R: 0.5
ACC: 0.9
發(fā)現(xiàn)準(zhǔn)確率和召回率都是很很滿意茫陆，模型預(yù)測準(zhǔn)確度也很不錯