前言

本文的文字及圖片來源于網絡,僅供學習、交流使用,不具有任何商業用途,版權歸原作者所有,如有問題請及時聯系我們以作處理。

項目背景

2018年，被稱為互聯網的寒冬之年。無論大小公司，紛紛走上了裁員之路，還有一些比較慘的，直接關門大吉。2019年上半年，甲骨文裁掉大量35歲左右的程序員，誰也沒想到，IT界退休年齡這么早！而內心OS：我的房貸還沒還清。。。。

假設你是人力資源總監，你該向誰開刀呢？先回答一下下面的問題。

各部門有多少名員工？

員工總體流失率是多少？

員工平均薪資是多少？

員工平均工作年限是多少？

公司任職時間最久的3名員工是誰？

員工整體滿意度如何？

數據處理

importpandas as pd

data= pd.read_excel(r'c:\Users\Administrator\Desktop\英雄聯盟員工信息表.xlsx',index_col = u'工號')#訪問columns屬性，查看列字段

data.columns#訪問index屬性，查看行標記

data.index#訪問values屬性，查看數據集

data.values

#對元數據集增加一列獎金列，數額為薪資的20%

data[u'獎金'] = data[u'薪資']*0.2data[u'獎金'].head()#loc方法，根據索引列訪問數據集

idx = ['lol-1','lol-2','lol-3','lol-7']

data.loc[idx]

#對元數據集增加一列獎金列，數額為薪資的20%

data[u'獎金'] = data[u'薪資']*0.2data[u'獎金'].head()#loc方法，根據索引列訪問數據集

idx = ['lol-1','lol-2','lol-3','lol-7']

data.loc[idx]

此時，我們在上述結果中發現：寒冰、蓋倫是重復數據條，在數據分析過程中，一定要注意重復數據帶來的影響，所以我們要進行去重操作。

#查看重復數據條(bool結果為True代表重復)

data.duplicated()#查看有多少條重復數據

data.duplicated().sum() #結果：2#查看重復數據

data[data.duplicated()]#刪除重復數據條，inplace參數代表是否在元數據集進行刪除，True表示是

data.drop_duplicates(inplace=True)#再次查看是否全部去重

data.duplicated().sum() #結果：0，說明數據已經唯一

數據分析

1.各部門有多少名員工？

#頻數統計

data[u'部門'].value_counts()#ascending = True代表升序展示

data[u'部門'].value_counts(ascending = True)

2.員工總體流失率是多少？

#頻數統計

data[u'狀態'].value_counts()#normalize = True 獲得標準化計數結果

data[u'狀態'].value_counts(normalize =True)#展示出員工總體流失率

rate = data[u'狀態'].value_counts(normalize = True)[u'離職']

rate

3.員工平均薪資是多少？

由上圖的結果可以看出，平均薪資在16800元，你達到了嗎？！允許你去哭一會o(╥﹏╥)o！

4.公司任職時間最久的3名員工是誰？

#describe方法也是常用的一種方法，而且結果更全面。

data[u'工齡'].describe()#通過降序排序、切片操作，找到待的最久的三名員工

data[u'工齡'].sort_values(ascending = False)[:3]

ID= data[u'工齡'].sort_values(ascending = False)[:3].index

data.loc[ID]

6.員工整體滿意度如何？

data[u'滿意度'].head()#通過查看滿意度前五行發現，不太直觀，我們可以用map進行映射，先建立一個映射字典

JobSatisfaction_cat ={1:'非常滿意',2:'一般般吧',3:'勞資不爽'}

data[u'滿意度'].map(JobSatisfaction_cat)#對元數據集進行滿意度映射

data[u'滿意度'] = data[u'滿意度'].map(JobSatisfaction_cat)

data[u'滿意度'].head()

接下來，進行員工整體滿意度分析。通過計算可以得出：70%員工都比較認可公司，但仍有30%員工對公司不滿意。人力主管以及部門主管需要進一步探究清楚這30%員工的情況，因為不滿意是否已經離職？還是存在隱患？是否處于核心崗位等等問題值得我們進一步探究。

data.head()#頻數統計

data[u'滿意度'].value_counts()#獲得標準化計數結果，考慮到百分比更能說明滿意度情況，所以乘100展示

100*data[u'滿意度'].value_counts(normalize = True)

原文鏈接:https://www.cnblogs.com/hhh188764/p/13207784.html

總結

以上是生活随笔為你收集整理的python数据分享人力资源_Python数据分析帮你清晰的了解整理员工们的工作效率和整体满意度...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。