Kaggle数据分析实践——优秀员工为何离职

Melody Wu

数据分析师

R in Action前五章学习结束，并了解了dplyr和ggplot2两个包的使用，便试着在Kaggle上下载数据进行实践，检验学习效果。

本文介绍了关于优秀员工离职原因的数据分析，数据源来自Kaggle:

Human Resources Analytics | Kaggle

1. 分析目的

最优秀最有经验的员工，其离职的主要原因是什么

2. 理解数据

hr <- read.csv(file.choose(),stringsAsFactors = FALSE)
str(hr)

导入数据后，先查看数据结构，包括以下变量：

satisfaction_level : 满意度

last_evaluation : 绩效评估

number_project : 完成项目数

average_montly_hours : 平均月度工作时间

time_spend_company : 服务年限

Work_accident : 是否有工伤

left : 是否离职

promotion_last_5years: 过去5年是否有升职

sales : 工作部门

salary：薪资水平

3. 处理数据

Kaggle下载下来的数据基本上都是比较干净的数据了，不需要太多的清洗工作，这里只是为后续分析做个简单的处理：

1) 变量重命名

hr<-rename(hr,satisfaction = satisfaction_level,evaluation = last_evaluation,project = number_project,monthlyhour = average_montly_hours,serviceyear = time_spend_company,accident = Work_accident,promotion = promotion_last_5years,dept=sales)

2) 增加新变量

由于salary是chr，在后续相关性分析中不能够纳入，所以先将salary转换为数值格式的salary grade

hr$SG[hr$salary=="low"]<-1
hr$SG[hr$salary=="medium"]<-2
hr$SG[hr$salary=="high"]<-3

4. 分析数据

1) 初步探索

summary(hr)

可以观察到满意度的中位数为0.64，绩效评估的中位数为0.72，完成项目的中位数是4个，平均月度工作时间为200个小时，服务年限的中位数是3年。

2) 相关性分析

载入corrplot包进行变量之间的相关性分析。

hr_cor <- hr %>%
  select(satisfaction:promotion,SG)
M <- cor(hr_cor)
corrplot(M,method = "circle")

圆圈的大小代表了相关性的大小，圆圈的颜色代表了正相关还是负相关。

可以初步看出一般而言，离职原因是因为满意度低，工资低，服务年限较长，月工作时间多，没有晋升机会。

3) 目标群体分析

这次分析的目标群体是最优秀最有经验的员工，那么首先需要把这些员工筛选出来。根据初步探索的结果，我们暂定最优秀最有经验的员工标准为：

绩效评估大于中位数
完成项目大于中位数
或服务年限大于中位数和平均数

hr_top<-filter(hr,hr$evaluation>0.72 & hr$project>4 | hr$serviceyear>=4)
hr_top1<-hr_top %>%
  select(satisfaction:promotion,SG)
M<-cor(hr_top1)
corrplot(M,method = "circle")

这次的相关性结果和上次的有了一些变化，月度工作时长和完成项目的相关性变大，下面通过图形来具体看一下每个变量和离职的关系。

4）变量分析

hr_top$dept<-factor(hr_top$dept)
hr_top$salary<-factor(hr_top$salary)
hr_top$left<-factor(hr_top$left)
hr_top$promotion<-factor(hr_top$promotion)
ggplot(data = hr_top,mapping = aes(x=satisfaction,fill=left))+
  geom_histogram()
ggplot(data = hr_top,mapping = aes(x=evaluation,fill=left))+
  geom_histogram()
ggplot(data = hr_top,mapping = aes(x=project,fill=left))+
  geom_histogram()
ggplot(data = hr_top,mapping = aes(x=monthlyhour,fill=left))+
  geom_histogram()
ggplot(data = hr_top,mapping = aes(x=serviceyear,fill=left))+
  geom_histogram()
ggplot(data = hr_top,mapping = aes(x=accident,fill=left))+
  geom_histogram()
ggplot(data = hr_top,mapping = aes(x=promotion,fill=left))+
  geom_bar(position = "stack")
ggplot(data = hr_top,mapping = aes(x=dept,fill=left))+
  geom_bar(position = "fill")
ggplot(data = hr_top,mapping = aes(x=dept,fill=left))+
  geom_bar(position = "stack")
ggplot(data = hr_top,mapping = aes(x=salary,fill=left))+
  geom_bar(position = "dodge")