数据分析案例-某公司员工数据信息可视化（文末送书）

 

🤵‍♂️ 个人主页：@艾派森的个人主页

✍🏻作者简介：Python学习者
🐋 希望大家多多支持，我们一起进步！😄
如果文章对你有帮助的话，
欢迎评论 💬点赞👍🏻 收藏 📂加关注+

---

目录

1.项目背景

2.数据集介绍

3.技术工具

4.导入数据

5.数据可视化

6.总结

文末推荐与福利

---

1.项目背景

        在当今数字化时代，企业数据的收集和分析已经成为企业成功的关键因素之一。员工数据作为企业数据的重要组成部分，对于企业的人力资源管理、战略决策等方面都具有重要的意义。然而，如何有效地整合、分析和利用员工数据，一直是企业面临的挑战。

        员工数据包含了员工的基本信息、工作表现、职业发展等方面，这些数据可以揭示员工的特点、行为和趋势。通过对员工数据的分析和挖掘，企业可以更好地了解员工的需求和期望，优化招聘和培训计划，提高员工的工作满意度和忠诚度。此外，员工数据还可以帮助企业识别潜在的劳动力风险和机会，为企业的战略发展提供数据支持。

        然而，目前很多企业对于员工数据的利用还停留在传统的表格和报表形式，无法直观地呈现数据的特点和趋势。同时，由于数据来源的多样性，数据的准确性和完整性也难以保证。因此，需要一种更加有效的方法来整合、分析和利用员工数据。

        数据可视化是一种将数据以图形、图像等形式呈现出来的方法，可以直观地展示数据的特点和趋势。通过数据可视化，企业可以更加清晰地了解员工情况，为人力资源决策提供有力的支持。同时，数据可视化还可以提高数据的透明度和可信度，加强管理层与员工之间的沟通和信任。

        因此，本次实验旨在通过可视化工具和技术，分析和呈现公司员工数据信息。这种数据可视化对于公司管理和决策制定非常重要，可以帮助领导层更好地了解员工情况，优化流程，提高效率，和制定人力资源策略。

2.数据集介绍

        该数据集来源于Kaggle，原始数据集中共有4653条，9个特征变量，各变量解释含义如下：

Education: 员工的教育资格，包括学位、机构和研究领域。

Joining Year: 每位员工加入公司的年份，表明他们的服务年限。

City: 每个员工所在或工作的地点或城市。

Payment Tier: 将员工分为不同的薪资等级。

Age: 每个员工的年龄，提供人口统计洞察。

Gender: 员工的性别认同，促进多样性分析。

Ever Benched: 表示员工是否曾经暂时没有分配过工作。

Experience in Current Domain: 员工在当前领域的经验年数。

Leave or Not: 目标栏。

3.技术工具

Python版本:3.9

代码编辑器：jupyter notebook

4.导入数据

首先导入数据可视化的第三方库，并加载数据集

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
import warnings
warnings.filterwarnings('ignore')df = pd.read_csv("Employee.csv")
df.head()

查看数据大小

 查看数据基本信息

查看数据描述性统计

删除缺失值和重复值

5.数据可视化

# 员工教育分析
plt.figure(figsize=(10, 6))
sns.countplot(data=df, x='Education', palette='Set2')
plt.title('Education of Employees')
plt.show()

1971名员工拥有学士学位，说明大多数员工拥有学士学位。拥有硕士学位的员工637人，156名拥有博士学位的员工。

# 入职年限分布
sns.histplot(data=df, x='JoiningYear', bins=20, kde=True, color='skyblue')
plt.title('Distribution of Joining Years')
plt.show()

2017年是加入该公司的员工人数最多的一年，有662名新员工。紧随其后的是，2015年，有464名新员工加入公司。2013年，共有396名员工加入公司。新员工人数最少的一年是2018年，只有239名员工加入该公司。

# 员工城市分布
city_cnts = df['City'].value_counts()
px.pie(city_cnts, names=city_cnts.index, values=city_cnts.values, title='Employees Distribution by City', color_discrete_sequence=px.colors.sequential.Sunset, hole = 0.5)

大多数员工(42.4%)来自班加罗尔，其次是29%来自浦那，28.7%来自新德里

# 员工年龄分布
plt.figure(figsize=(10, 6))
sns.histplot(data=df, x='Age', bins=20, kde=True, color='coral')
plt.title('Employee Ages Distribution')
plt.show()

数据集中员工的最低年龄为22岁。25%的员工年龄在27岁以下或等于27岁。50%的员工年龄在30岁以下或等于30岁。75%的员工年龄在35岁以下或等于35岁。数据集中记录的员工最大年龄为41岁。

# 性别分布
sns.countplot(data=df, x='Gender', palette='muted')
plt.title('Gender Distribution')
plt.show()

组织中男性员工比女性员工多。

# 当前领域的经验分布
plt.figure(figsize=(10, 6))
sns.histplot(data=df, x='ExperienceInCurrentDomain', bins=20, kde=True, color='limegreen')
plt.title('Distribution of Experience in Current Domain')
plt.show()

大多数员工有2年工作经验(681名员工)，其次是5年工作经验(470名员工)。随着工作年限的增加，员工人数逐渐减少。只有少数员工在当前领域拥有6年(8名员工)或7年(9名员工)的经验。

# 员工休假或未休假人数
sns.countplot(data=df, x='LeaveOrNot', palette='dark')
plt.title('Count of Employees Leave or Not')
plt.show()

大多数员工都没有休假。

# 支付等级分布
paymentTier_cnts = df['PaymentTier'].value_counts()
px.pie(city_cnts, names=paymentTier_cnts.index, values=paymentTier_cnts.values,title='Payment Tier Distribution', color_discrete_sequence=px.colors.sequential.Jet, hole = 0.5)

大多数员工(71.5%)处于第三支付层。20.6%的员工处于第二支付层，只有7.89%的员工处于第一支付层。

# 按性别划分的年龄分布
px.box(df, x='Gender', y='Age', color='Gender', title='Age Distribution by Gender' , color_discrete_sequence=px.colors.sequential.deep_r)

大多数男女员工的年龄在27到35岁之间。

# 按支付级别划分的当前领域经验
px.violin(df, x='PaymentTier', y='ExperienceInCurrentDomain', title='Experience in Current Domain by Payment Tier', color = 'PaymentTier', color_discrete_sequence=px.colors.sequential.RdBu_r )

第一个支付级别的大多数员工的工作经验在1年到4年之间。第二支付等级的大多数员工的工作经验在2年到4年之间。大多数第三支付等级的员工的工作经验在1年到4年之间。

# 城市性别分布
plt.figure(figsize=(12, 6))
sns.countplot(data=df, x='City', hue='Gender', palette='Set3')
plt.title('Gender Distribution by City')
plt.show()

班加罗尔和浦那的男性雇员更多。新德里有更多的女性雇员。

# 按性别划分的付款等级和年龄
px.box(df, x='PaymentTier', y='Age', color='Gender', title='Box Plot: Payment Tier and Age by Gender' , color_discrete_sequence=px.colors.sequential.RdBu)

在第一支付层，大多数男性员工的年龄在26 - 35岁之间，大多数女性员工的年龄在26 - 32岁之间。在第二支付层，大多数男性员工的年龄在26 - 34岁之间，大多数女性员工的年龄在27 - 35岁之间。在第三支付层，大多数男性员工的年龄在28 - 35岁之间，大多数女性员工的年龄在27 - 35岁之间。

6.总结

通过上面的可视化分析，我们得出了以下结论：

• 大多数员工拥有学士学位。
• 2017年和2015年是新员工数量最多的一年。
• 班加罗尔的员工集中度最高，其次是浦那和新德里。
• 员工的年龄范围相对较窄，大多数在27至35岁之间。
• 男性员工比女性员工多。
• 87%的部署率是积极的，但应该采取相应的策略来减少不部署。
• 大多数员工都有2年的工作经验。
• 员工的稳定性很明显，大多数人都没有休假
• 大多数员工都在第三支付层。
• 班加罗尔和浦那的男性员工更多，而新德里的女性员工更多。
• 拥有硕士和博士学位的员工的存在表明了教育的多样性。

通过本次实验，公司管理层获得了更清晰的员工数据信息，可以更好地制定战略决策，提高公司的绩效和竞争力。数据可视化是一个强大的工具，可以帮助公司更好地了解自身情况，优化资源分配，提高效率。

文末推荐与福利

《小团队管理：如何轻松带出1+1大于2的团队》免费包邮送出3本！

​

内容简介：   

        《小团队管理：如何轻松带出1 1>2的团队》从小团队管理的基本特征开始介绍，围绕小团队管理者在工作中实际遇到的管理事件，针对形形色色的小团队管理问题，逐条展开方法论述和实操讲解，旨在帮助读者轻松应对管理难题。
        本书分为3篇，共12章。第1篇为基础篇，主要概述小团队管理的基本内容；第2篇为新手篇，主要讲解小团队管理的基础知识和实操案例，内容包括小团队的认知管理、目标管理、分工管理、沟通管理、绩效管理、阶梯管理、新人管理、离职管理、文化管理等；第3篇为进阶篇，主要针对空降管理者和创业管理者所面临的挑战，提出可落地执行的实用建议。 

编辑推荐：

更懂人、会用人、能管人、高效激励人、擅长培养人，实现从自己强到团队强的完美转型！
①全面：认知 目标 分工 沟通 绩效 阶梯 新人 离职 文化
②易懂：50 个核心公式，用简单的方式解释复杂的管理知识
③实用：50 个实用图表，随学随用，可直接落地
④案例：50 个场景案例详解，大幅提升管理能力

• 抽奖方式：评论区随机抽取3位小伙伴免费送出！
• 参与方式：关注博主、点赞、收藏、评论区评论“人生苦短，拒绝内卷！”（切记要点赞+收藏，否则抽奖无效，每个人最多评论三次！）
• 活动截止时间：2023-10-29 20:00:00
• 当当网购买链接：http://product.dangdang.com/29511382.html

• 京东购买链接：https://item.jd.com/13628437.html

 名单公布时间：2023-10-29 21:00:00