优秀员工离职原因分析与预测

实验目的

熟悉使用R语言进行大数据综合分析的方法

实验原理

R工具是一套完整的的数据处理计算和制图软件系统。其功能包括：数据存储和处理系统；数组运算工具（其向量、矩阵运算方面功能尤其强大）；完整连贯的统计分析工具；优秀的的统计制图功能；简便而强大的的编程语言：可操纵数据的输入和输出以及可实现分支、循环等用户自定义功能。

实验背景

优秀且有经验的员工是所有企业都渴望得到的人才，正所谓“求贤若渴”。然而现实中存在的一个现象是：不少公司中大量优秀且有经验的员工过早的离开。

为什么我们最好、最有经验的员工那么早的离职？利用这个数据集，利用其中14999名员工工作年限、薪资、职位、部门、健康程度等有价值的信息，分析并得出优秀员工离职的主要可能的原因，并试着预测哪些有价值的员工将会离开。

实验步骤

  1. 熟悉R环境；
  2. 打开R云件环境；
  3. 在相应编程环境中修改和运行代码；
  4. 查看结果。

实验一：数据读取

从kaggle下载数据：地址

导入数据，加载分析包，如提示包不存在可以用install.packages("包名")的方式安装

library('dplyr')
library('corrplot')
library('rpart')
library('partykit')
library('grid')
library('caret')
library('readr')
library('ggplot2')
library('gmodels')
library('pROC')
HR<-read.csv('HR_comma_sep.csv',stringsAsFactors=F)

实验二：数据探索

查看数据结构：

str(HR)
'data.frame':    14999 obs. of  10 variables:
 $ satisfaction_level   : num  0.38 0.8 0.11 0.72 0.37 0.41 0.1 0.92 0.89 0.42 ...
 $ last_evaluation      : num  0.53 0.86 0.88 0.87 0.52 0.5 0.77 0.85 1 0.53 ...
 $ number_project       : int  2 5 7 5 2 2 6 5 5 2 ...
 $ average_montly_hours : int  157 262 272 223 159 153 247 259 224 142 ...
 $ time_spend_company   : int  3 6 4 5 3 3 4 5 5 3 ...
 $ Work_accident        : int  0 0 0 0 0 0 0 0 0 0 ...
 $ left                 : int  1 1 1 1 1 1 1 1 1 1 ...
 $ promotion_last_5years: int  0 0 0 0 0 0 0 0 0 0 ...
 $ sales                : chr  "sales" "sales" "sales" "sales" ...
 $ salary               : chr  "low" "medium" "medium" "low"

• 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

实验三：数据预处理

变量名称太长，我们将这些名称简化以下：

#将变量重命名：
HR<-rename(HR,satisfaction=satisfaction_level,evaluation=last_evaluation,project=number_project,avghours=average_montly_hours,timespend=time_spend_company,accident=Work_accident,promotion=promotion_last_5years,dept=sales)

查看有没有缺失值：

sum(is.na(HR))
[1] 0

发现没有缺失值。 将salary中的字符转换成数字，且将low记为1，medium记为2，high记为3

HR$salary[HR$salary=="low"]<-"1"
HR$salary[HR$salary=="medium"]<-"2"
HR$salary[HR$salary=="high"]<-"3"
HR$salary <- as.numeric(HR$salary)

实验四：分析建模

查看相关性：

HR2<-HR[-9]#先将字符型的部门变量减去#
corrplot.mixed(cor(HR2))
corrplot(cor(HR2),type="upper",method = "circle",tl.pos = "tl",tl.offset = 1,tl.srt = 0)
corrplot(cor(HR2),add=T,type="lower",method = "number",col="red",diag=F, tl.pos ="n",cl.pos ="n")

从图中可以看到，与离职相关的因素依次是满意度（-0.39）薪资（-0.16），工伤（-0.15），工作年限（0.14），工作时间（0.07），升职（-0.06）完成项目（0.02），绩效（0.01）。

满意度（satisfaction）与离职率的关系

HR$left<-as.factor(HR$left) #转换为factor类型
ggplot(HR,aes(x=satisfaction,fill=left ))+geom_histogram(binwidth =0.02)+labs(title="满意度与离职率的关系")

从图中可以看出，大部分离职人员满意度都在0.1以下，满意度在0.3-0.5之间的离职人数次之，满意度在0.7-0.9的离职人员最少。

薪资(salary)与离职率的关系：

ggplot(HR,aes(x=salary,y=..count..,fill=left ))+geom_bar(stat = "count",position = "stack")+labs(title="薪资与离职率的关系")+geom_text(stat="count",aes(label=..count..),position=position_stack(vjust=0.3))

收入不到位在离职原因中也占很大比例，图中明显低收入员工离职率更高，差不多占三分之一，而反观高收入员工，离职人数少的可怜。

工伤(accident)与离职率的关系：

ggplot(HR,aes(x=accident,y=..count..,fill=left ))+geom_bar(stat = "count",position = "stack")+labs(title="工伤与离职率的关系")+geom_text(stat="count",aes(label=..count..),position=position_stack(vjust=0.3))

从图中可以看到，工伤虽然是导致离职的一个因素，但并不是主因。

工作年限(timespend)与离职率的关系：

ggplot(HR,aes(x=timespend,y=..count..,fill=left ))+geom_bar(stat = "count",position = "stack")+labs(title="工作年限与离职率的关系")+geom_text(stat="count",aes(label=..count..),position=position_stack(vjust=0.3))+scale_x_continuous(expand=c(0,0),breaks = c(1,2,3,4,5,6,7,8,9,10),labels = c(1,2,3,4,5,6,7,8,9,10))

从图中可以看到工作3-5年是离职的高发期，巧合的是很多公司招聘的时候也都要求3-5年的工作经验。

月均工作时间(vghours)与离职率的关系：

ggplot(HR,aes(x=avghours,colour=left ))+geom_line(stat="bin",binwidth=5)+labs(title="月均工作时间与离职率的关系")

构建离职原因模型

数据分割
set.seed(0001)
train <- createDataPartition(HR$left, p=0.75, list=FALSE)  #每次分割的结果可能不同，导致后面步骤的数据可能不同
hr_good_train <- HR[train, ]
hr_good_test <- HR[-train, ]
决策树
dtree <- rpart(left~., hr_good_train, method="class",parms=list(split="information"))
dtree$cptable

CP nsplit  rel error    xerror      xstd
1 0.55209743      0 1.00000000 1.00000000 0.02950911
2 0.12855210      1 0.44790257 0.44790257 0.02256805
3 0.08254398      3 0.19079838 0.19079838 0.01551204
4 0.02300406      4 0.10825440 0.10825440 0.01186737
5 0.01000000      5 0.08525034 0.08525034 0.01057607

plotcp(dtree)

实验五：模型评价与优化

绘制ROC/AUC曲线

dtree.pruned <- prune(dtree, cp=0.01)
dtree.pruned.pred <- predict(dtree.pruned, hr_good_test, type="class")
roc(as.numeric(hr_good_test$left),as.numeric(dtree.pruned.pred), plot=TRUE, print.thres=TRUE, print.auc=TRUE,col="blue")

实验六：可视化输出

plot(as.party(dtree.pruned),main="Decision Tree")

results matching ""

    No results matching ""