怎么用Python数据分析员工们的工作效率和整体满意度

这篇文章主要讲解了“怎么用Python数据分析员工们的工作效率和整体满意度”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“怎么用Python数据分析员工们的工作效率和整体满意度”吧！

项目背景

2018年，被称为互联网的寒冬之年。无论大小公司，纷纷走上了裁员之路，还有一些比较惨的，直接关门大吉。2019年上半年，甲骨文裁掉大量35岁左右的程序员，谁也没想到，IT界退休年龄这么早！而内心OS：我的房贷还没还清。。。。

假设你是人力资源总监，你该向谁开刀呢？先回答一下下面的问题。

• 各部门有多少名员工？

• 员工总体流失率是多少？

• 员工平均薪资是多少？

• 员工平均工作年限是多少？

• 公司任职时间最久的3名员工是谁？

• 员工整体满意度如何？

数据处理

import pandas as pd
data = pd.read_excel(r'c:\Users\Administrator\Desktop\英雄联盟员工信息表.xlsx',index_col = u'工号')
# 访问columns属性，查看列字段
data.columns
# 访问index属性，查看行标记
data.index
# 访问values属性，查看数据集
data.values

# 对元数据集增加一列奖金列，数额为薪资的20%
data[u'奖金'] = data[u'薪资']*0.2
data[u'奖金'].head()
# loc方法，根据索引列访问数据集
idx = ['lol-1','lol-2','lol-3','lol-7']
data.loc[idx]

# 对元数据集增加一列奖金列，数额为薪资的20%
data[u'奖金'] = data[u'薪资']*0.2
data[u'奖金'].head()
# loc方法，根据索引列访问数据集
idx = ['lol-1','lol-2','lol-3','lol-7']
data.loc[idx]

此时，我们在上述结果中发现：寒冰、盖伦是重复数据条，在数据分析过程中，一定要注意重复数据带来的影响，所以我们要进行去重操作。

# 查看重复数据条（bool结果为True代表重复）
data.duplicated()
# 查看有多少条重复数据
data.duplicated().sum()    # 结果：2 
# 查看重复数据
data[data.duplicated()]
# 删除重复数据条，inplace参数代表是否在元数据集进行删除，True表示是
data.drop_duplicates(inplace=True)
# 再次查看是否全部去重
data.duplicated().sum()    # 结果：0，说明数据已经唯一

数据分析

1.各部门有多少名员工？

# 频数统计
data[u'部门'].value_counts()
# ascending = True代表升序展示
data[u'部门'].value_counts(ascending = True)

2.员工总体流失率是多少？

# 频数统计
data[u'状态'].value_counts()
# normalize = True 获得标准化计数结果
data[u'状态'].value_counts(normalize = True)
# 展示出员工总体流失率
rate = data[u'状态'].value_counts(normalize = True)[u'离职']
rate

3.员工平均薪资是多少？

由上图的结果可以看出，平均薪资在16800元，你达到了吗？！允许你去哭一会o(╥﹏╥)o！

4.公司任职时间最久的3名员工是谁？

# describe方法也是常用的一种方法，而且结果更全面。
data[u'工龄'].describe()
# 通过降序排序、切片操作，找到待的最久的三名员工
data[u'工龄'].sort_values(ascending = False)[:3]
ID = data[u'工龄'].sort_values(ascending = False)[:3].index
data.loc[ID]

6.员工整体满意度如何？

data[u'满意度'].head()
# 通过查看满意度前五行发现，不太直观，我们可以用map进行映射，先建立一个映射字典
JobSatisfaction_cat = {
    1:'非常满意',
    2:'一般般吧',
    3:'劳资不爽'
}
data[u'满意度'].map(JobSatisfaction_cat)
# 对元数据集进行满意度映射
data[u'满意度'] = data[u'满意度'].map(JobSatisfaction_cat)
data[u'满意度'].head()

接下来，进行员工整体满意度分析。通过计算可以得出：70%员工都比较认可公司，但仍有30%员工对公司不满意。人力主管以及部门主管需要进一步探究清楚这30%员工的情况，因为不满意是否已经离职？还是存在隐患？是否处于核心岗位等等问题值得我们进一步探究。

data.head()
# 频数统计
data[u'满意度'].value_counts()
# 获得标准化计数结果，考虑到百分比更能说明满意度情况，所以乘100展示
100*data[u'满意度'].value_counts(normalize = True)

感谢各位的阅读，以上就是“怎么用Python数据分析员工们的工作效率和整体满意度”的内容了，经过本文的学习后，相信大家对怎么用Python数据分析员工们的工作效率和整体满意度这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是亿速云，小编将为大家推送更多相关知识点的文章，欢迎关注！