用R语言分析与预测员工离职

在实验室搬砖之后，继续我们的kaggle数据分析之旅，这次数据也是答主在kaggle上选择的比较火的一份关于人力资源的数据集，关注点在于员工离职的分析和预测，依然还是从数据读取，数据预处理，EDA和机器学习建模这几个部分开始进行，最后使用集成学习中比较火的random forest算法来预测离职情况。

数据读取

setwd("E:/kaggle/human resource") 
library(data.table) 
library(plotly) 
library(corrplot) 
library(randomForest) 
library(pROC) 
library(tidyverse) 
library(caret) 
hr<-as.tibble(fread("HR_comma_sep.csv")) 
glimpse(hr) 
sapply(hr,function(x){sum(is.na(x))}) 
———————————————————————————————————————————————————————————————————————————————————— 
Observations: 14,999 
Variables: 10 
$ satisfaction_level    <dbl> 0.38, 0.80, 0.11, 0.72, 0.37, 0.41, 0.10, 0.92, 0.89, 0.42, 0.45, 0.11, 0.84, 0.41, 0.36, 0.38, 0.45, 0.78, 0.45, 0.76, 0.11, 0.3... 
$ last_evaluation       <dbl> 0.53, 0.86, 0.88, 0.87, 0.52, 0.50, 0.77, 0.85, 1.00, 0.53, 0.54, 0.81, 0.92, 0.55, 0.56, 0.54, 0.47, 0.99, 0.51, 0.89, 0.83, 0.5... 
$ number_project        <int> 2, 5, 7, 5, 2, 2, 6, 5, 5, 2, 2, 6, 4, 2, 2, 2, 2, 4, 2, 5, 6, 2, 6, 2, 2, 5, 4, 2, 2, 2, 6, 2, 2, 2, 4, 6, 2, 2, 6, 2, 5, 2, 2, ... 
$ average_montly_hours  <int> 157, 262, 272, 223, 159, 153, 247, 259, 224, 142, 135, 305, 234, 148, 137, 143, 160, 255, 160, 262, 282, 147, 304, 139, 158, 242,... 
$ time_spend_company    <int> 3, 6, 4, 5, 3, 3, 4, 5, 5, 3, 3, 4, 5, 3, 3, 3, 3, 6, 3, 5, 4, 3, 4, 3, 3, 5, 5, 3, 3, 3, 4, 3, 3, 3, 6, 4, 3, 3, 4, 3, 5, 3, 3, ... 
$ Work_accident         <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ... 
$ left                  <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, ... 
$ promotion_last_5years <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ... 
$ sales                 <chr> "sales", "sales", "sales", "sales", "sales", "sales", "sales", "sales", "sales", "sales", "sales", "sales", "sales", "sales", "sa... 
$ salary                <chr> "low", "medium", "medium", "low", "low", "low", "low", "low", "low", "low", "low", "low", "low", "low", "low", "low", "low", "low... 
 
 satisfaction_level       last_evaluation        number_project  average_montly_hours    time_spend_company         Work_accident                  left  
                    0                     0                     0                     0                     0                     0                     0  
promotion_last_5years                 sales                salary  
                    0                     0                     0  

数据集情况如下，一共10维数据，14999个观测值，变量的代表名称分别是

satisfaction_level--满意度，last_evaluation--最后一次评估，number_project--参与项目数量，average_montly_hours--每月平均工作时间，time_spend_company--公司停留时间，Work_accident--工作事故次数，left--是否离职，promotion_last_5years--过去五年升值状况，sales--工种，salary--工资。

而且简单的观测了一下，没有发现缺失值，那么我就可以直接进入数据分析阶段了。

数据预处理

根据每一个特征的数值情况，我们可以将不少特征因子化，方便后期做不同类别的差异分析。

hr$sales<-as.factor(hr$sales) 
hr$salary<-as.factor(hr$salary) 
hr$left<-as.factor(hr$left) 
hr$Work_accident<-as.factor(hr$Work_accident) 
hr$left<-recode(hr$left,'1'="yes",'0'="no") 
hr$promotion_last_5years<-as.factor(hr$promotion_last_5years) 

看的出大部分数据都是数值型的，我们使用相关性来衡量不同变量之间的相关性高低：

cor.hr<-hr %>% select(-sales,-salary) 
cor.hr$Work_accident<-as.numeric(as.character(cor.hr$Work_accident)) 
cor.hr$promotion_last_5years<-as.numeric(as.character(cor.hr$promotion_last_5years)) 
cor.hr$left<-as.numeric(as.character(cor.hr$left)) 
corrplot(corr = cor(cor.hr),type = "lower",method = "square",title="变量相关性",order="AOE") 

直观的来看，是否离职和满意度高低就有很高的关联性啊。

EDA

ggplot(group_by(hr,sales),aes(x=sales,fill=sales))+geom_bar(width = 1)+coord_polar(theta = "x")+ggtitle("不同职业的人数") 
ggplot(hr,aes(x=sales,y=satisfaction_level,fill=sales))+geom_boxplot()+ggtitle("不同职业的满意度")+stat_summary(fun.y = mean,size=3,color='white',geom = "point")+ 
  theme(legend.position = "none") 
ggplot(hr,aes(x=sales,y=satisfaction_level,fill=left))+geom_boxplot()+ggtitle("不同职业的满意度") 
ggplot(hr,aes(x=sales,y=average_montly_hours,fill=left))+geom_boxplot()+ggtitle("不同职业的工作时长") 
ggplot(hr,aes(x=sales,y=number_project,fill=left))+geom_boxplot()+ggtitle("不同职业的项目情况") 

首先观察不同岗位的工作人数。搞销售的人数真的是不少，难道有不少我大生科的同学吗??(哈哈哈哈哈哈哈，开个玩笑而已，不过说实话做生物真的很累啊)。销售，后期支持，和技术岗人数占据人数排行榜前三。

不同的职业满意度的分布大体相当，不过accounting的小伙伴们似乎打分都不高哦，其他的几个工种均值和中位数都没有明显差别，接下来我们看看不同职业是否离职的情况和打分的高低情况：

和想象中结果几乎没有区别，离职和不离职的打分区分度很高，和职业几乎没有关系。

那么不同职业的平均工作时长呢，看图而言，没有离职的人群工作时间都很稳定，但是离职人群的工作时间呈现两极分化的趋势，看来太忙和太闲都不是很好，这对hr的考验还是很大的。

后面我们来一次关注一下不同特征和离职的关系问题：

ggplot(hr,aes(x=satisfaction_level,color=left))+geom_line(stat = "density")+ggtitle("满意度和离职的关系") 
ggplot(hr,aes(x=salary,fill=left))+geom_histogram(stat="count")+ggtitle("工资和离职的关系") 
ggplot(hr,aes(x=promotion_last_5years,fill=left))+geom_histogram(stat="count")+ggtitle("近5年升值和离职的关系") 
ggplot(hr,aes(x=last_evaluation,color=left))+geom_point(stat = "count")+ggtitle("最后一次评价和离职的关系") 
hr %>% group_by(sales) %>% ggplot(aes(x=sales,fill=Work_accident))+geom_bar()+coord_flip()+ 
  theme(axis.text.x = element_blank(),axis.title.x = element_blank(),axis.title.y = element_blank())+scale_fill_discrete(labels=c("no accident","at least once")) 

没有离职的人群打分已知非常稳定，而离职人群的打分就有点难以估摸了

还是那句话，“有钱好办事啊”

你不给宝宝升职，宝宝就生气离职

和前面的面积图差不多，hr也要警惕那些最后一次打分很高的，虽然大部分是不准备离职的，但是有些为了给老东家面子还是会来点“善意的谎言”的。

不出错是不可能的，出错人数多少基本和总人数成正比，所以这个对于离职来说不是问题。

模型构建和评估

index<-sample(2,nrow(hr),replace = T,prob = c(0.7,0.3)) 
train<-hr[index==1,];test<-hr[index==2,] 
model<-randomForest(left~.,data = train) 
predict.hr<-predict(model,test) 
confusionMatrix(test$left,predict.hr) 
 
prob.hr<-predict(model,test,type="prob") 
roc.hr<-roc(test$left,prob.hr[,2],levels=levels(test$left)) 
plot(roc.hr,type="S",col="red",main = paste("AUC=",roc.hr$auc,sep = "")) 

根据前面的特征分析，本次答主并没有觉得有很好的特征来提取，就直接扔进算法里面计算去了，计算出来的混淆矩阵的情况效果还是杠杠的：

Confusion Matrix and Statistics 
 
          Reference 
Prediction   no  yes 
       no  3429    5 
       yes   28 1010 
                                           
               Accuracy : 0.9926           
                 95% CI : (0.9897, 0.9949) 
    No Information Rate : 0.773            
    P-Value [Acc > NIR] : < 2.2e-16        
                                           
                  Kappa : 0.9791           
 Mcnemar's Test P-Value : 0.0001283        
                                           
            Sensitivity : 0.9919           
            Specificity : 0.9951           
         Pos Pred Value : 0.9985           
         Neg Pred Value : 0.9730           
             Prevalence : 0.7730           
         Detection Rate : 0.7668           
   Detection Prevalence : 0.7679           
      Balanced Accuracy : 0.9935           
                                           
       'Positive' Class : no    

acc=0.9926,recall=0.9951,precision=0.9730,基本都是逆天的数据了，看来kaggle的数据集已经清洗的很棒了，rf算法也是一如既往地给力。最后贴出ROC曲线的图

写在最后

本次分析其实并没有很多的技巧可言，答主的ggplot2水平也遇到了瓶颈期，后期需要不断加强，而且只会调包不懂算法后面的原理更是不可以的，所以最近在慢慢把概率论，线性代数，还是统计学捡起来，当然R语言的数据分析实践还是不会停下来的，答主英语还不错，可以和实验室的老外教授“忽悠”几句，也算是有了不少的进步。

道阻且长，大家共勉~~~