CDA数据分析师 出品

作者：真达、Mika

数据：真达

后期：泽龙

【导读】

今天教大家如何用Python写一个员工流失预测模型。公众号后台，回复关键字“离职”获取完整数据。Show me data，用数据说话。

今天我们聊一聊 员工离职，说到离职的原因，可谓多种多样。人们归总了两点：

1. 钱没给到位

2. 心受委屈了

有人离职是因为“世界那么大，我想去看看”，也有人觉得“怀有绝技在身，不怕天下无路”。

另一方面，员工离职对于企业而言有什么影响呢？

要知道，企业培养人才需要大量的成本，为了防止人才再次流失，员工流失分析就显得十分重要了。这不仅仅是公司评估员工流动率的过程，通过找到导致员工流失的主要因素，预测未来的员工离职状况，从而进一步减少员工流失。

那么，哪些因素最容易导致员工离职呢？

这次我们用数据说话，

教你如何用Python写一个员工流失预测模型。

01、数据理解

我们分析了kaggle平台分享的员工离职相关的数据集，共有10个字段14999条记录。数据主要包括影响员工离职的各种因素(员工满意度、绩效考核、参与项目数、平均每月工作时长、工作年限、是否发生过工作差错、5年内是否升职、部门、薪资)以及员工是否已经离职的对应记录。字段说明如下：

02、读入数据

# 读入数据df = pd.read_csv('HR_comma_sep.csv')df.head() 

# 读入数据df = pd.read_csv('HR_comma_sep.csv')df.head() 

# 读入数据df = pd.read_csv('HR_comma_sep.csv')df.head() 

# 查看缺失值print(df.isnull().any().sum()) 

# 查看缺失值print(df.isnull().any().sum()) 

# 查看缺失值print(df.isnull().any().sum()) 

可以发现，数据质量良好，没有缺失数据。

03、探索性分析

描述性统计

df.describe().T

从上述描述性分析结果可以看出：

• 员工满意度：范围0.09~1, 中位数0.640, 均值0.613, 总体来说员工对公司比较满意；
• 绩效考核：范围0.36~1, 中位数0.72, 均值0.716, 员工平均考核水平在中等偏上；
• 参与项目数：范围2~7, 中位数4, 均值3.8, 平均参加项目数约4个；
• 平均每月工作时长：范围96~310小时, 中位数200, 均值201。
• 工作年限：范围2~10年, 中位数3, 均值3.5。

离职人数占比

整理数据后发现，总共有14999人，其中红色部分代表离职人群，用数字1表示，蓝色为未离职人群，用数字0表示。离职人数为3571，占总人数的23.8%。

员工满意度

从直方图可以看出，离职员工的满意度评分明显偏低，平均值为0.44。满意度低于0.126分的离职率为97.2%。可见提升员工满意度可以有效防止人员流失。

df.groupby('left')['satisfaction_level'].describe() 

def draw_numeric_graph(x_series, y_series, title):    # 产生数据    sat_cut = pd.cut(x_series, bins=25)     cross_table = round(pd.crosstab(sat_cut, y_series, normalize='index'),4)*100    x_data = cross_table.index.astype('str').tolist()    y_data1 = cross_table[cross_table.columns[1]].values.tolist()    y_data2 = cross_table[cross_table.columns[0]].values.tolist()     # 条形图    bar = Bar(init_opts=opts.InitOpts(width='1350px', height='750px'))    bar.add_xaxis(x_data)    bar.add_yaxis(str(cross_table.columns[1]), y_data1, stack='stack1', category_gap='0%')    bar.add_yaxis(str(cross_table.columns[0]), y_data2, stack='stack1', category_gap='0%')    bar.set_global_opts(title_opts=opts.TitleOpts(title),                         xaxis_opts=opts.AxisOpts(name=x_series.name, name_location='middle', name_gap=30),                        yaxis_opts=opts.AxisOpts(name='百分比', name_location='middle', name_gap=30, min_=0, max_=100),                        legend_opts=opts.LegendOpts(orient='vertical', pos_top='15%', pos_right='2%'))    bar.set_series_opts(label_opts=opts.LabelOpts(is_show=False),                         itemstyle_opts=opts.ItemStyleOpts(border_color='black', border_width=0.3))    bar.set_colors(['#BF4C51', '#8CB9D0'])     return bar 

bar1 = draw_numeric_graph(df['satisfaction_level'], df['left'], )bar1.render() 

绩效考核

平均来看，绩效考核成绩在离职/未离职员工之间差异不大。在离职员工中，绩效考核低、能力不够和绩效考核较高但工作压力大、满意度低、对薪资不满意可能成为离职的原因。

平均每月工作时长

从直方图可以看出，月工作时长正常的员工离职率最低。而工时过低、过高的员工离职人数最多。证明恰当的工作任务分配是非常重要的。

参加项目数

从图中可以看出：除项目数为2以外，随着项目数的增多，离职率在增大，且项目数是7的时候，离职率达到了100%以上。综上两点，项目数2的离职率高，可能是这部分人工作能力不被认可。项目数6、7的总体少，离职率高，体现了他们的工作能力强，但同时工作压力太大导致他们离职。

员工工龄

可以看到7年及以上工龄的员工基本没有离职，只有工龄为5年的员工离职人数超过在职人数。可见工龄长于6年的员工，由于种种原因，其“忠诚度”较高。

而员工进入公司工作的第5年是一个较为“危险”的年份，也许是该企业的“5年之痒”，应当重点关注该阶段的员工满意度、职业晋升等情况，以顺利过渡。

工作事故

从图中可看出，是否发生工作事故对员工离职的影响较小，可推测该企业处理工作事故的方式有可取之处。

职位晋升

从条形图可以看出，在过去5年内获得未晋升的员工离职率为24.2%，比获得晋升的员工高4倍。设定良好的晋升通道可以很好的防止员工流失。

薪资水平

可明显看出，薪资越高离职人数越少。证明为了减少离职率，提升员工福利待遇是一个可行的手段。

不同部门

可见各部门离职率如上图，离职率由高到低，前三位分别是：人力部、财务部、科技部。之后依次是：支持部、销售部、市场部、IT部门、产品部、研发部、管理部。对于离职率过高的部门，应进一步分析关键原因。

04、数据预处理

由于sklearn在建模时不接受类别型变量，我们主要对数据做以下处理，以方便后续建模分析：

• 薪资水平salary为定序变量, 因此将其字符型转化为数值型。
• 岗位是定类型变量, 对其进行one-hot编码。

# 数据转换df['salary'] = df['salary'].map({"low": 0, "medium": 1, "high": 2})# 哑变量df_dummies = pd.get_dummies(df,prefix='sales')df_dummies.head() 

05、建模分析

我们使用决策树和随机森林进行模型建置，首先导入所需包：

from sklearn.model_selection import train_test_split, GridSearchCVfrom sklearn.tree import DecisionTreeClassifierfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.metrics import classification_report, f1_score, roc_curve, plot_roc_curve

然后划分训练集和测试集，采用分层抽样方法划分80%数据为训练集，20%数据为测试集。

train_pred = GS.best_estimator_.predict(X_train)test_pred = GS.best_estimator_.predict(X_test)print('训练集：', classification_report(y_train, train_pred))print('-' * 60) print('测试集：', classification_report(y_test, test_pred))

决策树

我们使用决策树进行建模，设置特征选择标准为gini，树的深度为5。输出分类的评估报告：

# 训练模型clf = DecisionTreeClassifier(criterion='gini', max_depth=5, random_state=25)clf.fit(X_train, y_train)train_pred = clf.predict(X_train)test_pred = clf.predict(X_test)  print('训练集：', classification_report(y_train, train_pred))print('-' * 60) print('测试集：', classification_report(y_test, test_pred))

训练集：               precision    recall  f1-score   support           0       0.98      0.99      0.98      9142           1       0.97      0.93      0.95      2857    accuracy                           0.98     11999   macro avg       0.97      0.96      0.97     11999weighted avg       0.98      0.98      0.97     11999------------------------------------------------------------测试集：               precision    recall  f1-score   support           0       0.98      0.99      0.98      2286           1       0.97      0.93      0.95       714    accuracy                           0.98      3000   macro avg       0.97      0.96      0.97      3000weighted avg       0.98      0.98      0.98      3000

假设我们关注的是1类(即离职类)的F1-score,可以看到训练集的分数为0.95，测试集分数为0.95。

# 重要性imp = pd.DataFrame([*zip(X_train.columns,clf.feature_importances_)], columns=['vars', 'importance'])imp.sort_values('importance', ascending=False)  imp = imp[imp.importance!=0]imp 

在属性的重要性排序中，员工满意度最高，其次是最新的绩效考核、参与项目数、每月工作时长。

然后使用网格搜索进行参数调优。

parameters = {'splitter':('best','random'),              'criterion':("gini","entropy"),              "max_depth":[*range(1, 20)],             }clf = DecisionTreeClassifier(random_state=25)GS = GridSearchCV(clf, parameters, cv=10)GS.fit(X_train, y_train)print(GS.best_params_)print(GS.best_score_) 

{'criterion': 'gini', 'max_depth': 15, 'splitter': 'best'}0.9800813177648042

使用最优的模型重新评估训练集和测试集效果：

train_pred = GS.best_estimator_.predict(X_train)test_pred = GS.best_estimator_.predict(X_test)print('训练集：', classification_report(y_train, train_pred))print('-' * 60) print('测试集：', classification_report(y_test, test_pred))

训练集：               precision    recall  f1-score   support           0       1.00      1.00      1.00      9142           1       1.00      0.99      0.99      2857    accuracy                           1.00     11999   macro avg       1.00      0.99      1.00     11999weighted avg       1.00      1.00      1.00     11999------------------------------------------------------------测试集：               precision    recall  f1-score   support           0       0.99      0.98      0.99      2286           1       0.95      0.97      0.96       714    accuracy                           0.98      3000   macro avg       0.97      0.98      0.97      3000weighted avg       0.98      0.98      0.98      3000

可见在最优模型下模型效果有较大提升，1类的F1-score训练集的分数为0.99，测试集分数为0.96。

随机森林

下面使用集成算法随机森林进行模型建置，并调整max_depth参数。

rf_model = RandomForestClassifier(n_estimators=1000, oob_score=True, n_jobs=-1,                                   random_state=0)parameters = {'max_depth': np.arange(3, 17, 1) }GS = GridSearchCV(rf_model, param_grid=parameters, cv=10)GS.fit(X_train, y_train)print(GS.best_params_) print(GS.best_score_) 

{'max_depth': 16}0.988582151793161

train_pred = GS.best_estimator_.predict(X_train)test_pred = GS.best_estimator_.predict(X_test)print('训练集：', classification_report(y_train, train_pred))print('-' * 60) print('测试集：', classification_report(y_test, test_pred))

训练集：               precision    recall  f1-score   support           0       1.00      1.00      1.00      9142           1       1.00      0.99      0.99      2857    accuracy                           1.00     11999   macro avg       1.00      1.00      1.00     11999weighted avg       1.00      1.00      1.00     11999------------------------------------------------------------测试集：               precision    recall  f1-score   support           0       0.99      1.00      0.99      2286           1       0.99      0.97      0.98       714    accuracy                           0.99      3000   macro avg       0.99      0.99      0.99      3000weighted avg       0.99      0.99      0.99      3000

可以看到在调优之后的随机森林模型中，1类的F1-score训练集的分数为0.99，测试集分数为0.98。

模型后续可优化方向：

• 属性：数值型数据常常是模型不稳定的来源，可考虑对其进行分箱；重要属性筛选和字段扩充；
• 算法：其他的集成方法；不同效能评估下的作法调整。

对项目分析感兴趣的朋友，可以后台给小编留言哦！