데이터 사이언스 [Data Science] - HR - EDA(탐색적 데이터 분석)

 

 

Remind

 

이전 글에서 HR 도메인 지식을 정리하고 모델링 구축을 계획했다.

모델링에 앞서 데이터를 이해하고 문제 해결을 위한 가설을 형성하기 위해 EDA 작업이 필요하다.

데이터 사이언스 [Data Science] - HR - 비즈니스 사례 이해 및 모델 구축 계획

 

 

데이터의 기본 구조 이해

 

데이터의 크기, 칼럼(변수) 이름과 데이터 타입 확인

• info 매서드로 데이터의 타입 확인
• 35개의 컬럼
• 1470개의 행
• int64(26)와 object(9) 타입으로 이루어져 있음

employee_df.info()

 

 

데이터 샘플 확인

• head 매서드를 사용해 앞부분 5개의 행 출력

 

()안의 값을 통해 출력되는 행의 개수 조절 가능

 

기술 통계량 확인

 

• decribe 매서드를 사용하여 평균(mean), 중앙값(median), 표준편차(std), 최솟값(min), 최댓값(max) 등 기술 통계량 확인
• number 타입만 기술 통계량을 구할 수 있기에 object 타입을 가진 9개의 칼럼을 제외한 26개의 컬럼 출력

employee_df.describe()

 

 

시각화

 

bool 타입 정수로 대체

• Attrition, OverTime, Over18 -> 1과 0으로 대체

employee_df['Attrition'] = employee_df['Attrition'].apply(lambda x:1 if x == 'Yes' else 0)
employee_df['OverTime'] = employee_df['OverTime'].apply(lambda x:1 if x == 'Yes' else 0)
employee_df['Over18'] = employee_df['Over18'].apply(lambda x:1 if x == 'Y' else 0)

 

 

결측치 시각화

• heatmap을 사용하여 결측치 시각화

sns.heatmap(employee_df.isnull(), yticklabels= False, cbar = False, cmap = 'Blues')

 

결측치가 없는것을 알 수 있음

 

각 변수별 분포도 확인

• 변수별 분포도를 histogram 그래프로 시각화

employee_df.hist(bins = 30 , figsize = (20, 20), color = 'r')

 

 

필요 없는 변수 제거

• 하나의 변수의 값만 갖고 있는 변수(EmployeeCount, StandardHours, Over18)는 모델에 포함시킬 필요가 없기에 drop을 사용해 제거
• 아무런 정보를 담고 있지 않은 인덱스 변수(EmployeeNumber)도 제거

employee_df.drop(['EmployeeCount', 'StandardHours', 'Over18', 'EmployeeNumber', ], axis = 1, inplace = True)

 

두 변수간 비교

• countplot 매서드를 통해 빈도수 시각화
• hue의 설정한 값에 따라 분류

sns.countplot(x = 'Age', hue = 'Attrition', data = employee_df)

 

나이별 퇴사 빈도

 

plt.subplot(411)
sns.countplot(x = 'JobRole', hue = 'Attrition', data = employee_df)

plt.subplot(412)
sns.countplot(x = 'MaritalStatus', hue = 'Attrition', data = employee_df)

plt.subplot(413)
sns.countplot(x = 'JobInvolvement', hue = 'Attrition', data = employee_df)

plt.subplot(414)
sns.countplot(x = 'JobLevel', hue = 'Attrition', data = employee_df)

 

직군, 결혼 여부, 직무 참여도, 직무 레벨별 퇴사자 확인

 

변수간 상관관계 분석

 

상관계수 분석

• 각각의 변수 간의 선형 관계의 강도와 방향을 측정한다.
• 두 변수 간의 연관관계를 수치로 쉽게 알 수 있다.

# int값만 선택
numeric_df = employee_df.select_dtypes(include=['number'])

# 상관관계 분석
correlations = numeric_df.corr()
f, ax = plt.subplots(figsize = (20, 20))
sns.heatmap(correlations, annot = True)

 

밝을수록 높은 양의 상관관계를 가진다.

 

범주형 변수와 연속형 변수의 관계 분석

• 특정 그룹(범주)이 연속적인 특성(값)에 어떤 영향을 미치는지 파악한다.

sns.boxplot(x = 'MonthlyIncome', y = 'Gender', data = employee_df)

 

성별에 따른 월 수입 비교

 

sns.boxplot(x = 'MonthlyIncome', y = 'JobRole', data = employee_df)

 

직군에 따른 월수입 비교