员工基本信息表

员工调查表

主管调查表

员工考勤表

包括2015年每天每个员工的上下班打卡记录。

缺失值填充

miss=Employee1%>%map_dbl(~sum(is.na(.))/4410)
aggr(Employee1,prop=T,numbers=T)

从图中可看出Employee1表中有小部分值缺失，其中NumCompaniesWorked有0.4308390%的值缺失，TotalWorkingYears有0.2040816%的值缺失，分别用各列的均值对缺失值进行填充。

Employee1$NumCompaniesWorked[is.na(Employee1$NumCompaniesWorked)]=
  round(mean(Employee1$NumCompaniesWorked,na.rm=T))
Employee1$TotalWorkingYears[is.na(Employee1$TotalWorkingYears)]=
  round(mean(Employee1$TotalWorkingYears,na.rm=T))

从图中可看出Employee2表中EnvironmentSatisfaction列有0.5668934%的值缺失，JobSatisfaction列有0.4535147%的值缺失，WorkLifeBalance列有0.861678%的值缺失，分别用各列的均值对缺失值进行填充。

Employee2[[2]][is.na(Employee2[[2]])]=round(mean(Employee2[[2]],na.rm=T))
Employee2[[3]][is.na(Employee2[[3]])]=round(mean(Employee2[[3]],na.rm=T))
Employee2[[4]][is.na(Employee2[[4]])]=round(mean(Employee2[[4]],na.rm=T))

aggr(Employee3,prop=T,numbers=T)

从图中可看出Employee3表中无缺失值。

员工离职情况

ggplot(data=Employee1)+
  geom_bar(aes(x=Attrition,fill=Attrition),position="dodge")

经统计得公司去年离职员工711名，占总员工数的16.12%，未离职员工3699名，占总员工数的83.88%。而在前程无忧发布《2016离职与调薪调研报告》显示，我国2015年企业员工平均离职率为17.7%，对比看来这家公司的离职率处于一般水平。

教育水平与离职情况间的关系

Employee1$Education=factor(Employee1$Education,levels=1:5)  #将Education改为因子变量
p1=ggplot(data=Employee1)+
  geom_bar(aes(x=Attrition,fill=Education),position="dodge")
p2=ggplot(data=Employee1)+
  geom_bar(aes(x=Education,fill=Attrition),position="fill")

p3=ggplot(data=Employee1)+
  geom_bar(aes(x=Attrition,fill=EducationField),position="dodge")
p4=ggplot(data=Employee1)+
  geom_bar(aes(x=EducationField,fill=Attrition),position="fill")

Employee1$TrainingTimesLastYear=factor(Employee1$TrainingTimesLastYear,levels=0:6)
p5=ggplot(data=Employee1)+
  geom_bar(aes(x=Attrition,fill=TrainingTimesLastYear),position="dodge")
p6=ggplot(data=Employee1)+
  geom_bar(aes(x=TrainingTimesLastYear,fill=Attrition),position="fill")

grid.newpage()
pushViewport(viewport(layout = grid.layout(3,2)))
vplayout <- function(x,y){
  viewport(layout.pos.row = x, layout.pos.col = y)
}
print(p1, vp = vplayout(1,1))   
print(p2, vp = vplayout(1,2))
print(p3, vp = vplayout(2,1))
print(p4, vp = vplayout(2,2))
print(p5, vp = vplayout(3,1))
print(p6, vp = vplayout(3,2))

从离职人数来看拥有学士学位的离职人数最多，但离职率却是大学生的较高；在所有专业中学习生命科学方向的离职人数最多，而人力资源专业的离职率最高；在接受培训上，接受0至5次培训的离职率相差不大，但接受过6次培训的人离职率大大降低。

生活状况与离职情况间的关系

p1=ggplot(data=Employee1)+
  geom_bar(aes(x=Attrition,fill=Gender),position="dodge")
p2=ggplot(data=Employee1)+
  geom_bar(aes(x=Gender,fill=Attrition),position="fill")

p3=ggplot(data=Employee1)+
  geom_bar(aes(x=Attrition,fill=MaritalStatus),position="dodge")
p4=ggplot(data=Employee1)+
  geom_bar(aes(x=MaritalStatus,fill=Attrition),position="fill")

p5=ggplot(data=Employee1,aes(x=Attrition,y=DistanceFromHome))+
  geom_boxplot()

grid.newpage()
pushViewport(viewport(layout = grid.layout(3,2)))
vplayout <- function(x,y){
  viewport(layout.pos.row = x, layout.pos.col = y)
}
print(p1, vp = vplayout(1,1))   
print(p2, vp = vplayout(1,2))
print(p3, vp = vplayout(2,1))
print(p4, vp = vplayout(2,2))
print(p5, vp = vplayout(3,1))

从右边的两个柱状图可看出，离职率在不同性别之间几乎无差异，而单身的离职率是离婚的三倍；箱线图中离职和未离职人群的家到公司距离差异不大，说明家里公司的距离对是否离职应该影响不大。

工作投入度与离职情况间的关系

p1=ggplot(data=Employee1)+
  geom_bar(aes(x=Attrition,fill=BusinessTravel),position="dodge")
p2=ggplot(data=Employee1)+
  geom_bar(aes(x=BusinessTravel,fill=Attrition),position="fill")

Employee3$JobInvolvement=factor(Employee3$JobInvolvement,levels=1:4)
df=Employee1%>%
  left_join(Employee3,by="EmployeeID")
p3=ggplot(data=df)+
  geom_bar(aes(x=Attrition,fill=JobInvolvement),position="dodge")
p4=ggplot(data=df)+
  geom_bar(aes(x=JobInvolvement,fill=Attrition),position="fill")

grid.newpage()
pushViewport(viewport(layout = grid.layout(2,2)))
vplayout <- function(x,y){
  viewport(layout.pos.row = x, layout.pos.col = y)
}
print(p1, vp = vplayout(1,1))   
print(p2, vp = vplayout(1,2))
print(p3, vp = vplayout(2,1))
print(p4, vp = vplayout(2,2))

从前两个柱状图可看出该公司员工出差频繁的人占绝大部分，说明该公司员工出差较频繁，相应的，出差较多的人群中离职的人也多，因为事实上人们都喜欢过更稳定一点的生活，出差太过频繁一来会由于四处奔跑波疲于适应环境频繁改变，二来也给家人带来烦恼增加对工作的厌恶感，所以出差太过频繁很难留住员工。后两个柱状图显示工作投入较低的人离职率也较高，说明员工对工作的热爱程度很大程度决定了他们是否会离职。

在公司地位与离职情况间的关系

p1=ggplot(data=Employee1)+
  geom_bar(aes(x=Attrition,fill=Department),position="dodge")
p2=ggplot(data=Employee1)+
  geom_bar(aes(x=Department,fill=Attrition),position="fill")

Employee1$JobLevel=factor(Employee1$JobLevel,levels=1:5)
p3=ggplot(data=Employee1)+
  geom_bar(aes(x=Attrition,fill=JobLevel),position="dodge")
p4=ggplot(data=Employee1)+
  geom_bar(aes(x=JobLevel,fill=Attrition),position="fill")

p5=ggplot(data=Employee1)+
  geom_bar(aes(x=Attrition,fill=JobRole),position="dodge")
p6=ggplot(data=Employee1)+
  geom_bar(aes(x=JobRole,fill=Attrition),position="fill")

grid.newpage()
pushViewport(viewport(layout = grid.layout(3,2)))
vplayout <- function(x,y){
  viewport(layout.pos.row = x, layout.pos.col = y)
}
print(p1, vp = vplayout(1,1))   
print(p2, vp = vplayout(1,2))
print(p3, vp = vplayout(2,1))
print(p4, vp = vplayout(2,2))
print(p5, vp = vplayout(3,1))
print(p6, vp = vplayout(3,2))

在三个部门中，人力资源部的离职率最高，这可能与他们掌握着大量人力资源信息有关。而在所有工作岗位中研究员的离职率最高，说明公司核心人才流失严重。各职位水平的离职率不相上下，说明职位对员工是否离职影响不大。

工作经验与离职情况间的关系

p1=ggplot(data=Employee1)+
  geom_boxplot(aes(x=Attrition,y=Age))
p2=ggplot(data=Employee1)+
  geom_boxplot(aes(x=Attrition,y=NumCompaniesWorked))
p3=ggplot(data=Employee1)+
  geom_boxplot(aes(x=Attrition,y=TotalWorkingYears))
p4=ggplot(data=Employee1)+
  geom_boxplot(aes(x=Attrition,y=YearsAtCompany))
p5=ggplot(data=Employee1,aes(x=Attrition,y=YearsWithCurrManager))+
  geom_boxplot()

grid.newpage()
pushViewport(viewport(layout = grid.layout(3,2)))
vplayout <- function(x,y){
  viewport(layout.pos.row = x, layout.pos.col = y)
}
print(p1, vp = vplayout(1,1))   
print(p2, vp = vplayout(1,2))
print(p3, vp = vplayout(2,1))
print(p4, vp = vplayout(2,2))
print(p5, vp = vplayout(3,1))

上图反映出工作经验越低的员工离职率越高。

收入与离职情况间的关系

p1=ggplot(data=Employee1)+
  geom_boxplot(aes(x=Attrition,y=MonthlyIncome))
p2=ggplot(data=Employee1)+
  geom_boxplot(aes(x=Attrition,y=PercentSalaryHike))
Employee1$StockOptionLevel=factor(Employee1$StockOptionLevel,levels=0:3)
p3=ggplot(data=Employee1)+
  geom_bar(aes(x=StockOptionLevel,fill=Attrition),position="fill")
p4=ggplot(data=Employee1,aes(x=Attrition,y=YearsSinceLastPromotion))+
  geom_boxplot()

grid.newpage()
pushViewport(viewport(layout = grid.layout(2,2)))
vplayout <- function(x,y){
  viewport(layout.pos.row = x, layout.pos.col = y)
}
print(p1, vp = vplayout(1,1))   
print(p2, vp = vplayout(1,2))
print(p3, vp = vplayout(2,1))
print(p4, vp = vplayout(2,2))

根据上面三个箱线图和一个柱状图显示，月收入、去年加薪百分比、职工优先认股权水平和自上次晋升以来的年数与员工是否离职关系不大。

小结

根据以上单因素分析可知，对员工离职率影响较大的有受教育专业领域、接受培训次数、婚姻状况、出差情况、工作投入度、所在部门、工作职务、年龄、过做过的公司数量、总的工作年限、在现在公司工作年限和在现任主管下工作的时间等因素，而其余因素的影响不是很大。但事实上是否真的如此简单呢，下面将通过多因素进行分析。

变量相关性分析

cor=corr.test(employee)
corrplot(cor$r,method="square",type="lower",tl.col="black",tl.cex=0.6,tl.pos="1t")

通过这个图我们可以清楚的观察到年龄和总的工作年限，在公司工作年限和在现任主管下工作年限，绩效评级和去年加薪百分比等均有较强的正相关关系；离职和满意度，离职和总工作年限有一定负相关关系。

logistic模型

Logistic模型是实际上也是一种回归模型，其因变量为二分类变量，且没有关于自变量分布的假定，自变量可以是连续性变量、离散型变量和虚拟变量，模型中的参数使用最大似然法估计。公式为：\[ Y = exp(β_0+β_1 x_1+···+β_p x_p)/(1+exp(β_0+β_1 x_1+···+β_p x_p))\]

回归结果为：

glm1=glm(Attrition~.,family=binomial(link="logit"),data=trian)
summary(glm1)

## 
## Call:
## glm(formula = Attrition ~ ., family = binomial(link = "logit"), 
##     data = trian)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.5241  -0.6118  -0.3981  -0.2045   3.2585  
## 
## Coefficients:
##                           Estimate Std. Error z value Pr(>|z|)    
## (Intercept)              2.276e+00  7.937e-01   2.867 0.004140 ** 
## Age                     -4.215e-02  8.860e-03  -4.757 1.96e-06 ***
## BusinessTravel          -2.000e-02  8.336e-02  -0.240 0.810412    
## DistanceFromHome        -7.153e-03  7.059e-03  -1.013 0.310892    
## Education               -6.033e-02  5.367e-02  -1.124 0.261037    
## Gender                   1.984e-01  1.148e-01   1.728 0.083963 .  
## JobLevel                -1.126e-01  5.160e-02  -2.181 0.029148 *  
## MaritalStatus            7.045e-01  8.184e-02   8.608  < 2e-16 ***
## MonthlyIncome           -1.742e-06  1.183e-06  -1.472 0.141037    
## NumCompaniesWorked       1.063e-01  2.338e-02   4.546 5.47e-06 ***
## PercentSalaryHike       -8.919e-04  2.369e-02  -0.038 0.969961    
## StockOptionLevel        -7.073e-02  6.573e-02  -1.076 0.281922    
## TotalWorkingYears       -5.599e-02  1.588e-02  -3.525 0.000423 ***
## TrainingTimesLastYear   -1.659e-01  4.402e-02  -3.768 0.000165 ***
## YearsAtCompany           2.149e-02  2.272e-02   0.946 0.344300    
## YearsSinceLastPromotion  1.746e-01  2.555e-02   6.833 8.33e-12 ***
## YearsWithCurrManager    -1.848e-01  2.752e-02  -6.714 1.89e-11 ***
## EnvironmentSatisfaction -3.180e-01  5.010e-02  -6.347 2.20e-10 ***
## JobSatisfaction         -3.491e-01  5.070e-02  -6.885 5.77e-12 ***
## WorkLifeBalance         -3.805e-01  7.575e-02  -5.024 5.06e-07 ***
## JobInvolvement           4.441e-02  7.776e-02   0.571 0.567900    
## PerformanceRating        2.224e-02  2.388e-01   0.093 0.925790    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 2577.3  on 2939  degrees of freedom
## Residual deviance: 2167.5  on 2918  degrees of freedom
## AIC: 2211.5
## 
## Number of Fisher Scoring iterations: 5

上面回归结果显示：年龄、月收入、总工作年限、在现任主管下工作年数、环境满意度、工作满意度以及工作生活平衡度均与员工离职表现出显著的负相关关系，而婚姻状况、工作过的公司数量和自上次晋升以来的年数与员工离职呈显著正相关关系，这与实际情况相符。从相关系数图已知，在所有自变量中有些自变量之间存在很大的相关性，但在logistc模型中却包含了所有的21个自变量，且大部分变量的影响不显著，因此，为使得模型更加简洁，下面将用LASSO方法进行变量筛选和回归分析。