1. 可视化分析

1.1 概述

可视化分析是数据分析中重要的一环，它可以帮助我们更直观地理解数据的特征、趋势和关系。在Python中，有多个库可以用于数据可视化，包括matplotlib、seaborn和plotly等。

1.2 常用的可视化方法和对应的库：

（1）折线图和曲线图：用于显示数据随时间或其他连续变量的变化趋势。可以使用matplotlib和seaborn来创建这些图形。

（2）柱状图和条形图：用于比较不同类别或组之间的数值。matplotlib和seaborn都可以创建这些图形。

（3）散点图：用于显示两个变量之间的关系和分布情况。matplotlib和seaborn都支持创建散点图。

（4）饼图：用于显示不同类别在总体中的比

例。matplotlib和seaborn都可以创建饼图。

（5）箱线图：用于显示数据的分布情况、中位数、四分位数和异常值等。matplotlib和seaborn都支持创建箱线图。

（6）热力图：用于显示两个变量之间的相关性，颜色的深浅表示相关性的强弱。seaborn和plotly都可以创建热力图。

（7）树状图：用于显示层次结构或分类关系。matplotlib和plotly都可以创建树状图。

这些只是常见的可视化方法，实际上还有很多其他类型的图表和图形可供选择。选择合适的可视化方法取决于数据的特点和分析目的。

2. 去除异常值

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
df = pd.read_csv("./HR.csv")
# 去除异常值
df =df.dropna(how="any",axis=0)
df = df[df["last_evaluation"]<=1][df["salary"]!="nme"][df["department"]!="sale"]
df.head(5)
df["salary"].value_counts()

3. 柱状图

3.1 matplotlib生成柱状图

以下是对代码进行注释的版本：

```python
import numpy as np
import pandas as pd

# 读取数据
df = pd.read_csv("data/HR.csv")

import matplotlib.pyplot as plt

# 创建柱状图
plt.title("Salary")  # 设置图表标题为"Salary"
plt.xlabel("salary")  # 设置x轴标签为"salary"
plt.ylabel("Number")  # 设置y轴标签为"Number"

# 设置x轴刻度，使用DataFrame中"salary"列的唯一值作为刻度标签
plt.xticks(np.arange(len(df["salary"].value_counts()))+0.5, df["salary"].value_counts().index)

plt.axis([0, 4, 0, 10000])  # 设置坐标轴范围

plt.grid(axis='y', linestyle='--', alpha=0.5)  # 添加y轴方向的网格线，线型为虚线，透明度为0.5

# 创建柱状图
plt.bar(np.arange(len(df["salary"].value_counts()))+0.5, df["salary"].value_counts(), width=0.5)

plt.legend(["Count"], loc='upper right')  # 添加图例，标注柱状图表示的是"Count"

# 在每个柱状条上添加数值标签
for x, y in zip(np.arange(len(df["salary"].value_counts()))+0.5, df["salary"].value_counts()):
    plt.text(x, y, y, ha="center", va="bottom")

# 显示图形
plt.show()

执行run()运行代码后生成的柱状图如下：

3.2 seaborn生成柱状图

import numpy as np
import pandas as pd
import seaborn as sns

# 读取数据
df = pd.read_csv("data/HR.csv")

# 去除异常值
df = df.dropna(how="any", axis=0)  # 删除含有空值的行
df = df[df["last_evaluation"] <= 1][df["salary"] != "nme"]  # 过滤满足条件的数据
df.head(5)  # 打印前5行数据

import matplotlib.pyplot as plt

# 设置绘图风格
sns.set(style="whitegrid")  # 设置Seaborn的绘图风格为白色背景带网格线
sns.set_context(context="poster", font_scale=0.8)  # 设置绘图上下文为poster大小，字体缩放比例为0.8
sns.set_palette("summer")  # 设置调色板为summer风格的颜色
sns.set_palette(sns.color_palette("RdBu", n_colors=7))  # 设置调色板为RdBu风格的颜色，共有7种颜色

# 创建计数柱状图
sns.countplot(x="salary", hue="department", data=df)  # 根据"salary"列和"department"列绘制计数柱状图

plt.show()  # 显示图形

执行run()运行代码后生成的柱状图如下：

4. 直方图

# 读取数据
df = pd.read_csv("data/HR.csv")

# 去除异常值
df = df.dropna(how="any", axis=0)
df = df[df["last_evaluation"] <= 1][df["salary"] != "nme"]

# 设置绘图风格和字体大小
sns.set(style="whitegrid", font_scale=0.8)

# 创建子图，一行三列
fig, axes = plt.subplots(1, 3, figsize=(12, 4))

# 绘制第一个直方图
sns.histplot(df["satisfaction_level"], bins=10, kde=True, ax=axes[0])
axes[0].set_title("Satisfaction Level")

# 绘制第二个直方图
sns.histplot(df["last_evaluation"], bins=10, kde=True, ax=axes[1])
axes[1].set_title("Last Evaluation")

# 绘制第三个直方图
sns.histplot(df["average_monthly_hours"], bins=10, kde=True, ax=axes[2])
axes[2].set_title("Average Monthly Hours")

# 调整子图之间的间距
plt.tight_layout()

# 显示图形
plt.show()

效果图：

由上图，可以看出：satisfaction_level大部分集中在右边，last_evaluation有个小的波动，每个月的工作时长基本上呈现两极分布。

代码段说明：

sns.histplot(df["average_monthly_hours"], bins=10, kde=True, ax=axes[2])

sns.histplot(): 这是 seaborn 库提供的函数，用于绘制直方图和核密度估计图。
df["average_monthly_hours"]: 这是从数据框 df 中选择 "average_monthly_hours" 列，表示要绘制直方图的数据。
bins=10: 这是直方图的箱体数目，指定了将数据划分成多少个等宽的区间。
kde=True: 这表示在直方图上绘制核密度估计曲线。核密度估计是一种对数据分布进行平滑估计的方法，可以用曲线表示数据的概率密度分布。
ax=axes[2]: 这表示将该直方图绘制在指定的子图 axes[2] 上。axes[2] 是在前面创建的子图数组中的第三个子图。

综合起来，该行代码的作用是在第三个子图上绘制 "average_monthly_hours" 列的直方图，并添加核密度估计曲线。通过指定箱体数目为 10，可以将数据分成 10 个区间，并在图上显示数据的分布情况。

5. 箱线图

# 读取数据
df = pd.read_csv("data/HR.csv")

# 去除异常值
df = df.dropna(how="any", axis=0)
df = df[df["last_evaluation"] <= 1][df["salary"] != "nme"]

# 设置绘图风格和字体大小
sns.set(style="whitegrid", font_scale=0.8)

# 绘制第一个直方图
sns.boxplot(df["time_spend_company"], saturation=0.75, whis=3)

# 显示图形
plt.show()

效果图：

6. 折线图

# 读取数据
df = pd.read_csv("data/HR.csv")

# 去除异常值
df = df.dropna(how="any", axis=0)
df = df[df["last_evaluation"] <= 1][df["salary"] != "nme"]

# 设置绘图风格和字体大小
sns.set(style="whitegrid", font_scale=0.8)

# 创建图形和子图
fig, ax = plt.subplots()

# 绘制点图
sns.pointplot(x="time_spend_company", y="left", data=df, ax=ax)

# 设置图表标题和轴标签
ax.set_title("Employee Attrition by Time Spent in Company")
ax.set_xlabel("Time Spent in Company (years)")
ax.set_ylabel("Attrition Rate")

# 调整子图之间的间距
plt.tight_layout()

# 显示图形
plt.show()

效果图：

我们可以看到，数据集中的员工在公司呆5年的时候，离职率最高4年其次6年第三所以，5年前后离职率比较大随着时间越来越久，离职率会下来时间越短，离职率也不高。

7. 饼图

# 读取数据
df = pd.read_csv("data/HR.csv")

# 去除异常值
df = df.dropna(how="any", axis=0)
df = df[df["last_evaluation"] <= 1][df["salary"] != "nme"]

# 使用matplotlib绘制饼图，因为seaborn中没有饼图的功能

# 提取部门标签
labels = df["department"].value_counts().index

# 设置部门间隔，突出显示某个部门（这里以"sales"为例）
explodes = [0.1 if i == "sales" else 0 for i in labels]

# 绘制饼图
plt.pie(df["department"].value_counts(normalize=True), labels=labels, explode=explodes, autopct="%1.1f%%", colors=sns.color_palette("Reds"))

# 显示图形
plt.show()

效果图：

代码段解析：

plt.pie(df["department"].value_counts(normalize=True), labels=labels, explode=explodes, autopct="%1.1f%%", colors=sns.color_palette("Reds"))

该代码片段使用plt.pie()函数绘制饼图。

df["department"].value_counts(normalize=True)：该部分计算df["department"]列中每个部门出现的频率，并使用normalize=True将频率转换为百分比，即每个部门在整个数据集中的占比。
labels=labels：将部门标签作为参数传递给labels参数，用于标记每个扇区的标签。
explode=explodes：explode参数用于控制是否将某个扇区凸显出来。在这里，我们根据部门是否为"sales"来决定是否设置凸显，使用预定义的explodes列表来设置。
autopct="%1.1f%%"：autopct参数用于控制在饼图中显示每个扇区的百分比值。%1.1f%%表示显示一位小数的百分比值。
colors=sns.color_palette("Reds")：colors参数用于设置饼图中每个扇区的颜色。在这里，我们使用sns.color_palette("Reds")生成红色调色板，以便更好地区分不同的部门。