本文主要是介绍数据分析案例-2024年裁员数据集可视化分析，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
🤵♂️ 个人主页：@艾派森的个人主页
✍🏻作者简介：Python学习者
🐋 希望大家多多支持，我们一起进步！😄
如果文章对你有帮助的话，
欢迎评论 💬点赞👍🏻 收藏 📂加关注+
目录
1.项目背景
2.数据集介绍
3.技术工具
4.导入数据
5.数据可视化
小结
源代码
1.项目背景
随着全球经济的不断变化和科技的快速发展，各行各业都面临着前所未有的挑战和机遇。在这个背景下，裁员作为一种企业调整和优化人力资源配置的常见手段，其背后的数据和趋势显得尤为重要。通过对裁员数据集进行深入的分析和可视化展示，我们可以更好地理解这一现象的内在规律和影响因素，为企业决策和政策制定提供有力的数据支持。
首先，从全球宏观经济的角度来看，近年来全球经济形势复杂多变，受到多种因素的影响，如贸易保护主义的抬头、地缘政治的紧张局势、新冠疫情的全球大流行等。这些因素不仅对企业经营产生了巨大的冲击，也加剧了劳动力市场的波动和不确定性。因此，裁员作为企业在这种环境下的一种应对策略，其数据和趋势能够反映出全球经济形势的变化和企业经营的困境。
其次，从行业发展的角度来看，不同行业在面临市场变化和竞争压力时，其裁员情况也存在显著的差异。例如，一些传统行业由于产能过剩、技术创新不足等原因，可能面临较大的裁员压力；而一些新兴行业则由于市场需求旺盛、技术发展迅速等原因，呈现出较好的发展态势。通过对不同行业的裁员数据进行分析和比较，我们可以更深入地了解各行业的发展状况和趋势，为企业制定发展战略提供参考。
此外，从人力资源管理的角度来看，裁员不仅关系到企业的经济效益和竞争力，也关系到员工的切身利益和发展前景。因此，在裁员过程中，企业需要充分考虑员工的权益和利益，采取合理的补偿和安置措施，以减少裁员对员工的负面影响。通过对裁员数据集的分析和可视化展示，我们可以更直观地了解裁员对员工的影响和企业的应对策略，为制定更加人性化、合理的裁员政策提供参考。
2.数据集介绍
本实验数据集来源于Kaggle，原始数据集为2020-2024年裁员数据，共有3577条，12个变量，该数据集提供了不同公司的裁员信息。它包括以下几栏:
Company:裁员发生的公司名称。
Location_HQ:公司总部位置。
Industry:公司所属的行业或部门。
Laid_Off_Count:公司解雇的员工数量。
Percentage:公司员工被解雇的百分比。
Date:裁员发生的日期。
Source:信息来源网址。
Funds_Raised:公司募集资金的信息。
Stage:公司发展或成长的阶段。
Date_Added：数据库中添加的日期
Country:公司所在的国家。
List_of_Employees_Laid_Off：链接到谷歌文档的员工名单
该数据集专门用于跟踪和分析不同公司的裁员情况，为不同行业和地理位置的裁员提供见解。
3.技术工具
Python版本:3.9
代码编辑器：jupyter notebook
4.导入数据
导入数据分析第三方库并加载数据集
查看数据大小
查看数据基本信息
查看数值型变量的描述性统计
查看非数值型变量的描述性统计
统计数据集缺失值情况
从结果看出，有三个变量存在缺失值，且缺失值较多，故我们采用0进行填充
统计重复值情况
可以发现原始数据集不存在重复值
将日期列转换为日期时间，并从中制作年和月列，便于后面的可视化分析
5.数据可视化
裁员最多的是上市后的公司，裁员比例最高的是b轮融资公司，相比之下，很多人都在上市后的公司工作。
对员工来说，2023年是最糟糕的一年，2021年的裁员减少了很多，我们必须检查一下
大多数裁员发生在1月份，裁员随时都可能发生。但就裁员最常发生的时间而言，1月和12月是众所周知的裁员高峰期。雇主们在每年的这个时候都在审查他们的预算。
如果我们忽略2023年，由于大规模的经济衰退和公司在1月份解雇了大量员工，我们看到裁员通常发生在11月份。
美国的情况非常令人担忧，从柱状图中可以看出，美国的数据远远超过其他国家的数据，这对比较产生了明显的影响。
小结
1.零售业裁员最多，而旅游业裁员最少。
2.如图所示，在2022年，裁员人数达到了一个显著的峰值，这一趋势在2023年继续增加。
3.今年1月，裁员人数达到了历史最高水平，这与公司在这一时期进行财政年度结束和结算的惯例相符。
4.受新冠疫情影响，今年第二季度的裁员人数创下了历史最高纪录。
5.美利坚合众国报告的裁员人数最多，超过20万人，而印度的裁员人数第二多，不到5万人。
6.旧金山湾区的公司裁员数量最多。
7.大多数裁员(约24,000人)发生在白领岗位，尤其是在金融或金融科技公司。
8.与白领工作相比，蓝领工作，特别是运输部门的蓝领工作受到裁员的严重影响，裁员人数约为3.2万人。
10.科技巨头优步在2020年至2023年期间经历了多次裁员，总计裁员7000多人，在此期间裁员四次。
11.在首次公开募股之后，大多数美国公司都经历了裁员，尤其是在COVID-19大流行之后。值得注意的是，谷歌和微软都报告了类似程度的裁员。
源代码
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')
sns.set_style("darkgrid")df = pd.read_csv('layoffs_data.csv')
df.head()
df.shape
df.info()
df.describe()
df.describe(include='O').T
df.isnull().sum()
df['Laid_Off_Count'] = df['Laid_Off_Count'].replace(np.NaN, 0)
df['Percentage'] = df['Percentage'].replace(np.NaN, 0)
df['Funds_Raised'] = df['Funds_Raised'].replace(np.NaN, 0)
df.isnull().sum()
df.duplicated().sum()
# 将日期列转换为日期时间，并从中制作年和月列
import datetime as dt
df['Date'] = pd.to_datetime(df['Date'])
df['Year'] = df['Date'].dt.year
df['Month'] = df['Date'].dt.month_name()
df['Quarter'] = df['Date'].dt.to_period('Q')
# 行业分析
fig, ax = plt.subplots(1, 2,figsize=(15,8))
ax[0] = sns.barplot(data=df.groupby('Industry')['Laid_Off_Count'].sum().sort_values(ascending=False).reset_index(), y='Industry', x='Laid_Off_Count', edgecolor='black', palette='Set3', ax=ax[0])
ax[0].set(title='Laid Off Count by Industry', xlabel='Laid Off Count')
ax[1] = sns.barplot(data=df.groupby('Industry')['Percentage'].sum().sort_values(ascending=False).reset_index(), y='Industry', x='Percentage', edgecolor='black', palette='muted', ax=ax[1])
ax[1].set(title='Percent Laid Off by Industry', xlabel='Percent Laid Off')
plt.tight_layout()
fig.show()
# 阶段分析
fig, ax = plt.subplots(1, 2,figsize=(12,5))
ax[0] = sns.barplot(data=df.groupby('Stage')['Laid_Off_Count'].sum().sort_values(ascending=False).reset_index(), y='Stage', x='Laid_Off_Count', edgecolor='black', palette='Set2', ax=ax[0])
ax[0].set(title='Laid Off Count by Company Stage', xlabel='Laid Off Count')
ax[1] = sns.barplot(data=df.groupby('Stage')['Percentage'].sum().sort_values(ascending=False).reset_index(), y='Stage', x='Percentage', edgecolor='black', palette='Set3', ax=ax[1])
ax[1].set(title='Percent Laid Off by Company Stage', xlabel='Percent Laid Off')
plt.tight_layout()
fig.show()
结论
裁员最多的是上市后的公司
裁员比例最高的是b轮融资公司
相比之下，很多人都在上市后的公司工作
# 年度分析
fig, ax = plt.subplots(1,2, sharey=True, figsize=(8,5))
ax[0] = sns.lineplot(data=df.groupby('Year')['Laid_Off_Count'].sum().reset_index(), x='Year', y='Laid_Off_Count', marker='o', ax=ax[0])
ax[0].set(title='Laid Off Count by Year', ylabel='Laid Off Count')
ax[1] = sns.barplot(data=df.groupby('Year')['Laid_Off_Count'].sum().reset_index(), x='Year', y='Laid_Off_Count', ax=ax[1], palette='Set3', linewidth=1,edgecolor='black')
ax[1].set(title='Laid Off Count by Year', ylabel='Laid Off Count')
fig.show()
结论
对员工来说，2023年是最糟糕的一年
2021年的裁员减少了很多，我们必须检查一下
# 月分析
fig, ax = plt.subplots(2,1, sharex=True, figsize=(8,5))
ax[0] = sns.lineplot(data=df.groupby('Month')['Laid_Off_Count'].sum().reset_index(), x='Month', y='Laid_Off_Count', marker='o', ax=ax[0], color='#329da8')
ax[0].set(title='Laid Off Count by Month', ylabel='Laid Off Count')
ax[1] = sns.barplot(data=df.groupby('Month')['Laid_Off_Count'].sum().reset_index(), x='Month', y='Laid_Off_Count', ax=ax[1], palette='pastel', linewidth=1,edgecolor='black')
ax[1].set(ylabel='Laid Off Count')
plt.tight_layout()
plt.xticks(rotation=45)
fig.show()
结论
大多数裁员发生在1月份
在谷歌上快速搜索，这是我发现的:
裁员随时都可能发生。但就裁员最常发生的时间而言，1月和12月是众所周知的裁员高峰期。雇主们在每年的这个时候都在审查他们的预算。
fig, ax = plt.subplots(2,1, sharex=True, figsize=(8,5))
ax[0] = sns.lineplot(data=df.query("Year != 2023").groupby('Month')['Laid_Off_Count'].sum().reset_index(), x='Month', y='Laid_Off_Count', marker='o', ax=ax[0], color='#ab29cc')
ax[0].set(title='Laid Off Count by Month (Excluding 2023)', ylabel='Laid Off Count')
ax[1] = sns.barplot(data=df.query("Year != 2023").groupby('Month')['Laid_Off_Count'].sum().reset_index(), x='Month', y='Laid_Off_Count', ax=ax[1], palette='bright' , linewidth=1,edgecolor='black')
ax[1].set(ylabel='Laid Off Count')
plt.tight_layout()
plt.xticks(rotation=45)
fig.show()
如果我们忽略2023年，由于大规模的经济衰退和公司在1月份解雇了大量员工，我们看到裁员通常发生在11月份。
# 季度分析
fig, ax = plt.subplots(figsize=(10,4))
ax = sns.barplot(data=df.sort_values(by='Quarter'), x='Quarter', y='Laid_Off_Count',linewidth=1,edgecolor='black', palette='pastel')
ax.set(title='Layoffs per quarter', ylabel='Laid Off Count')
plt.xticks(rotation=30)
plt.show()
# 国家分析
fig, ax = plt.subplots(2,1,figsize=(10,5), sharex=True)
ax[0] = sns.barplot(data=df.groupby('Country')['Laid_Off_Count'].sum().sort_values(ascending=False).reset_index().head(10),x='Country', y='Laid_Off_Count', linewidth=1,edgecolor='black', palette='deep', ax=ax[0])
ax[0].set(title='Layoffs by country (top 10)', ylabel='Lay Off Count')
ax[1] = sns.barplot(data=df.groupby('Country')['Laid_Off_Count'].sum().sort_values(ascending=False).reset_index().head(10),x='Country', y='Laid_Off_Count', linewidth=1,edgecolor='black', palette='muted', ax=ax[1])
ax[1].set(title='Layoffs by country (top 10) - Log Scale', ylabel='Lay Off Count')
ax[1].set_yscale('log')
plt.tight_layout()
plt.xticks(rotation=30)
plt.show()
结论
美国的情况非常令人担忧，从柱状图中可以看出，美国的数据远远超过其他国家的数据，这对比较产生了明显的影响。
# 公司分析
fig, ax = plt.subplots(figsize=(12,4))
ax = sns.barplot(data= df.groupby('Company')['Laid_Off_Count'].sum().sort_values(ascending=False).reset_index().head(10), x='Laid_Off_Count', y='Company',linewidth=1,edgecolor='black', palette='Set2', ax=ax)
ax.set(title='Layoffs by company (top 10)', xlabel='Lay Off Count')
plt.show()
# 总部分析
fig, ax = plt.subplots(figsize=(12,4))
ax = sns.barplot(data= df.groupby('Location_HQ')['Laid_Off_Count'].sum().sort_values(ascending=False).reset_index().head(10), x='Laid_Off_Count', y='Location_HQ',linewidth=1,edgecolor='black', palette='pastel', ax=ax)
ax.set(title='Layoffs by HQ (top 10)', xlabel='Lay Off Count')
plt.show()
# 年、月分析
fig, ax = plt.subplots(figsize=(12,6))
ax = sns.barplot(data=df, x='Year', y='Laid_Off_Count', hue='Month',estimator=sum, edgecolor='black', ax = ax, palette='pastel')
ax.set(title='Layoffs by Year and Month', ylabel='Laid Off Count')
plt.show()
import plotly.express as px
world = df.groupby("Country")["Laid_Off_Count"].sum().reset_index()
figure = px.choropleth(world,locations="Country",locationmode = "country names", color="Laid_Off_Count",hover_name="Country",range_color=[1,10000],color_continuous_scale="reds",title="Countries having LayOffs")
figure.show()
# 十大科技巨头裁员
import squarify
sorted_df = df.sort_values('Laid_Off_Count', ascending=False).head(10)
Companies = sorted_df["Company"].tolist()
Laid_off_count = sorted_df['Laid_Off_Count'].tolist()
colors = ['#FF5733', '#FF8C00', '#FFB300', '#F4D03F', '#85C1E9', '#3498DB', '#8E44AD', '#DC7633', '#27AE60', '#34495E']
sizes = [count / sum(Laid_off_count) for count in Laid_off_count]
labels = [f'{company}\n{laid_off_count}' for company, laid_off_count in zip(Companies, Laid_off_count)]
plt.figure(figsize=(10, 8))
squarify.plot(sizes=sizes,label = labels, color=colors)
plt.title('Top 10 Companies Laid Off')
plt.axis('off')
plt.show()资料获取，更多粉丝福利，关注下方公众号获取
这篇关于数据分析案例-2024年裁员数据集可视化分析的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
