forked from Adalab/proyecto-da-promo-F-modulo-3-team-5
-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathmain.py
234 lines (203 loc) · 10.7 KB
/
main.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
#%%
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from src import soporte_creacion_BBDD as query
from src import BBDD_soporte as bbdd
#import sys
#sys.path.append("../")
from src import soporte as sp
#os.getcwd()
# %%
df= sp.abrir_archivo('HR RAW DATA.csv')
# %%
eda = sp.exploracion_dataframe(df)
# %%
columnas_eliminar = ['roledepartament','numberchildren','over18', 'sameasmonthlyincome','employeecount','salary','standardhours', 'yearsincurrentrole']
#%%
df = sp.limpieza_columnas(df, df.columns.to_list(),columnas_eliminar )
# %%
columnas_limpiar = ['dailyrate','employeenumber','monthlyincome','performancerating','totalworkingyears','worklifebalance','distancefromhome']
#info gral a minusculas
columnas_minusculas=['age', 'attrition', 'businesstravel', 'department','education', 'educationfield','environmentsatisfaction', 'gender', 'hourlyrate', 'jobinvolvement',
'joblevel', 'jobrole', 'jobsatisfaction', 'maritalstatus', 'monthlyrate', 'numcompaniesworked', 'overtime',
'percentsalaryhike', 'relationshipsatisfaction','stockoptionlevel', 'trainingtimeslastyear', 'worklifebalance',
'yearsatcompany', 'yearssincelastpromotion','yearswithcurrmanager', 'yearbirth', 'remotework', 'dailyrate','totalworkingyears']
# %%
sp.limpieza_datos(df, columnas_limpiar, columnas_minusculas)
# %%
df['age'] = df['age'].apply(sp.convertir_a_numero)
# %%
df['gender'] = df['gender'].replace({0: 'male', 1: 'female'})
df['gender'].value_counts()
#%%
df['maritalstatus']=df['maritalstatus'].replace({'marreid':'married'})
#%%
df['remotework']= df['remotework'].replace({('1'):'yes',('0') or ('false'): 'no', 'true': 'yes', 'false': 'no'})
df['remotework'].value_counts()
#%%
df["distancefromhome"] = df["distancefromhome"].apply(lambda x: np.nan if x < 0 else x)
#%%
sp.eliminar_duplicados(df, 'employeenumber')
#%%
categorias_educacion = {1: 'high school', 2: 'college', 3: 'university', 4:'master degree', 5: 'phd'}
categorias_joblevel = {1: 'entry', 2: 'intermediate', 3: 'experienced', 4: 'advanced', 5: 'expert'}
sp.transformacion_datos(df, 'education', categorias_educacion)
sp.transformacion_datos(df, 'joblevel', categorias_joblevel)
#%%
df['hourlyrate'] = df['hourlyrate'].replace( 'not available', 'unknown')
#%%
df["dailyrate"] = df["dailyrate"].apply(lambda x: np.nan if x == 'nan' else float(x))
# %%
columnas_desconocidas = ['businesstravel', 'department', 'educationfield', 'maritalstatus', 'overtime']
sp.nulos_cat(df, columnas_desconocidas)
#%%
sp.visualizacion_num_nulos(df)
#%%
sp.gestion_nulos_num(df)
# %%
df["job_satisfaction_ab"]= df["jobsatisfaction"].apply(sp.categorizar_grupos)
df["environment_satisfaction_ab"]=df["environmentsatisfaction"].apply(sp.categorizar_grupos)
df["relationship_satisfaction_ab"]=df["relationshipsatisfaction"].apply(sp.categorizar_grupos)
df["job_involvement_ab"]=df["jobinvolvement"].apply(sp.categorizar_grupos)
df["work_lifebalance_ab"]=df["worklifebalance"].apply(sp.categorizar_grupos)
# %%
''' Definimos las hipótesis para el A/B testing:
Hipotesis nula[HO]
No hay cambios significativos entre los dos grupos
Hupotesis alternanova [H1]
Hay cambios significativos entre lso dos grupos'''
#%%
job_satisfaction=sp.creo_df_AB(df,'job_satisfaction_ab')
enviroment_satisfaction=sp.creo_df_AB(df,'environment_satisfaction_ab')
relationship_satisfaction=sp.creo_df_AB(df,'relationship_satisfaction_ab')
job_involvement=sp.creo_df_AB(df,'job_involvement_ab')
work_lifebalance=sp.creo_df_AB(df,'work_lifebalance_ab')
variables_ab=[job_satisfaction,enviroment_satisfaction,relationship_satisfaction,job_involvement,work_lifebalance]
columnas_ab=['job_satisfaction',
'environment_satisfaction', 'relationship_satisfaction',
'job_involvement', 'work_lifebalance']
# %%
for i,k in zip(variables_ab,columnas_ab):
sp.normalidad(i,'Rotacion_si',k)
#%%
for i,k in zip(variables_ab,columnas_ab):
sp.homogeneidad(i,'Grupo','Rotacion_si',k)
# %%
columnas_ab=['job_satisfaction',
'environment_satisfaction', 'relationship_satisfaction',
'job_involvement', 'work_lifebalance']
for i,k in zip(variables_ab,columnas_ab):
sp.ab_testing(i,k)
# %%
columnas_num=['percentsalaryhike','trainingtimeslastyear','yearssincelastpromotion']
#%%
for i in columnas_num:
sp.normalidad(df,i,i)
# %%
colores = sns.color_palette('mako_r', n_colors=3)
fig, axes = plt.subplots(nrows =1, ncols = 3, figsize =(20,5), gridspec_kw={'wspace': 0.5})
sns.histplot(x='percentsalaryhike', data=df,ax=axes[0], color=colores[0])
sns.histplot(x='trainingtimeslastyear', data=df,ax=axes[1], color=colores[0], binwidth = 1)
sns.histplot(x='yearssincelastpromotion', data=df,ax=axes[2], color=colores[0], binwidth = 1)
# %%
for i in columnas_num:
sp.test_man_whitney(df,i,'yes','no','attrition')
# %%
#Barplot de las columnas numéricas agrupadas por attrition
fig, axes = plt.subplots(nrows =1, ncols = 3, figsize =(20,5), gridspec_kw={'wspace': 0.5})
axes = axes.flat
for ind, col in enumerate(columnas_num):
sns.barplot(x = "attrition", y = col, hue= "attrition", data = df, ax = axes[ind],palette = "mako")
axes[ind].set_ylabel(col)
axes[ind].tick_params(axis='x', labelsize=12)
axes[ind].tick_params(axis='y', labelsize=12)
axes[ind].set_xlabel('attrition', fontsize=14)
axes[ind].set_ylabel(col, fontsize=14)
axes[ind].spines['right'].set_visible(False)
axes[ind].spines['top'].set_visible(False)
# %%
columnas_cat=['education','gender','remotework','joblevel', 'jobrole','distancefromhome']
colores = sns.color_palette('mako_r', n_colors=7)
#Barplot de las variables categóricas agrupadas por attrition
fig, axes = plt.subplots(nrows=3, ncols=2, figsize=(20, 20), gridspec_kw={'hspace': 0.5})
axes = axes.flat
for ind, col in enumerate(columnas_cat):
ax = axes[ind]
sns.countplot(x=col, data=df, palette='mako', hue ='attrition', ax=ax)
if ind < 4:
ax.set_xticks(ax.get_xticks())
ax.set_xticklabels(ax.get_xticklabels(), rotation=0, ha='center', fontsize=12)
else:
ax.set_xticks(ax.get_xticks())
axes[ind].set_xticklabels(axes[ind].get_xticklabels(), rotation=75, ha='center', fontsize=12)
ax.set_title(f'Conteo de {col}', y=1.02, fontsize=20)
ax.set_xlabel('')
ax.spines['right'].set_visible(False)
ax.spines['top'].set_visible(False)
plt.show()
# %%
columnas_conti=['education','joblevel','jobrole','gender','remotework']
for col in columnas_conti:
sp.independencia(df,col)
# %%
df_distance=df[df['distancefromhome']!='unknown']
sp.independencia(df_distance,'distancefromhome')
# %%
df_job=df[['attrition','joblevel','jobrole']]
#%%
df_job['grouplevel']=df_job['joblevel'].apply(sp.categorizar_grupos_level)
# %%
df_job['grouprole']=df_job['jobrole'].apply(sp.categorizar_grupos_role)
# %%
sp.transformacion_datos(df_job,'attrition',{'yes':1,'no':0})
# %%
sp.test_man_whitney(df_job,'attrition','level A','level B','grouplevel')
# %%
sp.test_man_whitney(df_job,'attrition','role A','role B','grouprole')
# %%
bbdd.creacion_BBDD_tablas(query.query_creacion_bbdd,'AlumnaAdalab')
#%%
bbdd.creacion_BBDD_tablas(query.query_creacion_tabla_rotacion,'AlumnaAdalab','base_datos_empleados_ETL')
bbdd.creacion_BBDD_tablas(query.query_creacion_tabla_datos_personales,'AlumnaAdalab','base_datos_empleados_ETL')
bbdd.creacion_BBDD_tablas(query.query_creacion_tabla_datos_contrato,'AlumnaAdalab','base_datos_empleados_ETL')
bbdd.creacion_BBDD_tablas(query.query_creacion_tabla_datos_salario,'AlumnaAdalab','base_datos_empleados_ETL')
bbdd.creacion_BBDD_tablas(query.query_creacion_tabla_empleado_encuesta,'AlumnaAdalab','base_datos_empleados_ETL')
bbdd.creacion_BBDD_tablas(query.query_creacion_tabla_datos_encuesta_empleado,'AlumnaAdalab','base_datos_empleados_ETL')
bbdd.creacion_BBDD_tablas(query.query_creacion_tabla_datos_encuesta_manager,'AlumnaAdalab','base_datos_empleados_ETL')
# %%
lis_num=[]
for i in range (1,1581):
lis_num.append(i)
lis_num_2=[]
for i in range (1580,3161):
lis_num_2.append(i)
#%%
datos_tabla_rotacion=list(tuple(zip(lis_num,df['employeenumber'].values,df['attrition'].values)))
datos_tabla_datos_personales=list(tuple(zip(lis_num,df['yearbirth'].values,df['age'].values,df['distancefromhome'].values,df['gender'].values,df['education'].values,
df['educationfield'].values,df['numcompaniesworked'].values,df['totalworkingyears'].values,df['maritalstatus'].values,
df['yearswithcurrmanager'].values,df['yearssincelastpromotion'].values,df['yearsatcompany'].values)))
datos_tabla_datos_contrato=list(tuple(zip(lis_num,df['department'].values,df['businesstravel'].values,df['joblevel'].values,df['jobrole'].values,df['stockoptionlevel'].values,
df['trainingtimeslastyear'].values,df['remotework'].values)))
datos_tabla_datos_salario=list(tuple(zip(lis_num,df['overtime'].values,df['monthlyincome'].values,df['monthlyrate'].values,df['percentsalaryhike'].values,df['hourlyrate'].values)))
datos_tabla_encuesta_empleado=list(tuple(zip(lis_num,lis_num,lis_num_2)))
datos_tabla_datos_encuestas_empleado=list(tuple(zip(lis_num,df['environmentsatisfaction'].values,
df['jobsatisfaction'].values,df['relationshipsatisfaction'].values,
df['worklifebalance'].values,df['jobinvolvement'].values)))
datos_tabla_datos_encuestas_manager=list(tuple(zip(lis_num_2,df['performancerating'].values)))
#%%
datos_tabla_datos_personales=bbdd.convertir_floats(datos_tabla_datos_personales)
datos_tabla_datos_contrato=bbdd.convertir_floats(datos_tabla_datos_contrato)
datos_tabla_datos_salario=bbdd.convertir_floats(datos_tabla_datos_salario)
datos_tabla_datos_encuestas_empleado=bbdd.convertir_floats(datos_tabla_datos_encuestas_empleado)
datos_tabla_datos_encuestas_manager=bbdd.convertir_floats(datos_tabla_datos_encuestas_manager)
#%%
bbdd.insertar_datos(query.query_insertar_rotacion,'AlumnaAdalab','base_datos_empleados_ETL',datos_tabla_rotacion)
bbdd.insertar_datos(query.query_insertar_datos_personales,'AlumnaAdalab','base_datos_empleados_ETL',datos_tabla_datos_personales)
bbdd.insertar_datos(query.query_insertar_datos_contrato,'AlumnaAdalab','base_datos_empleados_ETL',datos_tabla_datos_contrato)
bbdd.insertar_datos(query.query_insertar_datos_salario,'AlumnaAdalab','base_datos_empleados_ETL',datos_tabla_datos_salario)
bbdd.insertar_datos(query.query_insertar_empleado_encuesta,'AlumnaAdalab','base_datos_empleados_ETL',datos_tabla_encuesta_empleado)
bbdd.insertar_datos(query.query_insertar_datos_encuesta_empleado,'AlumnaAdalab','base_datos_empleados_ETL',datos_tabla_datos_encuestas_empleado)
bbdd.insertar_datos(query.query_insertar_datos_encuesta_manager,'AlumnaAdalab','base_datos_empleados_ETL',datos_tabla_datos_encuestas_manager)
# %%