1. 项目概述线性回归——工龄与平均工资关系分析这个项目听起来简单但实际操作中藏着不少门道。作为数据分析领域最基础也最实用的方法之一线性回归能帮助我们量化工龄与工资之间的数学关系这对HR制定薪酬政策、个人职业规划都有直接参考价值。我做过不下二十次类似的薪酬分析发现很多人容易陷入几个误区要么把散点图上的几个点连起来就完事要么过度解读R平方值还有的直接忽略残差分析。这篇文章会带你避开这些坑从数据清洗到模型诊断手把手教你做出专业级的分析报告。2. 数据准备与清洗2.1 数据采集要点薪酬数据通常来自两个渠道企业内部的HR系统或公开的行业薪酬报告。内部数据要注意确保包含完整字段员工ID、入职日期、当前薪资、职位等级排除特殊个案实习生、返聘人员、高管薪酬结构差异大时间范围建议最近3-5年的数据最具参考性我曾处理过一组数据原始样本有2000条记录清洗后剩下1623条有效数据——这提醒我们数据质量比数量重要得多。2.2 关键指标计算工龄的计算有讲究# 假设入职日期字段为join_date df[working_years] (pd.to_datetime(today) - pd.to_datetime(df[join_date])).dt.days / 365.25这里用365.25而不是365是为了考虑闰年影响虽然差别不大但专业分析就该注重这种细节。薪资数据要统一单位建议月薪并做对数转换df[log_salary] np.log(df[monthly_salary])对数转换能改善右偏分布这点在金融、薪酬数据分析中特别重要。3. 模型构建与解读3.1 基础模型搭建用statsmodels构建模型比sklearn更便于统计检验import statsmodels.api as sm X sm.add_constant(df[working_years]) # 添加截距项 model sm.OLS(df[log_salary], X).fit() print(model.summary())关键输出解读R-squared0.38表示工龄解释了38%的薪资变异在社会科学中算不错系数工龄每增加1年月薪增长约exp(0.07)-1≈7.25%注意反对数转换P值0.001说明关系显著3.2 进阶模型优化简单线性关系可能不符合实际可以尝试加入二次项检测曲线关系df[years_squared] df[working_years]**2按职级分组建模不同职级薪资增长斜率不同引入交互项如工龄×学历我曾分析过互联网行业数据发现工龄对薪资的影响在头3年最显著斜率0.123-10年降为0.0510年以上几乎无增长——这种非线性关系用分段回归效果更好。4. 可视化与报告输出4.1 专业图表制作不要用默认的matplotlib样式推荐seabornimport seaborn as sns plt.figure(figsize(10,6)) sns.regplot(xworking_years, ymonthly_salary, datadf, scatter_kws{alpha:0.3}, line_kws{color:red}) plt.title(工龄-薪资关系95%置信区间, fontsize14) plt.xlabel(工龄年, fontsize12) plt.ylabel(月薪元, fontsize12)加上置信区间和原始数据点透明度调整alpha0.3这样的图表在董事会汇报时更显专业。4.2 常见分析误区忽略异方差性薪资方差常随工龄增加而增大可用Breusch-Pagan检验异常值处理建议用Cook距离4/n作为剔除标准因果误判工龄长导致薪资高可能是幸存者偏差低薪员工已离职去年帮某公司做分析时发现几个工龄20年以上的样本薪资反而下降调查发现是转岗到清闲岗位的老员工——这类特殊情况需要备注说明。5. 模型应用场景5.1 HR应用实例薪酬体系诊断实际薪资线与预测线的偏离程度反映内部公平性离职风险预警实际薪资显著低于预测值的员工可能不满校招定薪根据学历换算为等效工龄制定起薪某制造业企业用这个模型发现5-8年经验员工薪资普遍低于预测值15%这正是该司离职率最高的群体。5.2 个人职业参考建议用行业公开数据建模可以得出本行业薪资增长曲线跳槽时的合理薪资涨幅不同职业路径的薪资天花板金融从业者常发现前5年薪资增速科技行业但后期会被反超——这种行业差异只有通过建模才能量化比较。6. 完整代码示例# 完整分析流程 import pandas as pd import numpy as np import statsmodels.api as sm import seaborn as sns import matplotlib.pyplot as plt # 数据准备 df pd.read_csv(salary_data.csv) df df[df[position] ! Intern] # 过滤实习生 df[working_years] (pd.to_datetime(2023-06-01) - pd.to_datetime(df[join_date])).dt.days / 365.25 df[log_salary] np.log(df[monthly_salary]) # 异常值处理 q1, q3 df[working_years].quantile([0.25, 0.75]) iqr q3 - q1 df df[(df[working_years] q1 - 1.5*iqr) (df[working_years] q3 1.5*iqr)] # 建模分析 X sm.add_constant(df[working_years]) model sm.OLS(df[log_salary], X).fit() print(model.summary()) # 可视化 plt.figure(figsize(10,6)) sns.regplot(xworking_years, ymonthly_salary, datadf, scatter_kws{alpha:0.3}, line_kws{color:red}) plt.savefig(salary_analysis.png, dpi300, bbox_inchestight)这个脚本可以直接套用到你的数据分析中记得根据实际情况调整日期和字段名。保存图表时用dpi300能满足印刷质量要求。
