员工离职预测数据标准化代码python

下面是员工离职预测数据标准化的 Python 代码示例：

import pandas as pd
from sklearn.preprocessing import StandardScaler

# 读取 CSV 文件
df = pd.read_csv('employee_data.csv')

# 选择需要标准化的列
cols_to_scale = ['age', 'salary', 'years_of_experience']

# 创建标准化器对象
scaler = StandardScaler()

# 在数据集上拟合标准化器
scaler.fit(df[cols_to_scale])

# 使用标准化器转换数据集
df[cols_to_scale] = scaler.transform(df[cols_to_scale])

# 将标准化后的数据集保存为新的 CSV 文件
df.to_csv('employee_data_standardized.csv', index=False)

在这个例子中，我们使用了 Pandas 库来读取员工数据的 CSV 文件。我们选择需要标准化的列，创建一个 `StandardScaler` 对象，然后对数据集进行拟合和转换。最后，我们将标准化后的数据集保存为一个新的 CSV 文件。

请注意，这个示例需要安装 `pandas` 和 `scikit-learn` 库。

相关问题

员工离职预测数据预处理代码

以下是一个员工离职预测数据预处理的示例代码，包含了数据清洗、特征选择和特征变换等操作：

import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

# 读取数据
data = pd.read_csv('employee_data.csv')

# 数据清洗
data.drop_duplicates(inplace=True)  # 去除重复数据
data.dropna(inplace=True)  # 去除缺失数据

# 特征选择
features = ['satisfaction_level', 'last_evaluation', 'number_project', 'average_monthly_hours', 'time_spend_company', 'Work_accident', 'promotion_last_5years', 'department', 'salary']
data = data[features + ['left']]

# 特征变换
scaler = StandardScaler()
data[['satisfaction_level', 'last_evaluation', 'average_monthly_hours']] = scaler.fit_transform(data[['satisfaction_level', 'last_evaluation', 'average_monthly_hours']])
data = pd.get_dummies(data, columns=['department', 'salary'])

# 数据集划分
X_train, X_test, y_train, y_test = train_test_split(data.drop('left', axis=1), data['left'], test_size=0.2, random_state=42)

其中，`employee_data.csv`是原始数据文件，包含了员工的个人信息、工作信息和离职情况等。代码中，首先使用`drop_duplicates`和`dropna`函数对数据进行清洗，去除重复和缺失数据。然后，选择了一些重要的特征，并使用`StandardScaler`进行了特征标准化。最后，使用`get_dummies`函数对分类特征进行了独热编码，将其转换为数值特征。最后，使用`train_test_split`函数将数据集划分为训练集和测试集。