主成分分析によって次元削減された人事データに対する散布図の可視化例です。コンピテンシーなどの複数の量的変数から構成されるデータを要約する目的で、主成分分析がよく使われています。その結果を散布図を利用して可視化し、特徴をつかむことができます。

人事データ可視化の例

散布図

人事データ可視化の狙い

  • 多くの変数で構成されているコンピテンシーを主成分で要約し、人事属性との関連を探る。

人事データ可視化アプローチ

利用するグラフ

  • 散布図： 量的変数と量的変数の関係を可視化。

アプローチ

  • データからコンピテンシーに関する項目を抽出し、主成分分析を適用する。
  • 第1主成分と第2主成分を使って、データの分布を可視化する。主成分の寄与率などを確認しながら他の主成分の状況も確認する。
  • グレードなどのカテゴリカル変数で色分けし、コンピテンシーとの関連を探る。

グラフの作り方

  • Pythonのseaborn.scatterplotによる可視化例。
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
import japanize_matplotlib
import seaborn as sns
from sklearn.decomposition import PCA

sns.set_theme(style='ticks')
plt.rcParams["figure.figsize"] = (6, 6)
japanize_matplotlib.japanize()

# データの読み込みと加工
df_hr = pd.read_csv('./HRトイデータ_人事情報_拡張版.csv')
df_hr['グレード'] = pd.Categorical(df_hr['グレード'], categories = ['M','L','S','E'])
comp = df_hr[['コンピテンシー_マネジメント',
 'コンピテンシー_戦略構想力',
 'コンピテンシー_対人',
 'コンピテンシー_創意工夫',
 'コンピテンシー_専門力',
 'コンピテンシー_チームワーク',
 'コンピテンシー_ストレス耐性']].copy()

# 主成分分析
pca = PCA()
ft = pca.fit_transform(comp)
res_pca = pd.DataFrame(ft,
 columns=['PC{}'.format(x + 1) for x in range(len(comp.columns))])

# グラフ
fig, ax = plt.subplots()
sns.scatterplot(data=pd.concat([df_hr, res_pca], axis=1), x='PC1', y='PC2', hue='グレード', alpha=.7, ax=ax)
ax.set_title('コンピテンシーの主成分とグレードの関係')
ax.legend(loc='upper left', bbox_to_anchor=(1, 1), title='グレード')