Python在财务与会计中的应用-第6章-Python在职工薪酬管理中的应用

第6章

Python在职工薪酬管理中的应用第六章·教学课件《Python在财务与会计中的应用》本章内容6.1报表层数据分析：薪酬总量趋势与结构解读6.1.1数据导入与基础探查

6.1.2薪酬总量年度趋势分析

6.1.3薪酬构成结构可视化6.2业务层数据处理：员工档案与薪酬明细清洗6.2.1多源数据整合与结构校验

6.2.2五类典型薪酬异常识别

6.2.3清洗规则设定与落地6.3多维关联分析：学历、考勤与薪酬绩效6.3.1学历结构与薪酬分布差异

6.3.2考勤指标与薪酬增量关联

6.3.3缺勤行为对薪酬影响评估6.4动态评估：人员流动与薪酬激励效能6.4.1年度人员流动率分析

6.4.2薪酬变动对留存率的影响

6.4.3薪酬策略有效性量化评估学习目标掌握薪酬报表层与业务层数据分析的核心方法学会使用Python进行薪酬数据的导入、清洗与描述性统计识别薪酬数据中的典型异常，如低于最低工资、幽灵员工等问题掌握从学历、考勤、人员流动等多维度开展薪酬对比分析的方法具备构建学历薪酬回归模型与薪酬公平性评估模型的能力第六章分析主线从数据处理到人力成本管控的进阶之路从学历、考勤、人员流动等维度交叉分析，揭示薪酬策略的有效性与潜在风险，为优化薪酬结构、提升人才保留与激励效果提供数据支撑。建立宏观分析框架，快速把握薪酬总量的趋势与结构，从整体层面洞察人力成本的分布特征与变化规律，为成本管控奠定基础。深入员工明细数据，通过数据清洗和异常识别定位问题根源，精准发现人力成本异常点，为针对性优化成本管控措施提供方向。02微观探因03精准溯源01宏观感知薪酬管理的四个核心问题技术结果需要回到业务判断聚焦薪酬总额与人均薪酬的年度波动趋势，拆解固定与浮动薪酬的占比结构，判断是否与业务发展阶段及行业水平相匹配。如何把握总量趋势量化学历、绩效等级与薪酬的关联度，分析加班时长与薪酬增量的匹配逻辑，验证薪酬策略对人才激励的实际成效。如何评估策略有效性建立数据校验机制，识别“幽灵员工”、薪资低于最低工资标准等异常情形，确保薪酬数据真实、合规且无核算差错。如何确保数据准确性分析薪酬调整对核心人才留存率的影响，结合行业对标设计差异化激励机制，提升员工归属感与团队稳定性。如何优化人才保留案例背景与分析边界将数据处理结果转化为薪酬管控和经营决策的有效依据，助力企业优化薪酬结构、提升成本效益，并为人力资源规划与经营战略制定提供科学支撑。教材以M公司2020—2024年数据为例本章重点员工档案涵盖员工学历背景、所属部门、岗位职级及入离职日期等关键信息，是开展人员结构分析与薪酬关联研究的核心基础数据源。薪酬报表月度汇总数据，包含在岗人数、薪酬总额、社保公积金等宏观指标，直观反映企业整体薪酬支出的规模与趋势变化。薪酬明细细化至每位员工每月的各类薪酬构成、扣款项目及实际发放金额，为薪酬成本的精准核算、结构拆解与合规性分析提供详实支撑。01报表层数据分析——薪酬总量趋势与结构解读6.1.1数据导入与基础探查数据概览与初步洞察01.环境配置与数据读取：importpandasaspddf=pd.read_csv('M公司_薪酬报表_2020-2024.csv')02.预处理与基础探查：df['period']=pd.to_datetime(df['period'])#日期格式转换print(f'数据规模:{df.shape}')#查看行列数print(df.describe(percentiles=[0.25,0.5,0.75]))#统计量分析💡核心价值：通过基础探查快速掌握数据的规模、字段类型与数值分布特征，验证数据完整性，为后续的薪酬结构分析、趋势预测等建模工作奠定数据基础。6.1.1基础探查结果可视化薪酬数据全景透视与质量评估数据集涵盖60行16列，完整覆盖2020至2024年共60个月的薪酬发放明细，时间跨度连续且维度齐全，囊括薪酬核算的核心指标。01数据规模概览月均社保、公积金及个税合计约131.60万元，占应发薪酬比例为18.8%，该比例符合行业常规水平，薪酬结构配置合理。03社保个税占比月均应发薪酬约706.16万元，月均实发薪酬约571.90万元，直观反映了企业薪酬支出的整体规模与员工实际收入水平。02薪酬发放体量全量数据无缺失值、无异常空值，数据完整性与准确性表现优异，为后续的薪酬分析、成本核算及趋势预测提供了坚实可靠的基础。04数据质量评估6.1.2薪酬总量年度趋势分析年度趋势变化与问题识别#年度薪酬总量趋势聚合计算annual=df_report.groupby('year').agg(avg_headcount=('headcount','mean'),total_gross=('total_gross','sum')).reset_index()#计算关键衍生指标：增幅与占比annual['人工成本增幅%']=annual['total_gross'].pct_change()*100annual['加班费占比%']=(annual['total_overtime']/annual['total_gross'])*100通过分组聚合与衍生计算，量化薪酬总量的年度波动与结构占比，精准定位成本变化根源。6.1.2年度趋势分析代码解释通过Python代码对年度薪酬数据进行深度挖掘，从分组聚合到结构占比，全方位解析薪酬趋势与结构特征，为人力资源决策提供数据支撑。从数据分组到结构洞察核心分析步骤使用groupby('year')按年份对薪酬数据进行分组，为年度维度的统计分析奠定数据基础。分组聚合利用agg聚合函数，计算各年度平均在岗人数、薪酬总额、人均薪酬等关键统计指标。计算指标通过pct_change()函数计算薪酬总额的年度增幅，清晰洞察薪酬成本的年度增长趋势。计算增长率核算加班费、绩效奖金占薪酬总额的比例，评估薪酬结构的合理性与激励导向。结构占比6.1.2年度趋势可视化近五年薪酬数据揭示了公司在成本控制与人才价值提升上的战略调整趋势薪酬总额由2020年的约8198万元增长至2024年的约8707万元，五年累计增长约6.2%，呈现出稳步上升的态势，反映了公司整体经营规模的持续扩大。薪酬总额稳步增长平均在岗人数由490.4人下降至422.1人，人员规模的优化调整，体现了公司提升人效、优化组织结构的战略导向，实现更高效的人力资源配置。人员规模结构优化人均薪酬从2020年的13,929.8元/月提升至2024年的17,190.8元/月，涨幅达23.4%，显著的增长幅度体现了公司对人才价值的认可与薪酬竞争力的提升。人均薪酬显著提升加班费占比稳定在6.2%-6.5%区间，绩效奖金占比保持在15%左右，整体薪酬结构保持稳定，兼顾了员工收入的保障性与激励性。薪酬结构保持稳定6.1.3薪酬构成结构可视化直观呈现薪酬各组成部分的月度变化趋势核心代码实现逻辑：importmatplotlib.pyplotaspltfig,ax=plt.subplots(figsize=(13,5))months=df_report.sort_values('period')['period']ax.stackplot(range(len(months)),base,perf,overtime,commis,labels=['基本工资','绩效奖金','加班费','销售提成'],colors=['#1F4E79','#2E75B6','#F39C12','#E74C3C'])通过堆叠面积图，可清晰拆解薪酬总额结构，直观展示各构成部分的月度变化趋势与占比关系，帮助管理层洞察薪酬成本的动态变化。6.1.3薪酬构成堆叠面积图薪酬结构分层解析：基石稳固、激励稳定与浮动灵活主导基石：基本工资基本工资始终占据薪酬总额的主导地位，是薪酬结构的核心基石。它不仅保障了员工的基本生活需求，更为员工提供稳定的收入预期，是企业吸引和保留核心人才的基础保障。稳定激励：绩效奖金绩效奖金规模总体保持稳定，说明公司的绩效激励体系相对成熟。这一稳定性能有效平衡短期激励与长期留存，既保证了员工收入的稳定性，又能通过考核实现合理的奖惩导向。动态浮动：加班费与提成加班费与销售提成占比较低但随时间波动，直观反映了企业生产经营的负荷变化与市场销售业绩的起伏。这种波动性体现了薪酬结构与业务经营的强联动性，随市场变化灵活调整。结构评估：稳健可持续整体薪酬结构呈现“固定薪酬为基、浮动薪酬为辅”的特征，既保障了员工基本生活，又具备弹性激励空间。这种结构符合企业稳健经营需求，兼顾了员工安全感与组织活力。6.1.4低于最低工资标准的异常预警快速定位实发薪酬低于法定最低工资标准的高风险月份#最低工资违规预警时序分析fig,ax=plt.subplots(figsize=(12,4))df_plot=df_report.sort_values('period')#按人数分级设置颜色，红色为高风险colors=['#E74C3C'ifv>3else'#F39C12'ifv>0else'#2ECC71'forvindf_plot['cnt']]ax.bar(range(len(df_plot)),df_plot['cnt'],color=colors)ax.axhline(3,color='red',linestyle='--',label='预警阈值(3人)')6.1.4预警图与初步推断薪酬合规预警分析与风险归因异常情况2020年至2024年期间，每月均存在员工实发薪酬低于当地最低工资标准（2320元）的情况，合规风险长期持续存在，未得到有效管控。高风险月份五年间累计出现24个高风险月份（单月违规人数>3人），其中单月违规人数峰值达9人，风险呈现阶段性集中爆发特征。业务归因异常记录高度集中于销售部门，核心诱因与该部门“底薪+提成”的薪酬结构直接相关，无提成时基础薪酬易低于标准线。风险根源当月业绩未达标导致提成未兑现，叠加缺勤扣款后，员工实发底薪不足以覆盖最低工资标准，形成合规风险敞口。02业务层数据处理——员工档案与薪酬明细清洗6.2.1三表数据导入与结构检查检查数据完整性与缺失值分析01.批量导入业务数据表：df_emp=pd.read_csv('data/M公司_员工档案.csv',parse_dates=['join_date'])df_sal=pd.read_csv('data/M公司_薪酬明细.csv')df_att=pd.read_csv('data/M公司_考勤明细.csv')02.自动检查数据结构与缺失值：forname,dfin[('员工档案',df_emp),('薪酬',df_sal),('考勤',df_att)]:print(f'==={name}===Shape:{df.shape}')print(f'缺失值统计:\n{df.isnull().sum()[df.isnull().sum()>0]}')💡核心价值：通过程序化的结构检查与缺失值统计，快速识别数据质量问题，确保后续财务分析结果的准确性与可靠性。6.2.1数据结构概览多源数据逻辑完整，为后续分析奠定坚实基础包含501行15列员工基础信息，其中`resign_date`字段存在415条缺失，该情况属于在职员工的正常数据特征，无需修正。员工档案数据涵盖27,373行14列考勤记录，全量字段无缺失值，数据覆盖完整，可直接用于出勤与工时相关分析。考勤明细数据共计27,420行24列薪酬核算数据，所有字段均无缺失值，数据质量优异，可支撑薪酬结构与成本分析。薪酬明细数据三张数据表均可通过`emp_id`（员工唯一标识）字段实现精准关联，数据逻辑闭环完整，支持多维度的交叉分析与挖掘。多表关联逻辑6.2.2异常值识别总览系统性地识别薪酬数据中常见的五类典型异常实发薪酬低于当地最低工资标准，属于核心合规红线风险。需重点核查薪酬核算基数、扣款项目及发放标准，确保完全符合劳动法律法规要求，规避企业用工合规隐患。01合规性风险预警薪酬金额出现显著偏离正常区间的极端值，往往源于计算错误、薪酬结构配置失误或人为舞弊。需逐一复核数据来源、计算公式及审批流程，精准排查异常成因与责任环节。03薪酬极端值异常核查典型表现为“幽灵员工”（有薪酬记录无考勤）、离职后违规多发薪酬。此类异常多源于人为舞弊或操作失误，需通过考勤与薪酬数据的交叉比对、人员花名册核验进行精准识别。02舞弊与虚假数据识别加班费核算金额异常偏低，出现考勤打卡时长与薪酬计算结果逻辑不一致的情况。需重点核查考勤数据对接准确性、薪酬计算规则执行情况及异常工时的审批依据。04逻辑匹配性异常验证3.1.1异常检测：实发薪酬低于最低工资标准合规性风险检测：识别低于最低工资标准的记录#设定最低工资标准并筛选异常记录MIN_WAGE=2320#设定最低工资阈值（示例值）below_min=df_sal[df_sal['net_salary']<MIN_WAGE]print(f'异常记录数:{len(below_min)}条|涉及员工:{below_min["emp_id"].nunique()}人')print(below_min.groupby('dept_name')['emp_id'].count().sort_values(ascending=False))通过设定最低工资标准阈值，精准筛选出实发薪酬不达标的异常记录，并按部门维度统计分布情况，能够快速定位薪酬合规风险的高发区域，为企业的人力资源合规审计与风险预警提供数据支撑。异常1：分析结论与管理建议销售部薪酬合规风险专项分析与整改建议194条异常记录全部集中于销售部，其他部门无此类情况，问题指向性明确，反映出销售薪酬模式存在结构性隐患。异常分布违反《工资支付暂行规定》，存在明确合规风险，易引发劳动争议，还可能面临劳动行政部门的责令整改及经济补偿责任。合规风险销售部实行“底薪+提成”模式，部分月份员工无业务提成，叠加缺勤扣款后，实发工资低于当地最低工资标准，触发合规预警。原因剖析建议优化薪酬制度，设立无提成月份的保底薪资机制，确保员工实发工资不低于法定标准，同时规范考勤扣款规则，保障员工权益并规避企业风险。管理建议异常2：幽灵员工——有薪酬记录但无考勤记录舞弊风险检测：基于薪酬与考勤数据的交叉比对核心检测逻辑与代码实现：1.提取关键维度：去重获取薪酬表与考勤表的{员工ID,核算期间}键值对2.左连接比对：筛选出仅在薪酬表出现的异常记录组合ghost_keys=sal_keys.merge(att_keys,on=['emp_id','period'],how='left',indicator=True)ghost_emps=ghost_keys[ghost_keys['_merge']=='left_only']['emp_id'].unique()检测价值：

通过数据关联比对，精准定位“有薪酬发放记录但无考勤打卡记录”的疑似“幽灵员工”，及时发现薪资发放环节的舞弊风险与管理漏洞，为财务审计提供数据支撑。异常2：分析结论与管理建议薪酬与考勤数据脱节引发的资金流失风险深度剖析经系统筛查识别出2名疑似“幽灵员工”，该类人员无有效考勤记录却持续领取薪酬，累计违规领薪金额超过77万元，造成企业直接资金损失与管理隐患。01违规事实识别核心诱因在于薪酬系统与考勤系统数据不同步，缺乏自动化交叉稽核机制；同时人员离职流程存在审批与系统操作脱节，离岗信息未及时同步至薪酬发放环节。03问题根源剖析此现象属于典型的企业人力资源与财务协同管理漏洞，暴露出人员离岗后系统账号未及时注销、薪酬发放缺乏考勤数据校验的内控缺失问题。02风险定性评估建立薪酬与考勤数据的月度自动稽核机制，对连续2个月无考勤记录但仍在领薪的人员，系统自动触发人工复核与薪酬冻结流程，同时完善离职交接与系统注销的闭环管理。04整改与防控建议异常3：离职后多发薪酬（数据滞后）操作失误风险检测核心检测逻辑代码：#合并薪酬表与员工信息表，筛选离职后发放记录df_sal['period_dt']=pd.to_datetime(df_sal['period'])df_merge=df_sal.merge(df_emp[['emp_id','resign_date','is_resigned']],on='emp_id')cond=(df_merge['is_resigned']==1)&(df_merge['period_dt']>df_merge['resign_date'])risk_data=df_merge[cond]检测说明：/通过关联员工离职状态与薪酬发放记录，精准识别已离职员工在离职日期之后仍产生薪酬发放的异常数据，可快速定位财务多发薪酬的风险点，为企业追回损失、优化HR与财务协同流程提供数据支撑。异常3：分析结论与管理建议离职员工薪酬错发问题的根源剖析与整改建议核查发现1名员工在离职后次月仍产生1条薪酬发放记录，实发薪酬金额为12,257元，属于典型的薪酬错发异常，存在公司资金流失与合规风险。01异常识别结果优化离职全流程管理，明确HR在员工离职当日完成系统状态变更的时限要求；打通HR系统、考勤系统与薪酬系统的数据接口，实现员工状态信息实时同步。03流程优化方案核心原因是HR系统离职信息更新滞后，导致薪酬核算系统未及时同步员工在职状态；同时人工审核环节存在疏漏，未对离职人员的薪酬数据进行有效拦截。02问题根源分析建立薪酬发放自动校验规则，对离职状态员工触发发放拦截预警；增设薪酬发放前的系统自动稽核环节，同时完善人工复核机制，杜绝类似错发问题再次发生。04长效机制保障异常4：薪酬极端值计算错误或舞弊风险检测▍核心逻辑：基于3σ准则的部门级离群值筛查defdetect_outliers_by_dept(df,col):fordept,grpindf.groupby('dept_name'):#按部门分组检测mu,sigma=grp[col].mean(),grp[col].std()#计算均值与标准差outliers=grp[(grp[col]-mu).abs()>3*sigma]#筛选3σ外数据returnpd.concat(results)💡应用说明：通过计算每个薪酬数据点的Z分数（偏离均值的标准差倍数），精准定位显著偏离常态的极端值。这类数据通常暗示着人工计算错误、系统配置偏差，甚至是潜在的舞弊行为，是财务审计的重点核查对象。异常4：分析结论与管理建议薪酬离群值分析揭示潜在风险，需重点核查合规性本次筛查共识别出48条薪酬离群值记录，主要集中在销售部与生产部，所有异常数据均表现为正向偏离的极端值。识别结果需结合岗位职级、薪酬审批流程及绩效考核结果，进一步核查这些记录是否符合公司薪酬管理制度，排除人为核算错误的可能性。后续动作经分析，这些正向离群值（Z>3）主要源于销售提成、专项绩效奖励的兑现，以及管理岗位固有的高薪结构，属于薪酬体系内的正常波动范畴。原因分析建议将此类薪酬极端值纳入年度内部审计重点范围，重点审查薪酬计算依据的充分性、审批流程的合规性，确保薪酬发放的公正透明。管理建议异常5：加班费异常低——考勤薪酬逻辑不一致逻辑一致性校验：关联考勤与薪酬数据计算偏差核心代码：#关联考勤与薪酬数据，计算理论加班费与偏差df_merged=df_sal.merge(df_att[['emp_id','period','overtime_hours']],on=['emp_id','period'],how='inner')df_merged['expected_ot_pay']=(df_merged['base_salary']/(21.75*8)1.5*df_merged['overtime_hours']).round(0)#筛选加班超10h且实际发放低于理论值40%的异常记录ot_abnormal=df_merged[(df_merged['overtime_hours']>10)&(df_merged['ot_diff_pct']<-40)]校验逻辑说明：

通过关联薪酬表与考勤表，基于法定计薪规则（21.75天/月，8小时/天，1.5倍加班费）计算理论值，对比实际发放金额，精准定位考勤与薪酬核算逻辑不一致的异常记录。异常5：分析结论与管理建议加班费核算偏差的识别、归因与整改方案共发现5,217条加班费显著偏低的记录，覆盖公司全部8个职能部门，存在系统性核算偏差风险，需重点关注合规性问题。识别结果问题主要集中于生产部（2,226条）与质检部（1,048条），合计占比超60%，一线业务部门为核算偏差高发区域。集中部门部分员工加班费未随加班时长、基本工资标准同步调整，薪酬核算系统计算逻辑存在参数配置错误，导致理论值与实际发放存在系统性偏离。原因分析立即核查薪酬核算系统的加班费计算公式与参数配置，打通考勤数据与薪酬模块的实时同步通道，确保核算口径一致，规避用工合规风险。管理建议6.2.3数据清洗规则设定为后续分析准备高质量的数据01清洗策略与代码实现：针对异常数据采取“直接剔除”与“保留标记”相结合的策略，确保数据质量与审计合规性。#1.剔除已确认的幽灵员工记录

clean_sal=clean_sal[~clean_sal['emp_id'].isin(['E0501'])]

#2.标记离职后多发与薪资异常记录

clean_sal['post_resign_flag']=(clean_sal['resign_date'].notna())&(pd.to_datetime(clean_sal['period'])>clean_sal['resign_date'])02清洗价值：

通过结构化清洗，不仅净化了分析基础，更通过“标记不删除”的方式保留了完整的数据轨迹，为财务审计、薪酬合规检查提供了可追溯的原始依据。6.2.3清洗结果数据清洗后的核心指标统计与质量评估结果剔除幽灵员工等无效数据后，数据集保留有效记录27,374条，数据基数真实可靠，为后续财务分析与成本核算提供了稳定且可信的样本基础。数据规模优化完成数据去重、格式标准化校验与逻辑一致性核查，清理冗余无效信息，统一数据口径，从源头消除数据噪声与逻辑冲突。清洗核心动作精准识别并标记异常数据共195条，其中离职后多发薪资记录1条、低薪异常记录194条，实现异常数据全量追溯与分类管理。异常记录标记数据完整性、准确性与一致性得到显著改善，数据质量完全达到财务分析与建模标准，为后续成本管控、薪资核算等业务提供可靠数据支撑。数据质量评估03学历结构对薪酬的影响分析6.3.1学历结构与薪酬分布总览初步探索不同学历层次员工的薪酬水平差异核心代码实现：edu_stats=df_sal.groupby('education').agg(记录数=('record_id','count'),均值_薪酬=('salary','mean')).reset_index()edu_order=['高中及以下','大专','本科','硕士','博士']edu_stats=edu_stats.sort_values('education')代码解析：

通过groupby按学历分组，聚合统计各学历层次的员工人数与薪酬均值；自定义学历层级顺序并重新排序，确保数据按学历从低到高有序展示，为后续分析学历与薪酬的关联性趋势奠定数据基础。6.3.1学历薪酬对比表学历与薪酬呈现显著正相关，学历溢价效应明显薪酬随学历提升总体呈递增趋势，博士的平均实发薪酬约为高中及以下学历的1.88倍，充分体现出教育投资带来的明显学历溢价效应，高学历成为薪资提升的重要基石。总体趋势：学历溢价显著硕士到博士的薪酬边际提升有所收窄，增幅约为10.2%，反映出学历对薪酬的影响并非线性增长，需结合专业能力、岗位价值与行业需求综合考量其实际价值。边际变化：硕博阶段增幅收窄相邻学历层次间的薪酬增幅并不均等，其中本科到硕士的薪酬提升幅度约为23.5%，是各学历阶段中提升幅度最大的区间，显示出硕士学历在就业市场中的较高认可度。增幅差异：本科至硕士跃升最大学历是薪酬定价的重要参考，但并非唯一标准。企业在制定薪酬体系时，应兼顾学历背景与实际工作能力，构建公平合理的薪酬激励机制，实现人才价值与岗位贡献的匹配。管理启示：学历与能力并重6.3.2学历薪酬箱线图与热力图更直观地展示不同学历的薪酬分布特征和部门差异importseabornassnsfig,axes=plt.subplots(2,1,figsize=(14,5))#绘制各学历薪酬分布箱线图，展示离散度与离群值sns.boxplot(data=df_sal,x='education',y='net_salary',order=edu_order,ax=axes[0])#构建学历与部门薪酬均值矩阵，绘制热力图heat_data=df_sal.pivot_table(values='net_salary',index='education',columns='dept_name',aggfunc='mean')sns.heatmap(heat_data/1000,annot=True,fmt='.1f',cmap='Blues',ax=axes[1])代码解析：通过Seaborn库将复杂的薪酬数据转化为可视化图表。箱线图揭示了不同学历层次薪酬的分布规律与异常值情况，热力图则清晰呈现了各部门针对不同学历的薪酬给付差异，为薪酬结构分析提供直观的数据支撑。6.3.2可视化结果解读基于薪酬分布与部门差异的可视化分析，挖掘学历溢价与岗位价值的关联规律箱线图：学历薪酬梯度薪酬中位数随学历升高呈显著上升趋势，博士组箱体整体高于硕士组，且未出现低值离群点，直观反映出学历层次对薪酬水平的正向拉动作用，高学历人才的薪酬基础更为稳固。热力图：部门溢价差异博士学历在各部门的平均薪酬均显著高于本科与硕士，其中研发部与财务部的学历溢价效应最为突出，凸显了技术研发与核心财务职能对高学历人才的价值认可与回报倾斜。核心发现：价值匹配度数据印证了学历与薪酬的强正相关性，高学历人才在核心业务部门的薪酬优势明显，反映出企业对知识密集型岗位的高价值定位与人才战略导向。管理建议：三维薪酬体系建议构建“学历+岗位+绩效”三维薪酬体系，将学历溢价与岗位价值、实际贡献深度绑定，兼顾人才吸引与分配公平，提升薪酬激励的有效性与组织效能。6.3.3学历对薪酬影响的回归分析在控制其他变量的情况下，量化学历对薪酬的净影响多元线性回归建模核心代码：#导入线性回归模型库fromsklearn.linear_modelimportLinearRegression#构建特征矩阵（学历编码、岗位等级、工龄）与目标变量（薪酬）X=df[['edu_code','pos_level','years_service']];y=df['net_salary']#训练模型并输出拟合优度model=LinearRegression().fit(X,y);print(f'模型拟合优度R²:{model.score(X,y):.4f}')分析价值：

通过多元回归模型控制岗位层级、工作年限等干扰变量，精准剥离出学历对薪酬的独立影响效应，为企业制定基于学历的薪酬定级标准、人才招聘与培养激励政策提供量化依据。6.3.3回归分析结论基于多元回归模型的薪酬影响因素量化实证结果模型拟合优度模型的决定系数R²为0.6274，表明模型能够解释62.74%的薪酬差异，拟合效果良好，具备较强的统计学解释力与现实参考价值。学历的净薪酬溢价在控制岗位等级、工作年限及所属部门等变量后，学历每提升一档，将带来约889元/月的净薪酬溢价，体现学历对薪酬的直接正向影响。关键因素边际影响对比学历的边际影响（889元/月）显著高于岗位等级的边际影响（约617元/月），凸显学历在薪酬定价中的核心权重。薪酬体系管理启示学历是M公司薪酬差异化的重要驱动因素，在人才招聘、薪酬调整及人才发展规划中，需充分考量学历因素的价值贡献。04考勤数据与薪酬的关联分析6.4.1考勤基础统计与部门对比了解各部门的劳动强度和出勤表现att_dept=df_att.groupby('dept_name').agg(平均出勤天数=('actual_days','mean'),平均加班时长=('overtime_hours','mean'),平均迟到次数=('late_count','mean')).reset_index().round(2)att_dept['出勤率%']=(att_dept['平均出勤天数']/22)*100print(att_dept.sort_values('平均加班时长',ascending=False))代码说明：通过pandas的groupby聚合功能，按部门统计核心考勤指标，包括平均出勤天数、加班时长及迟到次数；进一步计算出勤率，并按加班时长降序排列，直观呈现各部门的工作负荷差异。6.4.1各部门考勤情况对比表数据揭示制造一线负荷与全员出勤纪律现状质检部和生产部的平均加班时长显著高于其他部门，分别达到25.92小时和21.48小时，直观反映出制造一线岗位面临着较重的日常工作负荷与生产交付压力。加班强度：制造一线负荷最重研发部以97.6%的出勤率位居全公司首位，凸显了技术研发团队的高度自律与对工作的投入度，为公司的技术创新与产品迭代提供了坚实的人力保障。出勤标杆：研发部门表现最佳全公司各部门出勤率均稳定保持在92%以上，整体表现良好，充分体现出员工普遍具备较强的职业纪律性、岗位责任感与对公司制度的执行力。整体表现：全员出勤纪律良好生产部出勤率为92.4%，虽符合公司基本出勤要求但相对最低，后续可进一步优化排班机制、平衡工作与休息，提升一线员工出勤稳定性与工作状态。生产现状：出勤仍有优化空间6.4.2加班时长与薪酬增量的相关性分析验证“多劳多得”是否成立核心代码逻辑：df_ot=df_sal.merge(df_att[['emp_id','period','overtime_hours']],on=['emp_id','period'],how='inner')corr_by_dept=df_ot.groupby('dept_name').apply(lambdag:g['overtime_hours'].corr(g['net_salary']).round(3))分析说明：通过关联员工薪酬表与考勤表，匹配加班数据；按部门分组计算加班时长与实发薪酬的相关系数，量化验证企业“多劳多得”的薪酬分配原则在各业务单元的实际落地情况。6.4.2相关性分析结果加班时长与薪酬关联度低，结构因素主导收入差异01整体相关性特征从全公司范围来看，员工加班时长与实发薪酬之间的相关性整体较弱，未表现出明显的正向线性关联，说明单纯的加班时长并非薪酬高低的决定性因素。02部门间差异显著部门间关联度存在差异：质检部相关系数最高（0.184），呈弱正相关；人力资源部最低（-0.058），呈轻微负相关；其他部门系数均接近0，关联度极低。03核心结论与启示薪酬主要受岗位层级、部门薪酬结构及绩效规则影响。建议针对加班强度大的部门优化薪酬激励机制，确保劳动付出与回报匹配，提升员工满意度。04数据分布可视化6.4.3缺勤行为与薪酬水平的关系验证“低薪员工是否更易缺勤”的假设df_absent=df_sal.merge(df_att[['emp_id','period','absent_days']],on=['emp_id','period'])df_absent['salary_quartile']=pd.qcut(df_absent['net_salary'],q=4,labels=['Q1低薪','Q2中低薪','Q3中高薪','Q4高薪'])absentee=df_absent.groupby('salary_quartile').agg(月均缺勤天数=('absent_days','mean')).reset_index()通过合并薪酬表与考勤表，利用四分位数将员工薪酬划分为四个等级，再按等级分组计算平均缺勤天数，以此量化分析薪酬水平与员工缺勤行为之间的关联性，验证薪酬激励对出勤率的潜在影响。6.4.3缺勤行为分析结果薪酬水平与缺勤天数呈显著负相关，低薪群体出勤质量亟待关注图表直观展示了从低薪组（Q1）到高薪组（Q4），月均缺勤天数呈现阶梯式下降趋势，反映出薪酬激励对员工出勤稳定性的显著影响。01显著差异：近5倍的缺勤差距低薪组（Q1）月均缺勤2.012天，约为高薪组（Q4，0.410天）的4.9倍，薪酬差距直接反映在出勤行为的显著差异上。02趋势特征：薪酬越高，缺勤越少随薪酬分位提升，缺勤天数呈明显下降趋势，体现出薪酬激励对员工出勤约束的正向作用，高薪组表现出更稳定的出勤表现。03管理启示：关注低薪群体投入度低薪员工出勤质量低或与工作满意度、劳动强度相关。建议优化薪酬结构，提升低薪岗位的竞争力，辅以关怀机制，增强员工归属感与敬业度。05人员流动与薪酬变动分析6.5.1年度人员流动率分析评估人才稳定性核心计算逻辑代码实现：df_emp['resign_year']=pd.to_datetime(df_emp['resign_date']).dt.yearresign_count=df_emp.dropna(subset=['resign_date']).groupby('resign_year').size()turnover_rate=(resign_count/df_report.groupby('year')['headcount'].mean())*100分析价值说明：通过统计每年的离职人数与年初在职人数的比值，精准计算出年度人员流动率。该指标是衡量企业人才队伍稳定性的核心标尺，能够帮助管理层及时发现人才流失风险，为优化招聘策略、提升员工留存率提供数据支撑。6.5.1流动率趋势图从数据看M公司人员流动的稳定性与潜在挑战M公司近五年的人员离职率始终维持在3.2%至4.3%的区间内，整体波动幅度较小，展现出较为稳定的人员流动态势，反映出员工对企业的认可度较高。流动率水平稳定的人员结构有效降低了招聘、培训及岗位磨合的成本，保障了业务流程的连续性，增强了团队协作的默契度与运营效率，是企业稳健发展的基石。稳定性价值该流动率显著低于制造业11%~14%的平均水平，表明公司在人才保留、企业文化建设及薪酬福利体系等方面具备较强的竞争优势，团队凝聚力表现优异。行业基准对比需警惕低流动率背后可能伴随的内部活力不足隐患，关注“隐性离职”现象；需持续优化职业发展通道，激发员工创新动力与工作投入度。潜在风险预警6.5.2薪酬变动对留存率的影响——事件研究分析量化分析薪酬涨幅与员工12个月内留存率之间的关系核心分析逻辑代码实现：#1.排序并