shenjianZ
a39d8b2fd2
搭建完整的前后端分离架构，实现数据概览、预测分析、聚类分析等核心功能模块 详细版： feat: 初始化员工缺勤分析系统项目 - 后端：基于 Flask 搭建 RESTful API，包含数据概览、特征分析、预测模型、聚类分析四大模块 - 前端：基于 Vue.js 构建单页应用，实现 Dashboard、预测、聚类、因子分析等页面 - 模型：集成随机森林、XGBoost、LightGBM、Stacking 等多种机器学习模型 - 文档：完成需求规格说明、系统架构设计、接口设计、数据设计、UI原型设计等文档
6.1 KiB
6.1 KiB
既然你的题目是**《基于多维特征挖掘的员工缺勤影响因素分析与预测研究》，你的前端就不应该是一个“考勤录入系统”（比如点击“打卡”按钮），而应该是一个“数据分析与可视化大屏”。 你的前端核心任务是：把算法跑出来的结果，用图表漂亮地展示出来，并提供一个交互式的“预测窗口”。 以下是为你规划的前端功能模块（4-5个页面）**，每个页面都直接对应你的题目和算法：
页面一：数据概览与全局统计
目的： 让人一眼看懂数据集的整体情况。
- 关键指标卡片（KPI）：
- 总样本数（例如：740）
- 平均缺勤时长
- 高风险员工占比
- 最常见的缺勤原因（例如：牙科咨询）
- 可视化图表：
- 缺勤原因分布饼图： 展示各种 ICD 疾病代码（或医疗咨询、献血等）的比例。
- 每月缺勤趋势折线图： 横轴是1-12月，纵轴是缺勤总时长，看看哪个月大家最爱请假（是不是夏天？）。
- 星期几缺勤热力图： 周一到周五，哪天颜色最深（缺勤最多）。
页面二：影响因素分析 —— 对应题目的“影响因素分析”
目的： 展示你的核心算法成果（特征重要性、相关性），回答“为什么缺勤”。
- 核心图表 1：特征重要性排序条形图
- 内容： 横轴是特征（距离、BMI、饮酒、工龄...），纵轴是重要性得分。
- 设计： 降序排列，最高的那个（比如 Reason for absence 或 Service time）在最上面或最左边。
- 交互： 鼠标悬停显示具体分数。
- 核心图表 2：相关性热力图
- 内容： 展示各个字段之间的相关系数矩阵。
- 亮点： 高亮显示“饮酒”与“缺勤时长”的交点，或者“通勤距离”与“缺勤时长”的交点，颜色越深代表关联越强。
- 群体对比分析：
- 柱状图： 饮酒者 vs 不饮酒者的平均缺勤时长对比。
- 柱状图： 高学历 vs 低学历的缺勤时长对比。
页面三：缺勤预测模型 —— 对应题目的“预测研究”
目的： 提供一个交互窗口，演示你的 XGBoost/随机森林模型是如何工作的。
- 左侧：参数输入表单
- 设计一个表单，列出数据集中的关键字段（供用户填写）：
- ID：随意填（如 36）
- Reason for absence：下拉菜单（1-28 或 归类后的“疾病/个人事务”）
- Month：下拉菜单（1-12）
- Day of week：下拉菜单（周一-周五）
- Transportation expense：滑动条或输入框（例如：200）
- Distance from Residence to Work：输入框（例如：15）
- Service time：输入框（例如：10年）
- Age：输入框（例如：35）
- Work load Average/day：输入框（例如：250000）
- Hit target：输入框（例如：90%）
- Disciplinary failure：单选框（是/否）
- Education：下拉菜单（高中/本科/硕士...）
- Son：数字输入（0, 1, 2...）
- Social drinker：单选框（是/否）
- Social smoker：单选框（是/否）
- Pet：数字输入
- Body mass index：输入框（例如：25）
- 底部按钮： “开始预测”
- 设计一个表单，列出数据集中的关键字段（供用户填写）：
- 右侧：预测结果展示
- 结果数字： 预测的缺勤时长（例如：预测结果 8 小时）。
- 风险等级：
- < 4小时：绿色标签（低风险）
- 4-8小时：黄色标签（中风险）
-
8小时：红色标签（高风险，警钟图标）
- 模型可信度： 显示当前模型的准确率（例如：85% Accuracy）。
页面四：员工画像与聚类 —— 对应“多维特征挖掘”的进阶
目的： 展示 K-Means 聚类算法挖掘出的群体特征。
- 雷达图：
- 画 3-4 个多边形，代表 3-4 类员工（如：模范型、压力型、生活习惯型）。
- 轴向维度：[年龄, 工龄, 负荷, BMI, 缺勤倾向]。
- 让人一眼看出不同群体的差异（例如：压力型的“负荷”轴特别长）。
- 散点图：
- 横轴：年龄，纵轴：缺勤时长。点按聚类结果着色（红点、蓝点、绿点）。
推荐技术栈（实现难度低，效果好）
为了在短时间内做出漂亮的图表，推荐以下组合：
- 前端框架： Vue.js (Vue 3) 或 React。推荐 Vue，国内毕设用得极多，文档好查。
- UI 组件库： Element Plus (配合 Vue) 或 Ant Design。
- 这里面的表单组件、卡片、按钮可以直接拖过来用，不用自己写 CSS。
- 图表库： ECharts (百度开源的)。
- 必杀技： 它的柱状图、饼图、雷达图、热力图效果非常炫酷，支持动画，非常适合答辩演示。
- 后端接口： Python Flask 或 FastAPI。
- 写几个简单的 API 接口（
/api/predict,/api/feature_importance），前端调这些接口拿数据。
- 写几个简单的 API 接口（
答辩时的演示脚本
- 打开页面一： “大家请看，这是 700 多条数据的概览，我们发现周五的缺勤率最高...”
- 打开页面二： “通过随机森林算法，我们计算了各因素的影响权重，发现‘通勤距离’和‘工作负荷’是导致缺勤的两大主因...”
- 打开页面三： “为了验证模型实用性，我构建了这个预测模块。假设我们有一个 35 岁、住得很远、爱喝酒的员工，系统预测他可能会缺勤 8 小时，属于高风险...”
- 打开页面四： “最后通过聚类分析，我们将员工分为了三类，红色群体是‘高压高负荷’群体，建议HR重点关注...” 这样一套下来，你的前端不仅漂亮，而且逻辑紧扣题目，绝对是加分项！