Files

shenjianZ a39d8b2fd2 feat: 初始化员工缺勤分析系统项目

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

2026-03-08 14:48:26 +08:00

13 KiB

Raw Blame History

数据设计文档

基于多维特征挖掘的员工缺勤分析与预测系统

文档版本：V1.0
编写日期：2026年3月
编写人：张硕

1. 数据集概述

1.1 数据来源

项目	内容
数据集名称	Absenteeism at work
数据来源	UCI Machine Learning Repository
原始提供方	巴西某快递公司 (2007-2010年)
数据提供者	Andrea Martiniano, Ricardo Pinto Ferreira, Renato Jose Sassi
所属机构	Universidade Nove de Julho, Brazil

1.2 数据规模

项目	数值
记录总数	740条
特征数量	21个字段
员工数量	36人
时间跨度	2007年7月 - 2010年7月

1.3 数据质量

检查项	结果	说明
缺失值	无	数据完整无缺失
重复记录	无	无重复数据
异常值	需检查	部分字段可能存在异常值
数据一致性	良好	字段格式一致

2. 字段说明

2.1 字段完整列表

序号	字段名	中文名称	数据类型	取值范围	说明
1	ID	员工标识	int	1-36	唯一标识员工
2	Reason for absence	缺勤原因	int	0-28	ICD代码或非疾病原因
3	Month of absence	缺勤月份	int	1-12	月份
4	Day of the week	星期几	int	2-6	2=周一, 6=周五
5	Seasons	季节	int	1-4	1=夏, 4=春
6	Transportation expense	交通费用	int	118-388	月交通费用（雷亚尔）
7	Distance from Residence to Work	通勤距离	int	5-52	公里数
8	Service time	工龄	int	1-29	年数
9	Age	年龄	int	27-58	周岁
10	Work load Average/day	日均工作负荷	float	205-350	目标达成量/天
11	Hit target	达标率	int	81-100	百分比
12	Disciplinary failure	违纪记录	int	0-1	0=否, 1=是
13	Education	学历	int	1-4	1=高中, 4=博士
14	Son	子女数量	int	0-4	子女人数
15	Social drinker	饮酒习惯	int	0-1	0=否, 1=是
16	Social smoker	吸烟习惯	int	0-1	0=否, 1=是
17	Pet	宠物数量	int	0-8	宠物数量
18	Weight	体重	int	56-108	公斤
19	Height	身高	int	163-196	厘米
20	Body mass index	BMI指数	float	19-38	体重/身高²
21	Absenteeism time in hours	缺勤时长	int	0-120	目标变量（小时）

2.2 特征分类

2.2.1 类别型特征

字段名	类别数	类别说明
Reason for absence	29	0-28，ICD疾病代码或非疾病原因
Month of absence	12	1-12月
Day of the week	5	周一至周五
Seasons	4	夏秋冬春
Disciplinary failure	2	是/否
Education	4	高中/本科/研究生/博士
Social drinker	2	是/否
Social smoker	2	是/否

2.2.2 数值型特征

字段名	类型	范围	均值	标准差
Transportation expense	连续	118-388	221.3	69.1
Distance from Residence to Work	连续	5-52	29.6	14.8
Service time	连续	1-29	12.0	5.7
Age	连续	27-58	36.9	6.5
Work load Average/day	连续	205-350	270.7	37.1
Hit target	连续	81-100	94.6	4.0
Son	离散	0-4	1.0	1.1
Pet	离散	0-8	0.8	1.5
Weight	连续	56-108	79.0	12.4
Height	连续	163-196	172.9	6.0
Body mass index	连续	19-38	26.7	4.3
Absenteeism time in hours	连续	0-120	6.9	13.3

2.3 缺勤原因详细说明

2.3.1 ICD疾病分类（代码1-21）

代码	ICD分类	疾病类型
1	I	传染病和寄生虫病
2	II	肿瘤
3	III	血液及造血器官疾病
4	IV	内分泌、营养和代谢疾病
5	V	精神和行为障碍
6	VI	神经系统疾病
7	VII	眼及其附属器疾病
8	VIII	耳及乳突疾病
9	IX	循环系统疾病
10	X	呼吸系统疾病
11	XI	消化系统疾病
12	XII	皮肤和皮下组织疾病
13	XIII	肌肉骨骼系统和结缔组织疾病
14	XIV	泌尿生殖系统疾病
15	XV	妊娠、分娩和产褥期
16	XVI	围产期疾病
17	XVII	先天性畸形
18	XVIII	症状、体征异常发现
19	XIX	损伤、中毒
20	XX	外部原因导致的发病和死亡
21	XXI	影响健康状态的因素

2.3.2 非疾病原因（代码22-28）

代码	名称	说明
22	医疗随访	患者定期随访复查
23	医疗咨询	门诊就医咨询
24	献血	无偿献血活动
25	实验室检查	医学检验检查
26	无故缺勤	未经批准的缺勤
27	理疗	物理治疗康复
28	牙科咨询	口腔科就诊

2.3.3 特殊值

代码	说明
0	未知原因（数据中存在）

2.4 季节编码说明

代码	季节	月份范围（巴西）
1	夏季	12月-2月
2	秋季	3月-5月
3	冬季	6月-8月
4	春季	9月-11月

2.5 学历编码说明

代码	学历	说明
1	高中	高中及以下学历
2	本科	大学本科学历
3	研究生	硕士研究生
4	博士	博士研究生

3. 数据预处理

3.1 数据清洗

3.1.1 缺失值处理

数据集本身无缺失值，但在预处理过程中需确保：

检查步骤：
1. 统计每个字段的缺失值数量
2. 如发现缺失值，数值型用中位数填充，类别型用众数填充

3.1.2 异常值处理

字段	异常值判定标准	处理方式
Absenteeism time in hours	> 24小时（超过一天）	保留，但做标记
Work load Average/day	< 100 或 > 500	检查后决定保留或剔除
Age	< 18 或 > 65	检查数据有效性

3.1.3 数据类型转换

字段	原始类型	转换后类型	说明
ID	int	int	保持不变
Reason for absence	int	category	转为类别型
Month of absence	int	category	转为类别型
Day of the week	int	category	转为类别型
Seasons	int	category	转为类别型
Education	int	category	转为类别型
Disciplinary failure	int	category	转为类别型
Social drinker	int	category	转为类别型
Social smoker	int	category	转为类别型

3.2 特征编码

3.2.1 独热编码 (One-Hot Encoding)

对以下类别型特征进行独热编码：

字段	编码后特征数	说明
Reason for absence	29	每个原因一个二进制特征
Month of absence	12	每个月份一个二进制特征
Day of the week	5	每个星期一个二进制特征
Seasons	4	每个季节一个二进制特征
Education	4	每个学历一个二进制特征
Disciplinary failure	2	是/否两个特征
Social drinker	2	是/否两个特征
Social smoker	2	是/否两个特征

编码示例：

原始数据：Reason for absence = 23

编码后：
  Reason_0: 0
  Reason_1: 0
  ...
  Reason_23: 1
  ...
  Reason_28: 0

3.2.2 标准化处理 (StandardScaler)

对以下数值型特征进行标准化处理（均值为0，标准差为1）：

字段	标准化公式
Transportation expense	(x - μ) / σ
Distance from Residence to Work	(x - μ) / σ
Service time	(x - μ) / σ
Age	(x - μ) / σ
Work load Average/day	(x - μ) / σ
Hit target	(x - μ) / σ
Son	(x - μ) / σ
Pet	(x - μ) / σ
Weight	(x - μ) / σ
Height	(x - μ) / σ
Body mass index	(x - μ) / σ

3.3 特征工程

3.3.1 派生特征

可考虑创建以下派生特征：

派生特征	计算方式	说明
has_children	Son > 0	是否有子女（二分类）
has_pet	Pet > 0	是否有宠物（二分类）
age_group	年龄分组	青年/中年/老年
service_category	工龄分组	新员工/老员工
bmi_category	BMI分组	正常/超重/肥胖
workload_level	负荷等级	低/中/高

3.3.2 特征选择

基于特征重要性分析，选择对预测最有价值的特征：

优先级	特征	选择依据
高	Reason for absence	业务含义明确，影响直接
高	Transportation expense	特征重要性高
高	Distance from Residence to Work	特征重要性高
高	Service time	特征重要性高
高	Age	特征重要性高
中	Work load Average/day	有一定影响
中	Body mass index	有一定影响
中	Social drinker	群体差异明显
低	Pet	影响较小
低	Height	信息可由BMI代替

3.4 数据划分

3.4.1 训练集/测试集划分

数据集	比例	记录数	用途
训练集	80%	592条	模型训练
测试集	20%	148条	模型评估

3.4.2 划分方式

使用分层抽样，确保各缺勤原因在训练集和测试集中比例一致
随机种子固定（random_state=42），保证结果可复现

4. 数据存储方案

4.1 目录结构

backend/data/
├── raw/                                    # 原始数据
│   └── Absenteeism_at_work.csv            # UCI原始数据集
│
├── processed/                              # 处理后数据
│   ├── clean_data.csv                     # 清洗后的数据
│   ├── encoded_data.csv                   # 编码后的数据
│   ├── train_data.csv                     # 训练数据
│   └── test_data.csv                      # 测试数据
│
└── analysis/                               # 分析结果数据
    ├── statistics.json                    # 统计结果
    ├── correlation.json                   # 相关性矩阵
    └── feature_importance.json            # 特征重要性

4.2 模型存储

backend/models/
├── rf_model.pkl                           # 随机森林模型
├── xgb_model.pkl                          # XGBoost模型
├── kmeans_model.pkl                       # K-Means模型
├── scaler.pkl                             # StandardScaler对象
├── encoder.pkl                            # OneHotEncoder对象
└── model_info.json                        # 模型元信息

4.3 数据文件格式

4.3.1 CSV文件格式

分隔符：分号 (;)
编码：UTF-8
表头：第一行为字段名

4.3.2 JSON文件格式

{
  "created_at": "2026-03-01T10:00:00",
  "version": "1.0",
  "data": {
    // 具体数据内容
  }
}

5. 数据字典

5.1 原始数据字典

字段名	数据类型	是否为空	默认值	说明
ID	INTEGER	NOT NULL	-	员工唯一标识
Reason for absence	INTEGER	NOT NULL	-	缺勤原因代码
Month of absence	INTEGER	NOT NULL	-	月份(1-12)
Day of the week	INTEGER	NOT NULL	-	星期(2-6)
Seasons	INTEGER	NOT NULL	-	季节(1-4)
Transportation expense	INTEGER	NOT NULL	-	交通费用
Distance from Residence to Work	INTEGER	NOT NULL	-	通勤距离(km)
Service time	INTEGER	NOT NULL	-	工龄(年)
Age	INTEGER	NOT NULL	-	年龄
Work load Average/day	REAL	NOT NULL	-	日均工作负荷
Hit target	INTEGER	NOT NULL	-	达标率(%)
Disciplinary failure	INTEGER	NOT NULL	0	违纪记录(0/1)
Education	INTEGER	NOT NULL	-	学历(1-4)
Son	INTEGER	NOT NULL	0	子女数量
Social drinker	INTEGER	NOT NULL	0	饮酒习惯(0/1)
Social smoker	INTEGER	NOT NULL	0	吸烟习惯(0/1)
Pet	INTEGER	NOT NULL	0	宠物数量
Weight	INTEGER	NOT NULL	-	体重(kg)
Height	INTEGER	NOT NULL	-	身高(cm)
Body mass index	REAL	NOT NULL	-	BMI指数
Absenteeism time in hours	INTEGER	NOT NULL	-	缺勤时长(目标变量)

6. 附录

6.1 数据统计摘要

数据集基本信息：
- 记录数：740
- 特征数：21
- 员工数：36
- 缺勤总时长：5028小时
- 平均缺勤时长：6.9小时

缺勤原因TOP5：
1. 医疗咨询(23)：149次 (20.1%)
2. 牙科咨询(28)：112次 (15.1%)
3. 理疗(27)：94次 (12.7%)
4. 疾病咨询(22)：74次 (10.0%)
5. 消化系统疾病(11)：59次 (8.0%)

学历分布：
- 高中：633人 (85.5%)
- 本科：79人 (10.7%)
- 研究生及以上：28人 (3.8%)

生活习惯：
- 饮酒者：340人 (45.9%)
- 吸烟者：90人 (12.2%)

6.2 文档修改历史

版本	日期	修改人	修改内容
V1.0	2026-03	张硕	初始版本

文档结束

13 KiB Raw Blame History Unescape Escape

数据设计文档

基于多维特征挖掘的员工缺勤分析与预测系统

1. 数据集概述

1.1 数据来源

1.2 数据规模

1.3 数据质量

2. 字段说明

2.1 字段完整列表

2.2 特征分类

2.2.1 类别型特征

2.2.2 数值型特征

2.3 缺勤原因详细说明

2.3.1 ICD疾病分类（代码1-21）

2.3.2 非疾病原因（代码22-28）

2.3.3 特殊值

2.4 季节编码说明

2.5 学历编码说明

3. 数据预处理

3.1 数据清洗

3.1.1 缺失值处理

3.1.2 异常值处理

3.1.3 数据类型转换

3.2 特征编码

3.2.1 独热编码 (One-Hot Encoding)

3.2.2 标准化处理 (StandardScaler)

3.3 特征工程

3.3.1 派生特征

3.3.2 特征选择

3.4 数据划分

3.4.1 训练集/测试集划分

3.4.2 划分方式

4. 数据存储方案

4.1 目录结构

4.2 模型存储

4.3 数据文件格式

4.3.1 CSV文件格式

4.3.2 JSON文件格式

5. 数据字典

5.1 原始数据字典

6. 附录

6.1 数据统计摘要

6.2 文档修改历史

13 KiB

Raw Blame History