-
Notifications
You must be signed in to change notification settings - Fork 0
/
personaPerugia.R
373 lines (294 loc) · 14.8 KB
/
personaPerugia.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
#lineas
# write.csv(con.historia, "OperDataclean.csv", row.names = F)
#
# g<- ggplot(data = datos%>%filter(sexo == "femenino", sueldo > 500, sueldo < 1400, year %in% c(2015,2016)),
# aes(x=sueldo, y=unmes, colour = year)) + geom_count(alpha = 0.5) +
# geom_smooth(confint = F) +
# xlab("Salary") +
# ylab("Femenine - Probability of stay one month") +
# ggtitle("WOMEN - Salary vs probability of staying one month at work")
#
# g<- ggplot(data = datos%>%filter(sexo == "masculino"), aes(x=sueldo, y=unmes)) + geom_count(alpha = 0.5) +
# geom_smooth() +
# xlab("Salary") +
# ylab("Femenine - Probability of stay one month") +
# ggtitle("WOMEN - Salary vs probability of staying one month at work")
historic <- function(yearinicial = 2010, yearfinal = 2017){
require(dplyr)
require(tidyr)
#detach(package:plyr)
#agregar historial
classes <- c(NUM = "factor", DSDNUM = "factor", NOMBRE = "character", DEPTO = "factor",
FECHA = "character", MVTO = "factor", FMOVIM = "character", ADSDNUM = "factor",
ADEPTO = "factor")
historial.raw <- read.csv("historial.csv", colClasses = classes,
na.strings = c(" - -","","<NA>","NA NA"),
stringsAsFactors = F)
#quitar primer renglon
historial.raw <- historial.raw[-1,]
historial.raw$FECHA = as.Date(historial.raw$FECHA, "%d/%m/%Y")
historial.raw$FMOVIM = as.Date(historial.raw$FMOVIM, "%d/%m/%Y")
#renombrar movimientos A-alta, B-baja, C-cambio, R-reingreso
mov.tipo <- data.frame("MVTO" = c("A","B","C","R"), "MOV.TIPO" = c("ALTA","BAJA","CAMBIO","ALTA"))
historial.raw <- merge(historial.raw, mov.tipo, by = "MVTO")
historial.raw <<- historial.raw[year(historial.raw$FECHA) >= yearinicial & year(historial.raw$FECHA) <= yearfinal,]%>%
arrange(FECHA)
#CAMBIOS EN EL STATUS DE LA PERSONA EN EL TIEMPO
cambios <- historial.raw%>%
filter(MOV.TIPO == "CAMBIO", SUELDO >0)%>%
group_by(NUM)%>%
summarise("cambios.depto" = n_distinct(DEPTO)-1,
"reingresos" = n(),
"cambios.sueldo" = n_distinct(SUELDO)-1,
"sueldo.min" = min(SUELDO), "sueldo.max" = max(SUELDO),
"aumento" = sueldo.max - sueldo.min,
"dias.para.aumento" = ifelse(aumento >0, max(FECHA) - min(FECHA), 0))
#dias entre su cambio y su baja (positivos es que salio despues de un cambio)
cambio.salidas <- historial.raw%>%
filter(MOV.TIPO %in% c("CAMBIO","BAJA"))%>%
group_by(NUM, MOV.TIPO)%>%
summarise("FECHA" = max(FECHA))%>%
spread(MOV.TIPO, FECHA)%>%
mutate("dias.salio.cambio" = BAJA-CAMBIO,
"salio.por.cambio" = ifelse(dias.salio.cambio >= 0 & dias.salio.cambio <=15,1,0))%>%
select(NUM, dias.salio.cambio, salio.por.cambio)
cambio <<- merge(cambios, cambio.salidas, by="NUM", all.x = TRUE)
#agregar a BD general los cambios durante su estancia, sueldo, puestos, deptos
con.historia <- merge(personal.produccion, cambio, by = "NUM", all.x = TRUE)
#corregir NA por sueldcon.historia actual en sueldo.max y sueldo.min
con.historia$sueldo.max.fit <- ifelse(is.na(con.historia$sueldo.max),
con.historia$sueldo,
con.historia$sueldo.max)
con.historia$sueldo.min.fit <- ifelse(is.na(con.historia$sueldo.min),
con.historia$sueldo,
con.historia$sueldo.min)
#aumentos, cambios de depto, etc que son NA se convienten en cero
con.historia[, 16:22][is.na(con.historia[, 16:22])] <- 0
con.historia[, 25:26][is.na(con.historia[, 25:26])] <- 0
#corregir nombre de puestos preliminares y pespuntadores A,B,C
puestos <- read.csv("puestos.csv")
con.historia <<- merge(con.historia, puestos, by = "puesto", all.x = TRUE)
}
explore.hist <- function(){
library(tidyr)
#dias trabajo promedio (NO PUDE RESOLVERLO)
# a<- historial.raw%>%
# filter(MOV.TIPO != "CAMBIO")%>%
# group_by(NUM, MOV.TIPO)%>%
# select(NUM, MOV.TIPO,FECHA)%>%
# arrange(NUM,FECHA,MOV.TIPO)
}
limpia.general <- function(){
library(lubridate)
library(dplyr)
library(Amelia)
classes <- c(primer_nom = "character", segdo_nom = "character", ap_paterno = "character",
ap_materno = "character", telefono = "character", fingreso = "character",
fnacido = "character", fbaja = "character",dsdnum = "factor")
personal <- read.csv("personal.csv", colClasses = classes,
na.strings = c(" - -","","<NA>","NA NA"))
missmap(personal,main = "Datos faltantes", col = c("yellow","gray"))
#character to dates
personal$fingreso = as.Date(personal$fingreso, "%d/%m/%Y")
personal$fnacido = as.Date(personal$fnacido, "%d/%m/%Y")
personal$fbaja = as.Date(personal$fbaja, "%d/%m/%Y")
#corregir fecha baja del num 11340, unico error
personal$fbaja[personal$num == 11340] <- "2015-11-10"
personal$motivo = paste(personal$motivo1, personal$motivo2)
personal <- personal
#corregir fecha de ingreso con numero de empleado
ingresos <- personal[,c(4,20)]
#cambiar fecha a numero y eliminar nas
ingresos <- ingresos[!is.na(ingresos$fingreso),]
ingresos$datenum <- as.numeric(ingresos$fingreso)
#elimina outliers de màs de 2 sigma, en residuals
fit <- lm(data = ingresos, datenum~num)
ingresos$res <- fit$residuals
sd2 <- sd(fit$residuals)*1
ingresos$outlier <- ifelse(abs(ingresos$res)>sd2,1,0)
#añade las fechas fitted y limpia las que existen correctas
fit <- lm(data = ingresos[ingresos$outlier == 0,], datenum~num)
newy <- data.frame("num" = personal$num)
personal$fitted <- round(predict(fit, newdata = newy))
personal$fingresofitted <- as.Date(ifelse(is.na(personal$fingreso),
personal$fitted, personal$fingreso),
origin = "1970-01-01")
#calcula antiguedad al dia de hoy si aún trabajan
personal$antiguedad <- ifelse(personal$estatus == "Alta",
max(personal$fingresofitted) - personal$fingresofitted,
personal$fbaja - personal$fingresofitted)
personal <- select(personal, -fitted)
#sin fecha de naciimiento, edad = NA, no cero
personal$edad[personal$edad == 0] <- NA
personal$antiguedad[personal$antiguedad < 0] <- 0
personal.raw <<- personal%>%arrange(num)
#calcula fecha de ingreso con su numero de empleado, pues es consecutivo
#a partir del num 8021, los registros se normalizan, se hacer un primer intento con esto
# equivale al 2012 para acá
personal <- personal.raw[personal.raw$num>8021,]
#personal <- personal.raw
deptogral <- read.csv("filtro_deptos.csv")
personal <- merge(personal, deptogral, by = "subdepto")
personal <- personal%>%
mutate("edad.fit" = ifelse(!is.na(edad), ceiling(edad),
ceiling(floor(mean(personal$edad, na.rm = T)))),
"rango.edad" = ceiling(edad.fit/10),
"meses.antiguedad" = floor(antiguedad/30),
"edo.civil.fit" = ifelse(!is.na(edo_civil),edo_civil,
ifelse(rango.edad < 3, 3 , 1)))
personal[is.na(personal$estudios),]$estudios <- "Ninguno"
personal[is.na(personal$sexo),]$sexo <- "masculino"
deptogral <- read.csv("grupo_puestos.csv")
personal <- merge(personal, deptogral, by = "puesto")
#CORREGIR LEON MAL ESCRITO
personal$municipio <- as.factor(ifelse(personal$municipio %in% c("LEOH","LON","LEN","EON","LEO","L","NA"),
paste("LEON"),paste(personal$municipio)))
clean <<- personal
#solo produccion
personal.produccion <<- personal%>%
filter(depto == "PRODUCCION")%>%
select("NUM" = num, antiguedad, depto.group, sexo, municipio, edo.civil.fit,
sueldo, puesto, edad.fit, estudios, "ingreso" = fingresofitted,
rango.edad, meses.antiguedad, grupo.puesto, nivel.critico)
missmap(personal.produccion,main = "Faltantes despues de limpiar", col = c("yellow","gray"))
}
learning <- function(duracion = 3, prob.level = 0.7, boost = FALSE, fecha.inicio = "2016-01-01",
fecha.fin = "2016-12-31"){
library(caret)
set.seed(888)
#agregar a BD general los cambios durante su estancia, sueldo, puestos, deptos
for.fit <- con.historia %>%
filter(ingreso >= fecha.inicio & ingreso <= fecha.fin)
#probabilidad que duren mas de "duracion" meses
for.fit$year.ingreso <- as.factor(year(for.fit$ingreso))
for.fit$mes.ingreso <- month(for.fit$ingreso)
for.fit$output <- as.factor(ifelse(for.fit$meses.antiguedad>=duracion,1,0))
clean.data <<- for.fit%>%
select(-c(ingreso, puesto, nivel.critico, meses.antiguedad, municipio,
grupo.puesto, NUM, antiguedad, year.ingreso, aumento, estudios,
depto.group, puesto.fit, sueldo.min, sueldo.max))
#reorder, output first
clean.data <- clean.data[,c(ncol(clean.data), 1:ncol(clean.data)-1)]
inTrain <- createDataPartition(clean.data$output, p=0.75, list = F)
dtrain <<- clean.data[inTrain,]
dtest <<- clean.data[-inTrain,]
glm.model <<- glm(output~.-1, family = "binomial", data = dtrain)
message("GLM")
pred.glm <<- predict(glm.model, dtest, type = "response")
pred.fac.glm <- ifelse(pred.glm>=prob.level,1,0)
print(summary(glm.model))
print(confusionMatrix(pred.fac.glm, dtest$output))
if (boost){
#tunning gradient boost
gbmGrid <- expand.grid(interaction.depth = c(1, 5),
n.trees = (1:10)*50,
shrinkage = 0.1,
n.minobsinnode = c(1,5))
#result - interaction depth = 1, n.tress=150, shrinkage = 0.1 and nminsbox =20
fitControl <- trainControl(## 10-fold CV
method = "repeatedcv",
number = 10,
## repeated ten times
repeats = 10)
boost.model <<- train(output~., method = "gbm", data = dtrain,
trControl = fitControl ,verbose = FALSE,
tuneGrid = gbmGrid)
message("BOOST")
pred.boost <<- predict(boost.model, dtest, type = "prob")
pred.fac.boost <- ifelse(pred.boost[,2]>=prob.level,1,0)
print(summary(boost.model))
print(confusionMatrix(pred.fac.boost, dtest$output))
}
}
probabilidadporsueldo <- function(duracion = 6){
require(ggplot2)
#probabilidad que duren mas de x meses
lmpersonal$seismeses <- ifelse(lmpersonal$meses.antiguedad>=duracion,1,0)
lmpersonal$year <- year(lmpersonal$ingreso)
lmpersonal <<- lmpersonal
#porcentaje de gente que cumplio 6 meses
graficos <<- lmpersonal%>%
group_by(year, sueldo, sexo,seismeses)%>%
summarise(n=n())%>%
mutate(freq = n/sum(n))
View(graficos)
ggplot(data = graficos)
#modelo
fit <- glm(seismeses~sueldo+factor(sexo), data = lmpersonal, family = "binomial")
#plot
dsexo = c("masculino","femenino")
par(mfrow = c(1,2))
for (i in dsexo){
xsueldos <<- seq(800,2000,1)
data <- data.frame(sueldo = xsueldos, sexo = i)
yfit <- predict(fit, newdata = data,
type = "response",
confidence = "interval")
plot(yfit~xsueldos, pch = 16, main = i)
}
par(mfrow = c(1,1))
}
palabrascomunes <- function(){
require(c(tm,SnowballC))
palabras = NULL
years <- c(2012:2016)
for (i in years){
motivos <- personal.raw[year(personal.raw$fingresofitted)== i,]$motivo
write.csv(motivos, "motivos.csv", row.names = FALSE)
text <- readLines("motivos.csv")
docs <- Corpus(VectorSource(text))
toSpace <- content_transformer(function (x , pattern ) gsub(pattern, " ", x))
docs <- tm_map(docs, toSpace, "/")
docs <- tm_map(docs, toSpace, "@")
docs <- tm_map(docs, toSpace, "\\|")
# Convert the text to lower case
docs <- tm_map(docs, content_transformer(tolower))
# Remove numbers
docs <- tm_map(docs, removeNumbers)
# Remove spanish common stopwords
docs <- tm_map(docs, removeWords, stopwords("spanish"))
# Remove your own stop word
# specify your stopwords as a character vector
docs <- tm_map(docs, removeWords, c("NA", "mas", "trabajo"))
# Remove punctuations
docs <- tm_map(docs, removePunctuation)
# Eliminate extra white spaces
docs <- tm_map(docs, stripWhitespace)
# Text stemming (quita ing, ed, en inglés, en español causa problemas)
#docs <- tm_map(docs, stemDocument)
dtm <- TermDocumentMatrix(docs)
m <- as.matrix(dtm)
v <- sort(rowSums(m),decreasing=TRUE)
d <- data.frame(year = i, razon = names(v), freq=v)
palabras <- rbind(palabras, head(d, 50))
}
print(palabras)
palabras <<- palabras
}
exploratory <- function(){
#hasta 24 meses
meses.personal <- filter(lmpersonal, meses.antiguedad <=1)
a2016 <<- lmpersonal[year(lmpersonal$ingreso) == "2016",]
#altas y bajas por semana
}
grafica <- function(datos = lmpersonal,
outcome = "meses.antiguedad",
predictor = "sexo",
gr = "points"){
a <- datos
colNums <- match(outcome,names(a))
y= a[,colNums]
colNums <- match(predictor,names(a))
x= a[,colNums]
fit <- lm(data = a, y~x-1)
print(summary(fit))
if (gr == "points"){
ggplot(data = a, aes(x=x, y=y, colour = "red", alpha = 0.2)) +
geom_point() + geom_smooth(method = "lm", colour = "navy") +
xlab(predictor) + ylab(outcome)
} else {
ggplot(data = a, aes(x=factor(x), y=y, fill = predictor)) +
geom_boxplot() + facet_grid(~year) +
xlab(predictor) + ylab(outcome)
}
}