### 使用Python分析和统计员工下班时间段的分布 为了实现这一目标，可以采用Pandas库来处理数据并利用Matplotlib或Seaborn来进行可视化展示。假设有一个CSV文件包含了每位员工每天的打卡记录，其中包括上班时间和下班时间。 #### 数据准备 首先加载必要的库并将数据读入到DataFrame中： ```python import pandas as pd from datetime import timedelta, datetime import matplotlib.pyplot as plt import seaborn as sns sns.set_theme(style="darkgrid") # 假设 'data.csv' 文件存在，并且有两列分别为 'employee_id', 'off_time' df = pd.read_csv('data.csv') ``` #### 处理日期时间格式 确保`off_time`被转换成datetime对象以便后续操作： ```python df['off_time'] = pd.to_datetime(df['off_time']) ``` #### 提取小时部分用于分组 创建一个新的列仅保留下班时刻的时间信息（即去除日期），这有助于按具体的小时间隔进行聚合分析： ```python df['hour_of_day'] = df['off_time'].dt.hour + df['off_time'].dt.minute / 60. ``` #### 统计各小时内的人数比例 通过groupby函数计算每个小时区间内的离岗人数频率： ```python distribution = df.groupby(['hour_of_day']).size().reset_index(name='counts') # 计算百分比 total_counts = distribution['counts'].sum() distribution['percentage'] = (distribution['counts']/total_counts)*100 ``` #### 可视化结果 绘制条形图或者折线图直观显示不同时间段内人员离开的数量变化趋势： ```python plt.figure(figsize=(10,6)) ax = sns.barplot(x=distribution.index, y="percentage", data=distribution) for index, row in distribution.iterrows(): ax.text(index,row.percentage,f"{row.percentage:.2f}%", color='black', ha="center") plt.title('Distribution of Employee Off-Duty Times During the Day') plt.xlabel('Hour of Day') plt.ylabel('Percentage (%)') plt.show() ``` 上述过程展示了如何使用Python中的pandas和其他工具包完成对员工下班时段的数据收集、预处理以及最终的结果呈现工作[^1]。