听说公司要裁员?我用 Python 连夜盘完了 850 条真实数据,发现了搞钱的终极秘密!

最近搞钱圈和技术圈的朋友都在焦虑一件事——各家大厂的“业务结构调整”。

各种小道消息满天飞，搞得人心惶惶。作为一名资深搬砖人，与其每天在职场社交 App 上刷焦虑，不如用我们最熟悉的武器——Python，来一场硬核的数据自救。

今天连夜用 Pandas 和 Seaborn 写了一套多维度深度分析系统，一口气输出了 14 张可视化图表。

当我把最终的 Dashboard 综合看板 渲染出来的那一刻，我惊呆了：原来职场上的“谁留谁走”、“谁拿的赔偿最多”，全在代码算计得明明白白！

先给大家看看我用 Python 一键生成的全景数据大盘，后面我们挨个拆解：

👆 图0：全维度裁员数据分析 Dashboard 综合看板

📊 部门与职级：谁是职场“高危人群”？

在运行完我们的清洗脚本后，控制台首先输出了核心洞察。这家公司，整体裁员率高达 28.5%！这意味着每 4 个人里就有 1 个人要“毕业”。

1. 部门生死劫：销售、客服、运营成了重灾区

通过横向柱状图和部门人数饼图，我们可以清晰地看到不同部门的命运：

👆 图1：各部门裁员率（销售、客服、运营高居前三）

👆 图2：公司整体员工的部门人数分布占比

销售部、客服部、运营部高居前三，裁员率惊人地逼近 35% - 45%！相比之下，财务部和人力资源（HR）的裁员率分别只有 10% 和 12%。

💡 洞察： 当寒冬来临，最先被优化的是重开销、可替代性强的“人海战术”部门；而作为企业底层运转支柱的财务和核心 HR，往往能撑到最后。

我们再嘴碎点，看看被裁员工里的性别构成，销售和运营的红点（男性/女性）几乎平分秋色：

👆 图3：各部门被裁员工的性别比例构成

2. 职级保护伞：P5 以上才是“免死金牌”？

在职级人数构成与裁员率双轴图里，揭示了一个血淋淋的现实：

👆 图4：不同职级的人数构成与对应的裁员率走势

• P1、P2 级别的基层员工，裁员率高达 45% 左右。
• 到了 P5、P6 级别，裁员率瞬间断崖式下跌到 10% 以下。
• P7 核心高管的裁员率仅有 3%。

这意味着，所谓的“成本优化”，优化的绝大多数都是底层的底层。

🔍 绩效 vs 薪资：到底什么样的“性价比”能活下来？

老板天天嘴上挂着“高绩效”，数据上真的是这样吗？我们用箱线图、小提琴图和散点图来一层层剥开真相：

👆 图5：留存与被裁员工在“绩效评分”和“月薪”上的箱线分布

👆 图6：工龄分布的密度曲线（留存 vs 被裁）

👆 图7：职级 × 薪资 × 是否被裁的三维小提琴图

通过分析工龄、职级和薪资的关系，我们发现：

• 留存员工的平均绩效评分明显高于被裁员工。 看来，绩效确实是一道免死及格线。
• 工龄越短，越容易被裁。 刚入职不到 1 年的新人（图6左侧高峰）成了第一波牺牲品。

更精准的逻辑在绩效-薪资散点图和数值特征热力图里展现得淋漓尽致：

👆 图10：绩效 vs 薪资散点图（颜色代表生死，大小代表薪资）

👆 图11：各数值特征的相关性热力图（看看谁和“是否被裁”负相关）

高薪酬 + 中等绩效 = 极度危险！ 在散点图中，“被裁”的红点大量聚集在薪资偏高但绩效处于 3.0 左右的中庸地带。

结论： 企业在裁员时，算的是一笔“性价比”账。如果你拿了远超当前职级平均线的盲目高薪，却只做出了普通的贡献，你就是表格里最扎眼的那个红点。

🗺️ 区域与时间：这场风暴是怎样蔓延的？

这场优化不是一天完成的，也不是一个城市在战斗：

👆 图8：各城市的员工总人数与对应裁员率

👆 图9：月度裁员人数的演变趋势曲线

北上深作为总部和核心研发基地，基数最大。而从月度趋势来看，这是一场有计划、按比例、拉长战线的“温水煮青蛙”式优化。

💰 终极秘密：谁才是拿走最多赔偿的“职场大赢家”？

被裁不一定是坏事，关键看手里的 N + X 够不够香。我用代码对所有被裁人员的“赔偿月数”和“裁员原因”进行了深度挖掘：

👆 图12：赔偿月数分布直方图与各部门累计赔偿总额

👆 图13：官方给出的裁员原因 Top 排行

结果非常有意思：

• 全公司累计赔偿月数最高的，居然是工程部！ 尽管工程部的裁员率没有销售和运营高，但由于程序员们基础底薪高、平均工龄长，导致工程部成了公司最头疼的“吞金兽”。
• 观察赔偿月数分布图，均值在 3.8 个月 左右。极少数工龄超过 6 年的老员工，直接拿走了将近 7-8 个月的巨额现金。

这就解释了为什么有些大龄程序员被裁时，不仅不难过，反而嘴里念叨着“感谢公司送来的大礼包，明年见！”。而官方给出的理由，超过 80% 都是冠冕堂皇的“业务调整”与“成本优化”。

🛠️ 硬核时刻：1 分钟跑通这套可视化系统！

不管你在 Windows、Mac 还是 Linux 服务器上跑，最怕的就是 Matplotlib 导出的图片中文全变成方块（乱码）。

我这次发出来的代码，特意加入了跨平台中文字体兜底链（SimHei ➔ 微软雅黑 ➔ 华文黑体 ➔ 文泉驿），并且通过将字体强制注入 Seaborn 样式，彻底解决了组合图和 Dashboard 中文失效的顽疾！

运行环境准备

pip install pandas matplotlib seaborn openpyxl

极简核心源码

你可以直接将公司的员工脱敏数据命名为 layoff_data.xlsx，放入 ./layoff_analysis/ 目录下，直接运行以下代码。它会自动在终端打印分析报告，并生成上述包含 Dashboard 在内的 14 张高清分析图。

数据是冰冷的，但它揭示的逻辑却热乎得烫手。面对充满变数的职场，这套 Python 代码告诉我们一个不变的职场生存法则：

1. 别当高薪低效的“显眼包”：保持自己的性价比和核心不可替代性。
2. 尽量往核心枢纽、底层支柱部门靠拢。
3. 如果大势不可逆，平时多攒工龄和硬实力：拿到属于你的合法赔偿，换个赛道，依然是一条好汉！

如果你觉得这篇分析和代码对你有用，欢迎点赞、在看、转发三连！需要案例测试 Excel 模板的同学，欢迎在评论区留言！获取 🚀

获取和交流

需要本章或其他文章的源码和数据的同学，关注+三连，在对应文章下留言，进行获取！想进群交流学习的，加群备注：IT小本本学习

为了能随时获取最新动态，大家可以动动小手将公众号添加到“星标⭐”哦，点赞 + 关注，用时不迷路！！！！

关注公众号：IT小本本 👇