python学生成绩分析实验报告_用python对学生成绩进行预测

1、提出问题

影响学生考试成绩的因素有哪些？

2、理解数据

2、数据概况分析

2.1采集数据

该数据集来自kaggle，数据集包含了学生考试相关的17个变量。

https://www.kaggle.com/aljarah/xAPI-Edu-Data​www.kaggle.com

2.2导入数据

import pandas as pd
sp=pd.read_csv("xAPI-Edu-Data.csv") #导入数据

2.3查看数据集信息

#1.查看数据集大小
print("数据集大小",sp.shape)
#2.查看各字段数据类型，缺失值
print(sp.info())

数据集说明

• gender ——性别
• Nationality——国籍
• Placeofbirth——出生地
• StageID——教育阶段
• GradeID——年级
• SectionID——班级
• Topic—— 课程主题
• Semester- 学期
• Relation——谁对学生负责
• raisedhands——学生举手次数
• VisiTedResources- 学生访问课程次数
• AnnouncementsViewing——学生查看通知次数
• Discussion——学生参加讨论组的次数
• ParentAnsweringSurvey——家长回答是否由学校提供的调查
• ParentschoolSatisfaction —— 家长对学校的满意程度
• Student Absence Days——学生缺席的天数
• class——成绩

#观察数据统计描述
sp.describe() #仅对数值型数据进行统计

• 整体数据不存在缺失值。
• 类别型变量较多
• 数字型变量不存在较明显异常值。

3.单变量分析

3.1类别型变量

import matplotlib.pyplot as plt
%matplotlib inline
fig1 = plt.figure(facecolor='white',figsize=(16,10))
ax1=plt.subplot(2,3,1)
plt.pie(sp['gender'].value_counts(),labels=['M',"F"],autopct='%1.1f%%',startangle=0)
plt.axis('equal')
plt.title('性别分布情况')

ax1=plt.subplot(2,3,2)
plt.pie(sp['NationalITy'].value_counts(),labels=list(set(sp['NationalITy'].values.T.tolist()[:])),autopct='%1.1f%%',startangle=0)
plt.axis('equal')
plt.title('国籍分布情况')

ax1=plt.subplot(2,3,3)
plt.pie(sp['PlaceofBirth'].value_counts(),labels=list(set(sp['PlaceofBirth'].values.T.tolist()[:])),autopct='%1.1f%%',startangle=0)
plt.axis('equal')
plt.title('出生地分布情况')

ax1=plt.subplot(2,3,4)
plt.pie(sp['StageID'].value_counts(),labels=list(set(sp['StageID'].values.T.tolist()[:])),autopct='%1.1f%%',startangle=0)
plt.axis('equal')
plt.title('教育阶段分布情况')

ax1=plt.subplot(2,3,5)
plt.pie(sp['GradeID'].value_counts(),labels=list(set(sp['GradeID'].values.T.tolist()[:])),autopct='%1.1f%%',startangle=0)
plt.axis('equal')
plt.title('年级分布情况')

ax1=plt.subplot(2,3,6)
plt.pie(sp['SectionID'].value_counts(),labels=list(set(sp['SectionID'].values.T.tolist()[:])),autopct='%1.1f%%',startangle=0)
plt.axis('equal')
plt.title('班级分布情况')

• 学生中女生数量多于男生，学生的国籍、出生70%是埃及或叙利亚。学生来自高中最多，小学次之，初中最少。学生年级大多是4,、7、10年级，班级中A班和C班较多。
• 学科方面：学IT的学生人数最多，其次是法语，人数最少的是历史，学it的人数几乎是学历史的5倍左右。
• 学生负责人是妈妈比较多，超过60%的家长对学校满意
• 有60%的学生缺席次数不超过七天，学生成绩等级达到优秀的最多，中等次之。

3.2数值型变量

#看一下它们的分布
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
fig,axes=plt.subplots(2,2)
fig.set_size_inches(12,10)
sns.distplot(sp['raisedhands'],ax=axes[0,0])
sns.distplot(sp['VisITedResources'],ax=axes[0,1])
sns.distplot(sp['AnnouncementsView'],ax=axes[1,0])
sns.distplot(sp['Discussion'],ax=axes[1,1])
axes[0,0].set(xlabel='raisedhands')
axes[0,1].set(xlabel='VisITedResources')
axes[1,0].set(xlabel='AnnouncementsView')
axes[1,1].set(xlabel='Discussion')

• 学生举手次数和访问课程次数比较平均，有学生举手次数或访问课程次数达到100%，也存在学生从不举手或访问课程
• 大部分学生查看通知和参加讨论的次数较少。

4、多变量分析

4.1性别和成绩的相关性分析

sns.countplot(x='gender',hue='Class',order=['M','F'],hue_order=['L','M','H'],data=sp)

从图中看出男生中取得中等成绩的最多，其次是不及格的人数，成绩优秀的占比较小。而女生中大部分人取得中等及其以上，只有小部分人不及格，整体水平较好。

4.2了解学科和成绩的相关性

sns.set(rc={'figure.figsize':(20,10)})
sns.countplot(x='Topic',hue='Class',hue_order=['L','M','H'],data=sp)

从图中我们可以看出，对于12个学科，有11个学科都存在着部分同学处于不及格的状态，只有地质学这门课程学生全部达到中等及以上。对于IT这门课程，虽然学习的人数最多，但是大部分同学获得的成绩在中等及中等以下，只有少部分学生的成绩达到优秀，说明学生对于这门课程的掌握程度还有待于提升；学习历史的人数最少，但是成绩中等的学生最多，成绩优秀和成绩较差的学生相对较少。

4.3了解班级和成绩的相关性(SectionID：班级）

sns.countplot(x='SectionID',hue='Class',hue_order=['L','M','H'],data=sp)

从图上看，班级和成绩分布符合客观规律，每个班级都是中等成绩的人数最多。

4.3了解学生负责人和学生成绩的相关性

sns.countplot(x='Relation',hue='Class',hue_order=['L','M','H'],data=sp)

从图上看，学生负责人是母亲的学生学习成绩中优秀的多，中等次之，不及格少，而负责人是父亲的则相反。

5.学生成绩预测

5.1特征选择和查看相关洗漱

s=pd.get_dummies(sp)#把所有的非数值型变量转化为数值型
corrDf = s.corr() #计算各个特征的相关系数
corrDf

'''
查看各个特征与优秀成绩('Class_H')的相关系数，
ascending=False表示按降序排列
'''
corrDf['Class_H'].sort_values(ascending =False)

根据各个特征与优秀成绩（Class_H）的相关系数大小,我们可以看出除了变量GreadID,StageID,Semester,SectionID,PlaceofBirth等，大部分变量和优秀成绩之间有强烈的相关性，所以我们选择除去GreadID,StageID,Semester,SectionID,PlaceofBirth之外的变量，做为模型的特征输入。

x=sp.drop(['Class','StageID','GradeID','Semester','SectionID','PlaceofBirth'],axis=1)
y=sp['Class']
x=pd.get_dummies(x)#把所有的非数值型变量转化为数值型
x.head()

5.2选择测试数据集和训练数据集

from sklearn.cross_validation import train_test_split 
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import LabelEncoder
from sklearn.metrics import accuracy_score
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2,random_state=10)

5.3建立逻辑回归模型并检验准确性

#训练模型并检验准确率
lr=LogisticRegression()
lr.fit(x_train,y_train)
predict_y=lr.predict(x_test)
print('predict',predict_y)
score=accuracy_score(y_test,predict_y)
score

可以看出准确率为0.74左右