用matlab做数据可视化与分析：项目： 分析某门课程的学生成绩数据（如Excel导入），计算平均分、最高分、最低分、标准差、挂科率等；绘制直方图、饼图、箱线图展示分数分布；按班级/性别分组比较。

1. 数据准备：

   • 创建Excel文件（示例名：学生成绩.xlsx）

   • 包含列：学号、姓名、班级、性别、成绩

   • 支持中文列名（需与代码中变量名一致）

2. 执行流程：

   • 导入数据 → 数据清洗 → 整体统计 → 可视化分析

   • 自动生成8张分析图表

   • 控制台输出详细统计结果

3. 输出图表：

   • 成绩分布直方图（含正态拟合）

   • 及格率饼图

   • 班级箱线图对比

   • 班级平均分柱状图

   • 性别分组箱线图

   • 性别-成绩分布热力图

   • 班级&性别联合分析图

4. 统计指标：

   • 整体/分班/分性别：平均分、最高分、最低分、标准差

   • 整体/分班/分性别挂科率

   • 按班级分组详细统计表

扩展功能：

1. 异常值处理：代码已包含缺失值处理（填充0分）

2. 动态分组：支持任意班级数量和性别类型

3. 多维度分析：提供班级、性别单维度及交叉分析

4. 可视化增强：

   • 直方图+正态分布曲线

   • 带数据标签的柱状图

   • 小提琴图+散点图的组合展示

   • 热力图直观展示分布密度

以下是完整代码演示

%% 学生成绩分析系统
% 作者：MATLAB助手
% 日期：2025-03-01
% 功能：课程成绩统计分析及可视化

%% 步骤1：导入数据
data = readtable('学生成绩.xlsx'); % 替换为你的Excel文件名
disp('前5行数据预览:');
disp(head(data, 5));

%% 步骤2：数据清洗
% 处理缺失值（用0填充）
if any(ismissing(data.成绩))
    data.成绩 = fillmissing(data.成绩, 'constant', 0);
    disp('已处理成绩中的缺失值');
end

%% 步骤3：基础统计分析
fprintf('\n===== 整体成绩统计 =====\n');
avg_score = mean(data.成绩);
max_score = max(data.成绩);
min_score = min(data.成绩);
std_score = std(data.成绩);
fail_rate = mean(data.成绩 < 60) * 100; % 挂科率（60分以下）

fprintf('平均分: %.2f\n', avg_score);
fprintf('最高分: %d\n', max_score);
fprintf('最低分: %d\n', min_score);
fprintf('标准差: %.2f\n', std_score);
fprintf('挂科率: %.2f%%\n', fail_rate);

%% 步骤4：绘制直方图
figure('Name','成绩分布直方图','Position',[100 100 900 400])
subplot(1,2,1)
histogram(data.成绩, 'BinWidth',5, 'FaceColor','#2c7fb8')
title('成绩频率分布直方图')
xlabel('分数')
ylabel('学生人数')
grid on

% 添加正态分布曲线
hold on
x = linspace(min_score-10, max_score+10, 100);
y = normpdf(x, avg_score, std_score) * numel(data.成绩) * 5; % 5为组距
plot(x, y, 'LineWidth', 2, 'Color', '#d95f0e')
legend('实际分布', '正态拟合')
hold off

%% 步骤5：绘制饼图（及格率）
subplot(1,2,2)
pass_status = categorical(data.成绩 >= 60, [true false], {'及格', '不及格'});
pie(pass_status)
title('整体及格率分布')
colormap([0.2 0.8 0.3; 0.9 0.2 0.2])

%% 步骤6：按班级分组比较
figure('Name','班级成绩分析','Position',[100 100 1200 500])

% 班级箱线图
subplot(1,2,1)
boxplot(data.成绩, data.班级, 'Colors','k')
title('各班级成绩分布箱线图')
xlabel('班级')
ylabel('分数')
grid on

% 班级统计表
subplot(1,2,2)
[class_groups, class_ids] = findgroups(data.班级);
class_stats = splitapply(@(x) [mean(x), max(x), min(x), std(x), mean(x<60)*100],...
                         data.成绩, class_groups);
class_table = table(class_ids, class_stats(:,1), class_stats(:,2), class_stats(:,3),...
                 class_stats(:,4), class_stats(:,5),...
                 'VariableNames',{'班级','平均分','最高分','最低分','标准差','挂科率%'});
disp('===== 班级成绩统计 =====');
disp(class_table);

% 绘制班级平均分柱状图
figure('Name','班级平均分比较')
bar(class_table.班级, class_table.平均分, 'FaceColor',[0.3 0.6 0.9])
title('各班级平均分对比')
xlabel('班级')
ylabel('平均分')
grid on
hold on
% 在柱子上方显示数值
for i = 1:height(class_table)
    text(class_table.班级(i), class_table.平均分(i)+0.5,...
        sprintf('%.1f', class_table.平均分(i)),...
        'HorizontalAlignment','center')
end
hold off

%% 步骤7：按性别分组分析
figure('Name','性别成绩分析','Position',[100 100 800 600])

% 性别分组箱线图
subplot(2,1,1)
boxplot(data.成绩, data.性别)
title('性别成绩分布对比')
ylabel('分数')

% 性别分组统计
subplot(2,1,2)
gender_groups = findgroups(data.性别);
gender_stats = splitapply(@(x) [mean(x), std(x), mean(x<60)*100],...
                         data.成绩, gender_groups);
gender_labels = unique(data.性别);
gender_table = table(categorical(gender_labels), gender_stats(:,1),...
                   gender_stats(:,2), gender_stats(:,3),...
                   'VariableNames',{'性别','平均分','标准差','挂科率%'});
disp('===== 性别成绩统计 =====');
disp(gender_table);

% 绘制性别分组直方图对比
figure('Name','性别成绩分布对比')
histogram2(data.成绩, data.性别, 'DisplayStyle','tile','ShowEmptyBins','on')
title('性别-成绩分布热力图')
xlabel('分数')
ylabel('性别')
colorbar

%% 步骤8：综合分组分析（班级+性别）
figure('Name','班级性别交叉分析')
g = gramm('x',data.班级,'y',data.成绩,'color',data.性别);
g.geom_jitter('alpha',0.6);  % 散点图显示分布
g.geom_violin('dodge',0.7,'fill','transparent'); % 小提琴图
g.set_title('班级与性别联合分析');
g.set_names('x','班级','y','成绩','color','性别');
g.draw();