用Python给成绩单配上柱状分布图和正态分布检验

运用Python 数据分析工具分析学生成绩(D:\成绩表.xlsx，工作簿中有两门课程，见图1)，表中含：学号、姓名、平时成绩、期末成绩、总评，请按“总评”进行分段统计，求平均值、均方差、成绩分段分布，单样本KS正态分布检验(置信度5%，双侧)。统计结果插入原文档，实现学生成绩的自动分析。

成绩分段：0~59为“不及格”，60~69为“及格，70~79为“中等”，80~89为“良好”，90~100为“优秀”。统计各段成绩人数和占比。

 图1 D:\成绩表.xlsx结构，有《现代计算机网络》、《VB程序设计》两门课

一、处理Excel表和数据分析工具

要用Python对Excel表进行编辑要用到第三方库，常用的库有：

2010版本以下的Excel(*.xls)：一般用xlrd读取，xlwt编辑，xlutils复制，三库联用。

2010版本及以上版本Excel(*.xlsx)，可用openpyxl 读取及编辑。

PanDas、SciPy、NumPy等一般用于数据分析。

二、openpyxl模块的基本应用

1.安装

(1) 在Windows命令行提示下执行：

pip install openpyxl

(2) 在PyCharm中找到interpreter点击右上角的“+”，输入openpyxl，然后点击install package按钮即可。

2.openpyxl模块

openpyxl模块的三大组件：1)工作簿，2)工作表，3)单元格。

(1) 加载本地已存在的工作簿

exl = openpyxl.load_workbook(filename)

exl为workbook对象

(2) 获取工作表

exl_sht = exl[工作表名]

exl_sht为worksheet对象，从workbook对象exl中获取由工作表名指定的工作表。

(3) 获取单元格

escel = exl_sht.cell(row, column)

escel为cell对象，exl_sht为worksheet对象，row为行号，column为列号。

三、Python的NumPy、PanDas、SciPy

NumPy：N维数组容器，基础的数学计算模块，以矩阵为主，纯数学。

PanDas：表格容器，提供了名为Series的一维数据结构和名为DataFrame的二维数据结构，适合统计分析的表结构，可做数据分析。

SciPy：科学计算函数库，它基于NumPy，提供方法直接计算结构，封装了一些高阶抽象和物理模型。

四、PanDas简介

PanDas的名称来自于面板数据(panel data)和Python数据分析(data analysis)。PanDas 是一个开源的第三方Python库，从NumPy和Matplotlib的基础上构建而来，享有数据分析“三剑客之一”的盛名(NumPy、Matplotlib、PanDas)。PanDas已经成为Python数据分析的必备高级工具，它的目标是成为强大、灵活、可以支持任何编程语言的数据分析工具。

一般情况下，用下面语句导pandas模块：

import pandas as pd

将pandas简写成pd几乎成了一种不成文的规定。因此，只要读者看到pd就应该联想到这是pandas。

pandas中的两个主要数据结构：Series和DataFrame。

(1) Series

Series用于处理一维数据，是一维列数据。

(2) DataFrame

DataFrame 用于处理二维数据，每一列都是一个Series。

这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数典型用例。首先，来看一下 Series。

l Series

Series是一种类似于NumPy中一维数组的对象，它由一组任意类型的数据以及一组与之相关的数据标签(即索引)组成。举个最简单的例子：

import pandas as pd

print(pd.Series([1,3,5,7,9]))

上面的代码将打印出如图2所示的内容：

图2 Series结构 

图2中，左边的是数据的索引，默认从 0 开始依次递增。右边是对应的数据，最后一行表明了数据类型。

可以用字典同时创建带有自定义数据索引的数据，pandas会自动把字典的键作为数据索引，字典的值作为相对应的数据。

import pandas as pd

print(pd.Series({'a':1,'b':3,'c':5,'d':7,'e':9}))

运行结果如3所示：

 

图3 Series结构自定义索引

访问Series中的数据的方式，和Python中访问列表和字典元素的方式类似，也是使用中括号加索引(键)的方式来获取数据。

l DataFrame

Series是一维数据，而DataFrame是二维数据。可以把DataFrame想象成一张二维表格，表格有行和列这两个维度，所以是二维数据。

DataFrame的每一列都是一个 Series。

创建DataFrame对象的语法格式：

df = pd.DataFrame(data, index, columns, dtype, copy)

其中：data为数据，支持列表，字典，numpy数组，Series对象等；index为行索引；columns为列索引；dtype为每一列数据的数据类型。

因为表格中有中文，中文占用的字符和英文、数字占用的字符宽度不同，因此需要调用pd.set_option()使表格对齐显示。如果你是使用Jupyter来运行代码的，Jupyter会自动渲染出一个表格，则无需这个设置。

构建DataFrame的办法有很多，最常用的一种是传入一个由等长列表组成的字典。即字典中每个值都是列表，且它们的长度必须相等。

这样就得到了一张表格，字典的键会作为表格的列名(列索引)。最左边的是行索引，如果没有指定，默认从0开始依次增加。当然，可以在构建 DataFrame 的时候指定index参数来自定义行索引。

例如：

 

短小的表格数据可直接写在函数中，比较大的表格数据先存放到变量data中，然后再将变量data放在函数中。可以通过index参数定义DataFrame行索引，用columns参数定义DataFrame列索引。上面代码的运行结果如图4所示(红色文字、箭头和矩形框是为帮助理解作者添加的)：

  

图4 DataFrame结构两种定义方式

其他操作详见程序中的注释，完整程序如下：

 

运行结果如图5、图6所示，实现了对成绩数据的自动分析。

图5 《现代计算机网络》成绩单中添加柱状图及分布信息效果(可对照图1) 

 

图6 《VB程序设计》成绩单中添加柱状图及分布信息效果(可对照图1)