多维因素与学生辍学风险预测附录

🌟欢迎来到 我的博客 —— 探索技术的无限可能！

🌟博客的简介（文章目录）

---

多维因素与学生辍学风险预测：文章内容
多维因素与学生辍学风险预测附录：附录

---

附录

整理

在构建数据模型时，我们可以引入以下标签进行相关性分析和预测：

（将学业状态，是否为奖学金，学业成绩获得者作为标签，进行相关性分析与预测。）

1. 学业状态：这一标签反映了学生的当前教育阶段，如是否在校、休学、毕业等。通过分析这一标签与其他变量的关系，我们可以识别可能导致学生辍学的风险因素，从而提前采取干预措施，如提供辅导和心理支持，以降低辍学率。

2. 奖学金获得者：这一标签指示学生是否获得奖学金。通过分析这一标签与其他变量的关系，我们可以发掘影响学生获得奖学金的因素，如学业成绩、家庭经济状况等，从而为优化奖学金分配政策提供依据。

3. 学业成绩：这一标签反映了学生的学术表现。通过分析这一标签与其他变量的关系，我们可以发掘影响学生学业成绩的因素，如学习习惯、教育资源等，从而制定针对性的教育策略，提高学生的学习成绩。

同时，我们还可以引入地区社会因素作为标签进行分析：

（同一地区失业率、通货膨胀率、国内生产总值(GDP)相同，从而得到学生所处地区与情况）

4. 地区失业率：这一标签反映了学生所在地区的就业市场状况。通过分析这一标签与学生学业状态、成绩等的关系，我们可以评估不同地区社会因素对居民的影响，从而帮助社会机构制定有针对性的教育、就业支持政策。

5. 通货膨胀率：这一标签反映了学生所在地区的经济稳定性。通过分析这一标签与学生学业状态、成绩等的关系，我们可以评估经济因素对学生学业和生活的影响，从而为政府和社会机构提供决策依据。

6. 国内生产总值(GDP)：这一标签反映了学生所在地区的经济发展水平。通过分析这一标签与学生学业状态、成绩等的关系，我们可以评估经济发展水平对学生学业和生活的影响，从而为政府和社会机构提供决策依据。

总结：

• 识别学生辍学的风险因素：提前去进行指导教育，降低辍学率
• 发掘影响成绩的因素：对症下药，提高学习成绩
• 不同地区社会因素对居民的影响：帮助为政府、教育机构和社会组织提供有针对性的政策建议和支持措施。

---

一. 准备工作与数据预处理

1.1 数据查看

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
from pyecharts.charts import * 
from pyecharts import options as opts

df = pd.read_csv('dataset.csv')

print('去重前：',df.shape[0],'行数据')
print('去重后：',df.drop_duplicates().shape[0],'行数据')

df.head()

df.info()

1.2 特征处理

1.2.1 学业状态映射

df['学业状态'].unique()

df['学业状态'].value_counts()

df['学业状态_num'] = df['学业状态'].map({
   '辍学':0,'已入学':1,'毕业':2})

df['学业状态_num'].value_counts()

1.2.2 所在地区提取

df[['该地区失业率','该地区通货膨胀率','该地区国内生产总值']].drop_duplicates().sort_values(by=['该地区国内生产总值']) 

df['该地区国内生产总值'].value_counts()

df['local'] = df['该地区国内生产总值'].map({
   -4.06:0 , -3.12: 1 , -1.70: 2 , -0.92: 3
                                   , 0.32 : 4 , 0.79 :5  , 1.74: 6 , 1.79 : 7 , 2.02: 8 , 3.51: 9 })

df['local'].value_counts()

二. 探索性数据分析

2.1 目标学生基本信息调研（国籍+性别+婚姻+流浪+债务）

guoji = df[['性别','国籍']].groupby(['国籍']).count().sort_values(by=['性别'],ascending=False)
x1 = list(guoji.index)
y1 = guoji['性别'].tolist()
chart0 = Bar(init_opts=opts.InitOpts(width='1000px',height='400px',theme='macarons'))
chart0.add_xaxis(x1)
chart0.add_yaxis('', y1,
                     itemstyle_opts={
   'barBorderRadius':[60, 60, 20, 20]})
chart0.set_global_opts(
                    legend_opts=opts.LegendOpts(pos_right='10%',pos_top='2%'),
                     title_opts=opts.TitleOpts(title="学生国籍分布图",pos_left='40%'))
chart0.render_notebook()

df['国际学生'].value_counts()

4314/4424

df['性别'].value_counts()

df['婚姻状况'].value_counts()

#饼图
df_pair_sex = [['0', 2868], ['1', 1556]]
df_pair_marry = [['2',379],['3',4],['4',91],['5',25],['6',6],['1',3919],]
chart1 = Pie(init_opts=opts.InitOpts(width='1000px',height='300px',theme='macarons' ))
chart1.add('学生性别构成', df_pair_sex,radius=['40%', '70%'],rosetype='radius',center=['25%', '50%'],
          label_opts=opts.LabelOpts(is_show=True ,formatter = '性别 {b}：{c}人，占{d}%'))
chart1.add('学生婚姻情况构成', df_pair_marry,radius=['40%', '70%'],center=['70%', '50%'],
          label_opts=opts.LabelOpts(is_show=True ,formatter = '婚姻状况 {b}：{c}人，占{d}%'))
chart1.set_global_opts(legend_opts=opts.LegendOpts(is_show=False,pos_right='0%',orient='vertical'),
                     title_opts=opts.TitleOpts(title="学生性别分布                                         学生婚姻情况构成",pos_left='22%'))
chart1.render_notebook() #显示

df['是否流离失所'].value_counts()

df['是否为债务人'].value_counts()

#饼图
df_pair_home = [['0', 2426], ['1', 1998]]
df_pair_debt = [['2',3921],['3',503]]
chart2 = Pie(init_opts=opts.InitOpts(width='900px',height='300px',theme='macarons' ))
chart2.add('学生是否流离失所'