学生考试成绩可视化分析

【实验内容】

1. 分析学生考试成绩特征的分布与分散情况
2. 分析学生考试成绩与各个特征之间的关系

【实验目的】

（1）掌握pyplot的基础语法。

（2）掌握子图的绘制方法。

（3）掌握饼图的绘制方法。

（4）掌握箱线图的绘制方法。

（5）掌握折线图的绘制方法。

（6）掌握柱形图的绘制方法。

（7）掌握NumPy库中相关函数的使用方法。

【实验技术/工具清单】

集成开发工具：Anaconda3、PyCharm、Jupyter

第三方模块：Numpy、Pandas、Matplotlib、Seaborn

【实验原理/思路】

      实训1：分析学生考试成绩特征的分布与分散情况（分别使用matplotlib和searborn实现）

      在期末考试后，学校对学生的期末考试成绩及其他特征信息进行了统计，并存为学生成绩特征关系表（student＿grade．npz）。学生成绩特征关系表共有8个特征，分别为性别、父母教育水平、自我效能感、考试课程准备情况、数学成绩、阅读成绩、写作成绩和总成绩，其部分数据如表1所示（数据保存在npz文件中，需要通过numpy读取数据，并创建DataFrame数据结构，从而进行数据可视化练习）。为了解学生考试总成绩的分布情况，将总成绩按0～150、150～200、200～250、250～300区间划分为“不及格”“及格”“良好”“优秀”4个等级，通过绘制饼图查看各区间学生人数比例，并通过绘制箱线图查看学生3项单科成绩的分散情况。

表1 学生成绩特征关系表部分数据

        实训2：分析学生考试成绩与各个特征之间的关系（分别使用matplotlib和searborn实现）

        为了了解学生父母教育水平、自我效能感、考试课程准备情况这3个特征与总成绩之间是否存在某些关系，基于实训1的数据，对这3个特征下不同值所对应的学生总成绩求平均值，绘制折线图查看父母教育水平与总成绩的关系，绘制柱形图分别查看自我效能感、考试课程准备情况与总成绩的关系，并对结果进行分析。

【实验步骤】

1.分析学生考试成绩特征的分布与分散情况

（1）使用NumPy库读取学生考试成绩数据。

（2）将学生考试总成绩分为4个区间，计算各区间下的学生人数，绘制学生考试总成绩分布饼图。

（3）提取学生3项单科成绩的数据，绘制学生各项考试成绩分散情况箱线图。

（4）分析学生考试总成绩的分布情况和3项单科成绩的分散情况。

2. 分析学生考试成绩与各个特征之间的关系

（1）创建画布，并添加子图。

（2）使用NumPy库中的均值函数求学生父母教育水平、自我效能感、考试课程准备情况3个特征下对应学生总成绩的平均数。

（3）在子图上绘制对应的折线图或柱形图。

（4）分析3个特征与考试总成绩的关系。

【实验记录与结果分析】

实现源代码和执行结果。

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

plt.rcParams["font.sans-serif"]=["SimHei"] #设置字体

plt.rcParams["axes.unicode_minus"]=False

# 1.分析学生考试成绩特征的分布与分散情况

# （1）使用NumPy库读取学生考试成绩数据。

path ='student_grade.npz'

gra = np.load(path,allow_pickle=True)

# （2）将学生考试总成绩分为4个区间，计算各区间下的学生人数，绘制学生考试总成绩分布饼图。

arr_0 = gra['arr_0']

arr_1 = gra['arr_1']

x=[]

for i in range(len(arr_1)):

    x.append(arr_1[i][8])

x=pd.cut(x,bins=[0,150,200,250,300],labels=["不及格","及格","良好","优秀"])

x1=pd.DataFrame({"Score":x})["Score"].value_counts(ascending=True).to_frame()

x1

fig = plt.figure(figsize=(6,6))#创建新画布

labels = x1.index

colors = sns.color_palette('pastel')

plt.pie(x1,labels=labels,autopct='%.2f%%',colors = colors)

plt.title("Distribution of years")

plt.show()

# （3）提取学生3项单科成绩的数据，绘制学生各项考试成绩分散情况箱线图。

sns.set(style='darkgrid')

x=[]

y=[]

z=[]

for i in range(len(arr_1)):

    x.append(arr_1[i][5])

    y.append(arr_1[i][6])

    z.append(arr_1[i][7])

fig, axes = plt.subplots(2, 2,figsize=(5,5))

fig.subplots_adjust(hspace=0.4)

sns.boxplot(x, ax = axes[0][0])

sns.boxplot(y, ax = axes[0][1])

sns.boxplot(z, ax = axes[1][0])

axes[0][0].set_title("Math")

axes[0][1].set_title("Read")

axes[1][0].set_title("Write")

plt.suptitle("Main")

plt.subplot(131)

plt.title("Math")

plt.boxplot(x)

plt.subplot(132)

plt.title("Read")

plt.boxplot(y)

plt.subplot(133)

plt.title("Write")

plt.boxplot(z)

# （4）分析学生考试总成绩的分布情况和3项单科成绩的分散情况。

sum=[]

for i in range(len(arr_1)):

    sum.append(arr_1[i][8])

plt.scatter(sum, x,s = 1,c='red')

plt.scatter(sum, y,s = 1,c='blue')

plt.scatter(sum, z,s = 1,c='green')

plt.show()

sns.scatterplot(x = sum, y = x)

sns.scatterplot(x = sum, y = y)

sns.scatterplot(x = sum, y = z)

# 2. 分析学生考试成绩与各个特征之间的关系





# （2）使用NumPy库中的均值函数求学生父母教育水平、自我效能感、考试课程准备情况3个特征下对应学生总成绩的平均数。

a = []

b = []

c = []

for i in range(len(arr_1)):

    a.append(arr_1[i][2])

    b.append(arr_1[i][3])

    c.append(arr_1[i][4])

gra=pd.DataFrame({"Parental_education":a,"Self-efficacy":b,"Readiness":c,"Grade":sum})

gra1=gra.groupby([gra["Parental_education"]]).mean()

gra2=gra.groupby([gra["Self-efficacy"]]).mean()

gra3=gra.groupby([gra["Readiness"]]).mean()

gra1

gra2

gra3

# （1）创建画布，并添加子图。

fig, axes = plt.subplots(figsize=(15,10))

fig.subplots_adjust(hspace=0.4)



# （3）在子图上绘制对应的折线图或柱形图。

plt.rcParams["font.sans-serif"]=["SimHei"] #设置字体

plt.rcParams["axes.unicode_minus"]=False

# 绘柱状图

plt.subplot(221)

plt.bar(x=gra1.index, height=gra1['Grade'], label='实际', color='Coral', alpha=0.8)

plt.ylim(180,240)

# 设置标题

plt.title("Detection results")

# 为两条坐标轴设置名称

plt.xlabel("Parental_education")

plt.ylabel("Grade")





# "g" 表示绿色，marksize用来设置'D'菱形的大小

plt.plot(gra1.index, gra1['Grade'], "r", marker='D', markersize=5)

#调用 text()在图像上绘制注释文本

#x1、y1表示文本所处坐标位置，ha参数控制水平对齐方式, va控制垂直对齐方式，str(y1)表示要绘制的文本

for x1, y1 in zip(gra1.index, gra1['Grade']):

    plt.text(x1, y1, str(y1)[:6], ha='center', va='bottom', fontsize=10)



# 绘柱状图

plt.subplot(222)

plt.bar(x=gra2.index, height=gra2['Grade'] ,color='Coral', alpha=0.8)

plt.ylim(160,225)

# 设置标题

plt.title("Detection results")

# 为两条坐标轴设置名称

plt.xlabel("Self-efficacy")

plt.ylabel("Grade")



# "g" 表示绿色，marksize用来设置'D'菱形的大小

plt.plot(gra2.index, gra2['Grade'], "r", marker='D', markersize=5, label="成绩")

#调用 text()在图像上绘制注释文本

#x1、y1表示文本所处坐标位置，ha参数控制水平对齐方式, va控制垂直对齐方式，str(y1)表示要绘制的文本

for x1, y1 in zip(gra2.index, gra2['Grade']):

    plt.text(x1, y1, str(y1)[:6], ha='center', va='bottom', fontsize=10)



# 绘柱状图

plt.subplot(223)

plt.bar(x=gra3.index, height=gra3['Grade'], label='实际', color='Coral', alpha=0.8)

plt.ylim(170,225)

# 设置标题

plt.title("Detection results")

# 为两条坐标轴设置名称

plt.xlabel("Readiness")

plt.ylabel("Grade")



# "g" 表示绿色，marksize用来设置'D'菱形的大小

plt.plot(gra3.index, gra3['Grade'], "r", marker='D', markersize=5, label="成绩")

#调用 text()在图像上绘制注释文本

#x1、y1表示文本所处坐标位置，ha参数控制水平对齐方式, va控制垂直对齐方式，str(y1)表示要绘制的文本

for x1, y1 in zip(gra3.index, gra3['Grade']):

    plt.text(x1, y1, str(y1)[:6], ha='center', va='bottom', fontsize=10)

   

plt.show()

# （1）创建画布，并添加子图。

fig, axes = plt.subplots(figsize=(15,10))

fig.subplots_adjust(hspace=0.4)



plt.subplot(221)

current_palette = sns.color_palette("Paired")

sns.barplot(x=gra1.index,

            y=gra1['Grade'],

            palette=current_palette)

plt.ylim(180,240)

sns.lineplot(x=gra1.index,

            y=gra1['Grade'],)

for x1, y1 in zip(gra1.index, gra1['Grade']):

    plt.text(x1, y1, str(y1)[:6], ha='center', va='bottom', fontsize=10)

   

plt.subplot(222)

sns.barplot(x=gra2.index,

            y=gra2['Grade'],

            palette=current_palette)

plt.ylim(160,225)

sns.lineplot(x=gra2.index,

            y=gra2['Grade'],)

for x1, y1 in zip(gra2.index, gra2['Grade']):

    plt.text(x1, y1, str(y1)[:6], ha='center', va='bottom', fontsize=10)

   

plt.subplot(223)

sns.barplot(x=gra3.index,

            y=gra3['Grade'],

            palette=current_palette)

plt.ylim(170,225)

sns.lineplot(x=gra3.index,

            y=gra3['Grade'],)

for x1, y1 in zip(gra3.index, gra3['Grade'])

    plt.text(x1, y1, str(y1)[:6], ha='center', va='bottom', fontsize=10)

   

plt.show()

# （4）分析3个特征与考试总成绩的关系。

# （1）创建画布，并添加子图。

fig, axes = plt.subplots(figsize=(15,10))

fig.subplots_adjust(hspace=0.4)



plt.subplot(221)

plt.ylim(180,240)

sns.lineplot(x=gra1.index,

            y=gra1['Grade'],)

for x1, y1 in zip(gra1.index, gra1['Grade']):

    plt.text(x1, y1, str(y1)[:6], ha='center', va='bottom', fontsize=10)

plt.subplot(222)

plt.ylim(160,225)

sns.lineplot(x=gra2.index,

            y=gra2['Grade'],)

for x1, y1 in zip(gra2.index, gra2['Grade']):

    plt.text(x1, y1, str(y1)[:6], ha='center', va='bottom', fontsize=10)

plt.subplot(223)

plt.ylim(160,225)

sns.lineplot(x=gra3.index,

            y=gra3['Grade'],)

for x1, y1 in zip(gra3.index, gra3['Grade']):

    plt.text(x1, y1, str(y1)[:6], ha='center', va='bottom', fontsize=10)

plt.show()