什么是群体分析？
通俗的讲，就是一类人或者一类事情通过分析后，获得共同的特征属性或者特异的特征属性，是一种对群体画标签的方法。
那么，怎么进行群体分析呢？
第一步，要学会分群。可以使用机器学习算法中的分类与聚类等，当然也可以人为地对事物进行分类。
第二步，对分类好的数据进行分析，画出对应的标签。本文将使用人为分类的办法，对学霸与学渣在图书馆借书、图书馆出入情况进行分析，剖析出学霸与学渣借书的区别，用数据说明学渣是不是一定不去图书馆等问题。
一、数据准备
（一）表结构说明
加载已经对每个学生ID进行多维度画像的df表，df表的结构如下：
（二）记录条数说明
总共包含29列，总共记录条数为21605条，如下：
（三）记录内容说明
数据记录如下：
二、数据分类
（一）数据分类思路
根据学院和学生成绩的排名，取不同学院的前50名和后50名，对不同学院前50名的学霸组成一张表a，对不同学院倒数后50名的组合生成一张表b。分别对a、b表做异常数据的剔除，最后获得学霸和学渣数据各969条数。
（二）步骤
1、对导入FEA的df表做排序操作，排序的对象为college列和score_pm列，使用如下语句：
df=order df by (college,score_pm) with (desc,asc)
2、使用foreach循环，分别获取各学院的学霸与学渣记录；
3、组成a表和b表，并处理异常数据；
三、群体分析
（一）群体分析思路
第一种，取消费、住宿等维度的平均值进行比较。
第二种，只取学生成绩、学生图书馆借书、学生进出记录关联分析，抛开住宿、消费维度。
（二）分析过程
第一种我做过，结果如下：
比较结果无法区分学霸与学渣之间鲜明的特征，最大的两个特征是学渣获得的助学金多，学霸晚归次数比较多，消费平均数比较大。
去查找了为什么产生这种没有鲜明特征的原因，发现本次数据是经过脱敏处理的，学生成绩排名不分年级，不分专业，只是将所有成绩按学分加权求和，然后除以学分总和，再按照学生所在学院排序。所以，低年级学生怎么可能比高年级学生学分高啊？！
通过第一种思路的分析，说明我们本次数据准备并不完美，或者说本身就是有一定的错误存在。学霸的数据应该是高年级同学中的学霸，而不是学院中各年级各专业的学霸，学渣可能是低年级学渣占多数，而且过几年他们不一定是学渣。所以本次群体分析的立论，应该改为高年级学霸与低年级学渣比较合适。
通过第二种思路，我们只分析图书馆借书维度。先分析学霸和学渣中有多少人没有借过书？
学霸有197人没有借书，学渣有181没有借书。再分析借书总数、平均数、借书人平均数等数据。
接着，分析学霸与学渣都关注哪种类型的书籍。
因为本数据来自工科类大学，所以工业技术类书籍占到第一。第二是文学类，第三语言与文字，第四数理化，第五是经济，第六是哲学，第七是政治法律，第八是历史，具体排名见最后图表。
最后，我们看一下借书类型的总次数。
通过上图发现学渣同学比学霸借的书多，具体排名为：第一是语言、文学，第二是经济，第三是政治、法律。但是学霸与学渣借书的类型、数量上相差不大。
四、群体分析结论
通过上面分析，我们得出以下结论：
第一、学霸、学渣人数各969，但是学霸不借书的人数多于学渣；
第二、学霸借书平均数大于学渣；
第三、被分类到学渣类的同学去图书馆平均次数多于学霸，估计原因为高年级学霸到后期可能忙着找工作；
第四、被分类到学渣类的同学，比学霸更加关注经济、政治、法律、文字、语言类的书籍。
第五、从数据可以看出，学霸与学渣都是很努力学习的。
扫一扫
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
