用字典存储学生成绩查询_数据分析之路（3）——用excel分析学生成绩

数据分析步骤：

1.提出问题-2.理解数据-3.数据清洗-4.构建模型-5.数据可视化

一、要分析什么，解决什么问题

首先说下数据集，显示的是学生的在线学习情况，包括课程，学生基本信息，成绩等。拿到这样一组数据，首先思考我们要分析哪些问题呢？

1.学生是否掌握了这门知识——分析学习成绩

2.课程设置是否合理——分析学生，导师的评价表以及学习成绩

3.影响学习成绩的因素有哪些——分析学生年龄，最高学历，多重剥夺指数。关于这个多重剥夺指数，一种统计数据，包括工资，学历，居住地，社会福利等数值，所以待会儿也会专门分析这个指数

那么分析这些数据，要解决哪些问题呢？

1.吸引学生选择课程，包括提高课程通过率，提高学生上课兴趣，由此提高入学率

2.借鉴这些成功因素，开设更多的在线课程

二、数据清洗

数据集一共有7张表，这里有些表的内容相互有重复的，因此我们选择3张表格来进行数据清晰。分别是表studentInfo，表studentVle，表assessments

1.选择子集

表studentinfo

数据都很基础，因此以这个表格的数据为主，其他两个表格的数据作为辅助。

在最后一列final_result种有4种状态：Pass通过，Fail未通过，Disdinction优秀，Withdrawn撤回（学生登记但是没有上课），Withdrawn撤回这一栏的数据是我们要去掉的，表明学生没有参与上课，对课程来说是无效的数据

首先筛选“Withdrawn”，共10156条，按F5-定位-定位条件-选择可视单元格-删除-剩余22437条数值

本次数据集选了2年共4个时间段的数据，分别是2013J,2013B,2014J,2014B，这次我们选一个时间段为主2014J，共7436条数据，同时也隐藏了学分的列，得出如下表格

2.列名重命名

如上图所示。说明：code_presentation中文名称改为了“开课时间”，由年份+月(B代表二月，J表示10月)组成。

3.删除重复值

共有共有7门课，以AAA,BBB形式呈现，会出现这样两种情况：第一种是一个学生选了多门课；第二种比较复杂，一个学生因为不及格或者中途退出而进行第二次的选课，所以同一个学生可能在一门课种出现2次及以上。导致学生的ID会出现重复。

表格的重复值不太好弄，暂时先不处理这项。

4.缺失值处理

其他列都是7436条，多重剥夺指数为7128条，有缺失值，筛选空白值，有308条，鉴于多重剥夺指数是评价英国贫困地区的指数，且表格中0-100%的区间都有，因此我们这里将它视为非贫困地区的人口，属于正常值，不做处理

5.一致化处理+数据排序

列中似乎只有年龄段的字符串是可以转化为数字的，但是意义不大，其他的没有需要处理的数据。（如果类似于工资的话，可以用公式=LEFT(H3,FIND("-",H3)-1)求最低值，用RIGHT(H3,LE