FLAS弗兰德斯行为矩阵python实现——教技专业的情怀

---

前言

善始者繁多，克终者盖寡。

身为一名教技专业的人，刚刚基础弗兰德斯行为矩阵的时候颇感震惊，竟然有如此神奇的测量方法，不愧是大牛学者。但是本人在具体实施时遇到了一些问题，下面同各位分享一下使用python自动生成FLAS行为矩阵，以此免去费时费力的手动操作。

---

一、任务分解（拟解决的问题）

相关理论知识就不再赘述，此处仅讨论具体任务的具体实现，创建FLAS行为矩阵大抵可以分为如下几个步骤：

①划分学习行为；
②获取素材（主要是视频），按一定间隔判断视频中教师与学生的行为；
③在表格中记录教师与学生的行为类型；
④生成行为矩阵（行为序列）；
⑤统计各行为序列出现频次；
⑥分析课堂教学效果。

注意：本文拟解决的问题是④和⑤

步骤②和③或许也能够通过技术手段实现，比如模式识别、动作识别，某些高校智慧教室里有有能够识别学生行为的系统，但本人能力有限，只能来解决步骤④和步骤⑤。

二、代码实现

2.1 读取文件

为了提高程序的通用性，本文考虑通过读取配置文件的方式加载数据，配置文件与主程序同一级目录下。

def read_config(config_path):
    with open(config_path, "r", encoding="utf-8") as f:
        path = f.readline()[4:].strip()
    return path

图中仅演示包含拟读取文件的文件名。

2.2 生成FLAS行为矩阵

2.2.1 两种表

我们在表格中记录课堂中教师和学生的行为类型，将其记录到表格中，最终得到的表可以分为两种类型：

尾部对齐

尾部不齐

2.2.2 六种情况

根据可能出现的两种类型的表，汇总行为序列时需要考虑6种情况：

①表格头部使用0连接，例如首个单元格行为类型为3，则应生成[0,3]
②非末行的行尾与下一行行首连接，例如当前行末为6，下一行行首为2，则应生成[6,2]
③2.2.1中尾部不齐的情况，末行最后一个数据使用0连接，例如最后一行最后一个单元格为7，则应生成[7,0]
④2.2.1中尾部对齐的情况，需要创建新的行，例如尾部为4，则应生成[4,0]
⑤没有数据的单元格使用None填充
⑥正常情况下，前一个单元格与后一个单元格连接

参看示例：

2.2.3 代码实现

在程序运行时，尾部不齐情况下，程序并不能够正常运行，所有在生成矩阵前我们对表格中的控制进行替换和填充。

def Fias(filename):
    # data = pandas.read_excel(filename,header=None)
    data = read_file(filename)
    data.fillna(666,inplace=True)
    for i in range(data.shape[1]):
        data[i] = data[i].astype("int64")
        data[i] = data[i].astype(str)
        data[i] = data[i].mask(data[i]=="666","")
    data_copy_re = data.copy()
    row,col = data.shape
    s=","
    sl="["
    sr="]"
    # print(len(data.loc[0]))
    for i in range(row):
        for j in range(len(data.loc[i])):
            if i==0 and j==0:
                data_copy_re.loc[i][j] = sl + "0" + s + data.loc[i][j] + sr
            elif i == row - 1 and data.loc[i][j]=="" and data.loc[i][j-1]!="":
                data_copy_re.loc[i][j] = sl + data.loc[i][j-1] + s + "0" + sr
            elif i == row - 1 and data.loc[i][j]=="" and data.loc[i][j-1]=="":
                data_copy_re.loc[i][j] = None
            elif j==0:
                data_copy_re.loc[i][j] = sl + data.loc[i-1][len(data.loc[i])-1] + s + data.loc[i][j] + sr
            elif i == row - 1 and j == len(data.loc[i]) - 1:
                none_data = [None] * len(data.loc[i])
                data_copy_re.loc[row] = none_data
                data_copy_re.loc[i][j] = sl + data.loc[i][j - 1] + s + data.loc[i][j] + sr
                data_copy_re.loc[row][0] = sl + data.loc[i][j] + s + "0" + sr
            else:
                data_copy_re.loc[i][j] = sl + data.loc[i][j-1] + s + data.loc[i][j] + sr
    print(data_copy_re)
    data_copy_re.to_excel("t2.xlsx")
    return data_copy_re

2.3 统计行为序列出现频次

此处使用的是经典的FLAS行为编码，总共有10中行为类别，我们使用10*10的矩阵接收并统计各种行为序列出现的频次。

def Fias_count(data:pandas.DataFrame):
    df = pandas.DataFrame(numpy.zeros((10,11),dtype="int64"))
    df.index = range(1,11)
    df.drop(columns=0,inplace=True)
    row,col = data.shape
    for i in range(row):
        for j in range(col):
            if data.loc[i][j]!=None:
                r = int(data.loc[i][j][1])
                c = int(data.loc[i][j][3])
                if r==0 and c==0:
                    df.loc[10][10] += 1
                elif r==0:
                    df.loc[10][c] += 1
                elif c==0:
                    df.loc[r][10] += 1
                else:
                    df.loc[r][c] += 1
    print(df)
    df.to_excel("t3.xlsx")

2.4 其他方法

读取配置文件中的数据文件。

def read_file(path):
    data = pandas.read_excel(path,header=None)
    return data

三、测试程序

3.1 测试数据

以3秒为间隔，在表中记录下某堂27分钟左右的课中各行为出现的情况，得到543个标记。

3.2 测试程序

if __name__ == '__main__':
    config_path = f"config.txt"
    filename = read_config(config_path)
    data = Fias(filename)
    Fias_count(data)

3.3 运行结果

运行程序后会得到544个行为序列。

不同行为序列出现次数如下图所示，行为或者说动作是分先后顺序的，即[3,2]和[2,3]表示的含义并不相同，下图从第二行开始从左往右看；行为编号中的0使用10来替换，这样更加符合阅读习惯。

例如，行为序列[5,5]出现的次数最多；行为序列[0,0[出现的次数其次；行为序列[4,9]出现的次数第三多。