student_performance_large_dataset визуализация данных
POV: вы пришли работать в отдел организации обучения самой большой школы уездного города N. Ваша задача проанализировать успеваемость и поведение учащихся и презентовать данные своему руководителю. Все это время вы работаете на тормознутом компьютере на Висте
Для анализа была взята датабаза Student Performance & Behavior Dataset с сайта kaggle.
Я выбрала эстетику Windows Vista для визуализации данных, потому что анализ данных и стандартный вид графиков у меня всегда ассоциировался именно с этой системой.
Для визуализации данных из датабазы были использованы столбчатые диаграммы и график шкаф с усами.
Этот код: 1. Импортирует библиотеки: - pandas для работы с данными, - matplotlib и seaborn для визуализации.
2. Загружает данные из CSV-файла 'student_performance_large_dataset.csv' в таблицу data.
Теперь данные готовы для анализа и построения графиков!
Такой код понадобиться для анализа и сравнения распределения данных между группами.
1. Код помогает понять, есть ли различия в баллах за экзамен между мужчинами и женщинами. Например, можно выявить, у кого в среднем выше баллы или у кого больше разброс в результатах.
2. Результаты визуализации могут помочь в принятии решений в образовательной сфере: - Нужно ли уделять больше внимания определенной группе студентов? - Есть ли необходимость в дополнительных ресурсах или поддержке?
1. График помогает визуально представить закономерности. Понять, как количество часов сна связано с итоговыми оценками. Выявить, есть ли оптимальное количество сна для лучшей успеваемости.
2. Результаты могут помочь в рекомендации студентам оптимального количество сна и разработке программы по улучшению режима сна.
1. Оценка вовлеченности: Узнать, сколько студентов завершило определённое количество онлайн-курсов. Выявить, насколько активно студенты участвуют в дополнительном обучении.
2. Распределение данных: Понять, как распределено количество завершённых курсов среди студентов. Например, есть ли студенты, которые не прошли ни одного курса, или те, кто прошёл много.
3. Принятие решений: Стимулировать студентов к прохождению большего числа курсов. Оценить эффективность программ онлайн-обучения.
1. График помогает понять, есть ли связь между временем в соцсетях и итоговыми оценками. Выявить, как активность в соцсетях влияет на успеваемость.
2. Дает возможность сравнить группы. Увидеть, как среднее время в соцсетях отличается у студентов с разными оценками. Например, есть ли тенденция: больше времени в соцсетях — ниже оценки.
1. Исследование привычек студентов: Узнать, сколько часов в неделю студенты в среднем уделяют учёбе. Выявить, есть ли типичное количество часов или распределение сильно варьируется.
2. Анализ распределения: Понять, как распределено время, затрачиваемое на учёбу (например, большинство студентов учатся 10–15 часов в неделю или есть выбросы). Обнаружить аномалии (например, студенты, которые почти не учатся или учатся слишком много).
3. Принятие решений: Оценить, достаточно ли студенты времени уделяют учёбе. Разработать рекомендации по оптимизации учебной нагрузки.
