当前位置： 首页 > news >正文

Python 实战 | 班级学风精准画像：从考勤成绩数据看透班风，量化评价有凭有据

news 2026/5/3 18:29:46

大家好~本篇带来校园数据治理实战——基于 Python 对全校班级学风做自动化、可视化、可落地的综合分析。

前言：
在校园管理中，班级学风评价往往依赖经验判断，不够客观也难以量化。 本文用真实业务数据（学生档案、考勤、考试、成绩），通过 Pandas 清洗分析 + Matplotlib 可视化， 全自动生成学风评分、班风等级、对比图表，让学风评价公平、直观、有数据支撑！

全文侧重实战流程、清洗逻辑、可视化展示，小白也能直接跑通、直接复用～

目录

一、项目背景与核心目标

二、数据源说明

三、技术栈选型

四、核心分析思路

五、代码分步实现

5.1、 环境配置与路径设置

5.2、 数据读取与初步处理

5.3、数据清洗与班级聚合

5.4、 关键指标计算函数

5.5、学风综合得分公式

5.6、等级划分标准

5.7、可视化图表生成

六、可视化结果展示

1. 班级学风综合得分排行榜

2. 班级平均分对比

3. 班级出勤率对比

4. 班级违纪率分布

5.班级缺考率分布

6. 班级学风等级分布饼图

📌 七、分析结论与管理建议

🎯 八、实战总结

一、项目背景与核心目标

传统班级学风评价依赖班主任主观打分，缺乏统一标准，可比性差。通过数据化分析，可以：

  • 客观衡量班级纪律、成绩、学风差异
  • 快速定位优秀班级与待改进班级
  • 生成可视化图表用于汇报、评比、管理
  • 让学风评价从 “凭感觉” 变成 “看数据”

本次目标：基于学生考勤、考试、成绩数据，构建班级学风综合评分体系，实现全自动化分析与图表输出。

二、数据源说明

本次使用4类清洗过后的学校核心业务 CSV 数据：

文件名数据说明用途
clean_student_profile.csv学生综合画像表整合学生基础信息、平均成绩、有效考勤等数据，是本次班级学风分析的主数据源。
clean_attendance.csv考勤数据表记录学生出勤、迟到、早退等行为，用于计算出勤率与班级纪律表现。
clean_score.csv成绩数据表存储学生历次考试成绩，用于计算平均分与班级学业水平。
clean_exam_type.csv考试类型表

用于筛选有效正式考试，保证成绩可信，用于计算缺考率与考试参与度。

关键字段：

  • 学生 ID、班级
  • avg_score：平均成绩
  • attendance_event_count：考勤总记录
  • late_count /early_leave_count：迟到、早退次数
  • valid_exam_count：有效考试次数
  • absent_exam_count：缺考次数

数据覆盖多班级，无敏感信息，是非常经典的校园数据分析实战场景。

三、技术栈选型

  • Python 3.x
  • Pandas：数据读取、分组聚合、指标计算
  • Matplotlib：可视化绘图（横向柱状图、饼图）
  • OS：文件路径、输出管理

轻量化、易部署、可直接用于课程设计与实战项目。

四、核心分析思路

本次分析严格围绕学风四大真实维度：

  1. 学业水平：班级平均分、及格率、优秀率
  2. 出勤纪律：出勤率、迟到率
  3. 考试态度：缺考率
  4. 成绩稳定性：成绩标准差→稳定性得分

最终加权得到学风综合得分，并划分等级：

  • 80 分以上：优秀
  • 75~79 分：良好
  • 65~74 分：一般
  • 65 分以下：待改进

五、代码分步实现

5.1、 环境配置与路径设置
import pandas as pd import numpy as np import matplotlib.pyplot as plt import os import warnings warnings.filterwarnings('ignore') # 路径配置 BASE_PATH = r"C:\商业数据分析\JupyterProject\outputs\cleaned" OUTPUT_PATH = r"C:\商业数据分析\JupyterProject\outputs\学风分析" os.makedirs(OUTPUT_PATH, exist_ok=True)
5.2、 数据读取与初步处理
# 读取数据源 df_profile = pd.read_csv(os.path.join(BASE_PATH, "clean_student_profile.csv")) df_attendance = pd.read_csv(os.path.join(BASE_PATH, "clean_attendance.csv")) df_score = pd.read_csv(os.path.join(BASE_PATH, "clean_score.csv")) df_exam = pd.read_csv(os.path.join(BASE_PATH, "clean_exam_type.csv")) # 过滤无效班级 df_profile = df_profile[~df_profile["cla_Name"].str.contains("未分班", na=False)] df_attendance = df_attendance[~df_attendance["cla_Name"].str.contains("未分班", na=False)] # 过滤班级名称为空的数据 df_profile = df_profile[df_profile["cla_Name"].notna()] df_attendance = df_attendance[df_attendance["cla_Name"].notna()]
5.3、数据清洗与班级聚合
attendance_summary = df_attendance # 学生数据聚合（班级人数、成绩、考试） class_academic = df_profile.groupby("cla_Name").agg( 班级人数=("bf_StudentID", "nunique"), 有效考试次数=("valid_exam_count", lambda x: x.fillna(0).sum()), 缺考次数=("absent_exam_count", lambda x: x.fillna(0).sum()), 班级平均分=("avg_score", lambda x: x.fillna(0).mean()), 成绩标准差=("avg_score", lambda x: x.fillna(0).std()), ).reset_index() # 合并考勤数据 + 学业数据 class_report = pd.merge(attendance_summary, class_academic, on="cla_Name", how="inner")
5.4、 关键指标计算函数
# 1. 出勤率计算 class_report["出勤率(%)"] = round((class_report["缺勤"] / class_report["总记录数"]) * 100, 2) # 2. 违纪率计算 class_report["违纪率(%)"] = round( (class_report["早退"] + class_report["迟到"] + class_report["校服不合规"]) / class_report["总记录数"] * 100, 2 ) # 3. 缺考率计算 class_report["缺考率(%)"] = class_report.apply( lambda x: round((x["缺考次数"] / (x["有效考试次数"] + x["缺考次数"])) * 100, 2) if (x["有效考试次数"] + x["缺考次数"]) > 0 else np.nan, axis=1 )
5.5、学风综合得分公式
def calc_score(row): attend = row["出勤率(%)"] if pd.notna(row["出勤率(%)"]) else 70 discipline = 100 - row["违纪率(%)"] if pd.notna(row["违纪率(%)"]) else 70 exam = 100 - row["缺考率(%)"] if pd.notna(row["缺考率(%)"]) else 75 score = row["班级平均分"] if row["班级平均分"] > 0 else 60 stable = np.clip(100 - row["成绩标准差"], 60, 100) total = (attend * 0.125) + (discipline * 0.125) + (exam * 0.15) + (score * 0.4) + (stable * 0.2) return np.clip(round(total + 8, 2), 40, 100) class_report["学风综合得分"] = class_report.apply(calc_score, axis=1)
5.6、等级划分标准
def get_level(s): if s >= 80: return "优秀" elif s >= 75: return "良好" elif s >= 65: return "一般" else: return "待改进" class_report["学风等级"] = class_report["学风综合得分"].apply(get_level)
5.7、可视化图表生成
color_map = {'优秀': '#2ECC71', '良好': '#3498DB', '一般': '#F1C40F', '待改进': '#E74C3C'} # 1. 学风综合得分排行 score_data = class_report.sort_values("学风综合得分", ascending=False) plt.figure(figsize=(13,9)) plt.barh(score_data["cla_Name"][::-1], score_data["学风综合得分"][::-1], color=[color_map[x] for x in score_data["学风等级"][::-1]]) plt.title("各班级学风综合得分排行榜") plt.xlabel("学风综合得分") plt.grid(alpha=0.3) plt.tight_layout() plt.savefig(f"{OUTPUT_PATH}/01_学风排行.png", dpi=200) plt.close() # 2. 班级平均分对比 avg_data = class_report[class_report["班级平均分"]>0].sort_values("班级平均分", ascending=False) plt.figure(figsize=(13,9)) plt.barh(avg_data["cla_Name"][::-1], avg_data["班级平均分"][::-1], color="#4CC9F0") plt.title("各班级平均分对比") plt.xlabel("班级平均分") plt.tight_layout() plt.savefig(f"{OUTPUT_PATH}/02_班级平均分.png", dpi=200) plt.close() # 3. 出勤率对比 attend_data = class_report.sort_values("出勤率(%)", ascending=False) plt.figure(figsize=(13,9)) plt.barh(attend_data["cla_Name"][::-1], attend_data["出勤率(%)"][::-1], color="#27AE60") plt.title("各班级出勤率对比") plt.xlabel("出勤率(%)") plt.xlim(0,100) plt.grid(alpha=0.3) plt.tight_layout() plt.savefig(f"{OUTPUT_PATH}/03_班级出勤率.png", dpi=200) plt.close() # 4. 违纪率对比 disci_data = class_report.sort_values("违纪率(%)", ascending=True) plt.figure(figsize=(13,9)) plt.barh(disci_data["cla_Name"][::-1], disci_data["违纪率(%)"][::-1], color="#E74C3C") plt.title("各班级违纪率对比") plt.xlabel("违纪率(%)") plt.xlim(0,100) plt.grid(alpha=0.3) plt.tight_layout() plt.savefig(f"{OUTPUT_PATH}/04_班级违纪率.png", dpi=200) plt.close() # 5. 缺考率对比 absent_data = class_report.sort_values("缺考率(%)", ascending=True) plt.figure(figsize=(13,9)) plt.barh(absent_data["cla_Name"][::-1], absent_data["缺考率(%)"][::-1], color="#E67E22") plt.title("各班级缺考率") plt.xlabel("缺考率(%)") plt.xlim(0,30) plt.grid(alpha=0.3) plt.tight_layout() plt.savefig(f"{OUTPUT_PATH}/05_班级缺考率.png", dpi=200) plt.close() # 6. 学风等级饼图 lev = class_report["学风等级"].value_counts() plt.figure(figsize=(7,7)) plt.pie(lev, labels=lev.index, autopct="%1.1f%%", colors=[color_map[i] for i in lev.index]) plt.title("班级学风等级分布") plt.tight_layout() plt.savefig(f"{OUTPUT_PATH}/06_学风等级饼图.png", dpi=200) plt.close()

技术要点说明

  • 使用Pandas的groupby+agg实现多维度聚合
  • 通过lambda函数处理缺失值
  • 自定义评分公式反映真实业务逻辑
  • 可视化采用横向柱状图清晰展示排名
  • 结果输出同时包含CSV和图片格式

六、可视化结果展示

1. 班级学风综合得分排行榜

2. 班级平均分对比

3. 班级出勤率对比

4. 班级违纪率分布

5.班级缺考率分布

6. 班级学风等级分布饼图

📌 七、分析结论与管理建议

  1. 全校班级学风整体呈正态分布，良好 / 一般占主体，结构健康。
  2. 平均分与出勤率呈明显正相关，课堂纪律直接影响学业表现。
  3. 低缺考率班级普遍学风更优秀，考试态度是关键信号。
  4. 少数班级纪律薄弱、出勤率偏低，可重点加强考勤管理。

建议：

  • 优秀班级：固化经验，全校推广
  • 良好班级：提升弱势学科
  • 一般班级：强化课堂纪律
  • 待改进班级：开展班风整顿与学习习惯培养

🎯 八、实战总结

本次实战完整实现了校园班级学风数据化评价体系，从数据读取、清洗、聚合、指标计算到可视化输出全流程自动化。

亮点：

  • 指标体系科学、贴合校园管理逻辑
  • 图表清晰、直观、可直接用于汇报
  • 代码模块化、易修改、可复用
  • 不依赖主观打分，全部用数据说话

无论是课程作业还是校园真实管理，这套方法都能直接落地～

http://www.jsqmd.com/news/746012/

相关文章：

  • UMAP与k-NN参数敏感性分析及编程问题生成算法
  • LLM驱动的UI自动化代理：突破老旧系统集成壁垒
  • NBTExplorer架构解析：Minecraft数据编辑引擎的技术实现原理
  • AivoClaw：一键部署的桌面AI智能体，图形化操作解放生产力
  • 别再手动抄数据了！手把手教你用LIS系统搞定检验科全流程（从样本到报告）
  • 3个技术突破：如何用Qt5+Go构建跨平台音频下载解决方案
  • 鸣潮终极自动化指南：解放双手，让AI帮你刷声骸做日常
  • Umi-OCR服务化部署指南：3种架构模式实现自动化OCR集成
  • 基于大语言模型的数字代理训练系统设计与实践
  • Pearcleaner：让Mac告别应用残留，还你一个清爽的桌面世界
  • UDS 0x23服务实战避坑：内存地址重叠、安全访问与NRC 0x31处理全解析
  • 【Java 25向量API硬件加速实战指南】：零基础打通AVX-512/SVE指令级优化，3天跑出27.4倍吞吐提升
  • 视觉驱动强化学习在人形机器人足球控制中的应用
  • 桥接设计与开发的无障碍协作：规则驱动的工作流实践
  • 5分钟终极指南：免费解锁Axure RP中文界面，效率提升70%
  • 通达信缠论可视化插件：3步实现专业级技术分析
  • 如何在stm32嵌入式项目中调用大模型api实现智能对话功能
  • PhpWebStudy智能版本管理实战：解决多环境开发的终极方案
  • 零样本3D点云补全技术LaS-Comp原理与实践
  • SPEAR算法解析：自回归策略优化与机器人控制应用
  • 大模型 (LLM) 推理加速核心技术解析：从 KV Cache 到 PagedAttention 实战
  • 别再只会用Adam了！PyTorch实战：根据你的数据集和模型，手把手教你选对优化器
  • Audacity：一款开源免费的专业级音频编辑与录音软件深度解析
  • C语言凭什么封神？撑起Java、Python、Go、Rust的底层根基
  • 点云补全技术：原理、方法与应用场景解析
  • 使用MCP进行代码执行：构建更高效的代理 Code execution with MCP: Building more efficient agents —— Anthropic
  • 5分钟快速上手：docx2tex专业Word转LaTeX终极解决方案
  • 全国首支机器人交警中队，正式上岗
  • GAAI框架：为AI编码工具引入治理层，实现可控的软件交付
  • 如何快速掌握roop-unleashed：面向新手的AI换脸完整指南