MATLAB数据处理实战：用all、any和find函数搞定学生成绩分析（附完整代码）

MATLAB数据处理实战：用all、any和find函数搞定学生成绩分析

想象一下，你面前摆着几百份学生成绩单，校领导要求你快速找出符合奖学金资格的学生、统计挂科情况、分析各科目整体表现。手动筛选？那可能要熬通宵。在MATLAB中，all、any和find这三个函数的组合使用，能让这类数据分析任务变得轻松高效。

1. 数据准备与基础函数解析

我们先创建一个模拟的学生成绩矩阵。假设有150名学生，每人有5门课程成绩（数学、物理、化学、英语、历史），成绩范围在40到100分之间随机生成：

% 生成150x5的成绩矩阵 rng(2023); % 固定随机种子保证可重复性 scores = randi([40,100], 150, 5);

1.1 all函数：严格的全条件筛选

all函数相当于逻辑与运算的集合版本。对于向量输入，当所有元素都为真（非零）时返回true；对于矩阵，可以指定沿行或列方向判断：

% 判断哪些学生所有科目都及格(≥60) all_passed = all(scores >= 60, 2);

这里all(scores >= 60, 2)中的2表示按行操作，即对每个学生的所有科目成绩进行判断。返回的all_passed是一个150x1的逻辑向量，true表示对应学生全部及格。

1.2 any函数：灵活的任一条件检测

与all相对，any函数执行的是逻辑或运算。只要有一个元素为真就返回true：

% 找出至少有一门科目优秀(≥90)的学生 has_excellent = any(scores >= 90, 2);

这个操作在筛选特长生或需要额外关注的学生时特别有用。比如我们可以快速找出哪些学生在某些科目表现突出：

% 数学特别优秀的学生(数学≥95) math_stars = find(scores(:,1) >= 95);

1.3 逻辑矩阵的妙用

在实际应用中，我们经常需要组合多个条件。MATLAB的逻辑索引非常强大：

% 找出所有科目及格且至少两门科目≥85的学生 condition = all(scores >= 60, 2) & (sum(scores >= 85, 2) >= 2); qualified_students = find(condition);

2. 多维度成绩分析实战

2.1 奖学金资格筛选

假设奖学金评选标准是：

• 所有科目≥75分
• 且至少3门科目≥85分

我们可以这样实现：

% 奖学金资格条件 basic_condition = all(scores >= 75, 2); excellent_condition = sum(scores >= 85, 2) >= 3; scholarship_candidates = find(basic_condition & excellent_condition); % 显示符合条件的学生编号和他们的成绩 disp('奖学金候选人编号:'); disp(scholarship_candidates'); disp('他们的成绩:'); disp(scores(scholarship_candidates, :));

2.2 挂科情况深度分析

挂科分析不仅要知道谁挂科，还要了解挂科模式和科目难度：

% 基本挂科情况(任何科目<60) failed_any = any(scores < 60, 2); % 各科目挂科人数 subject_failure = sum(scores < 60); % 挂科科目分布 failed_subjects = sum(scores < 60, 2); histogram(failed_subjects, 'BinMethod', 'integers'); title('学生挂科科目数量分布'); xlabel('挂科科目数'); ylabel('学生人数');

2.3 成绩区间统计

我们经常需要统计不同分数段的学生分布：

% 定义分数段 grade_ranges = [60, 70, 80, 90, 100]; grade_labels = {'及格', '中等', '良好', '优秀'}; % 各科目在各分数段的人数 grade_distribution = zeros(5, 4); % 5科目 x 4分数段 for i = 1:4 grade_distribution(:,i) = sum(scores >= grade_ranges(i) & scores < grade_ranges(i+1)); end % 显示结果 disp('各科目成绩分布:'); disp(array2table(grade_distribution, 'VariableNames', grade_labels,... 'RowNames', {'数学','物理','化学','英语','历史'}));

3. 高级应用：多条件组合查询

3.1 复杂条件筛选

在实际工作中，我们经常需要处理更复杂的查询条件。例如，找出：

• 文科(英语+历史)平均分≥80
• 且理科(数学+物理+化学)没有挂科
• 且至少有一门理科≥90的学生

% 计算文科平均分 arts_avg = mean(scores(:,[4,5]), 2); % 理科挂科情况 science_failed = any(scores(:,[1,2,3]) < 60, 2); % 理科优秀情况 science_excellent = any(scores(:,[1,2,3]) >= 90, 2); % 组合条件 special_group = find(arts_avg >= 80 & ~science_failed & science_excellent);

3.2 成绩波动分析

学生成绩的稳定性也是重要指标。我们可以计算每个学生的成绩标准差：

% 计算每个学生成绩的标准差 score_std = std(scores, 0, 2); % 找出成绩最稳定的前10名学生(标准差最小) [~, stable_idx] = mink(score_std, 10); % 找出成绩波动最大的10名学生 [~, unstable_idx] = maxk(score_std, 10);

3.3 班级对比分析

如果有多个班级的数据，我们可以进行班级间的对比：

% 假设前50名是1班，中间50名是2班，后50名是3班 class1 = scores(1:50,:); class2 = scores(51:100,:); class3 = scores(101:150,:); % 计算各班各科目平均分 class_avg = [mean(class1); mean(class2); mean(class3)]; % 显示结果 disp('各班平均分对比:'); disp(array2table(class_avg, 'VariableNames', {'数学','物理','化学','英语','历史'},... 'RowNames', {'一班','二班','三班'}));

4. 可视化与报告生成

4.1 成绩分布可视化

直观的图表能更好地展示数据特征：

% 各科目成绩箱线图 figure; boxplot(scores, 'Labels', {'数学','物理','化学','英语','历史'}); title('各科目成绩分布'); ylabel('分数'); % 总分分布直方图 figure; histogram(sum(scores,2), 'BinWidth', 10); title('学生总分分布'); xlabel('总分'); ylabel('人数');

4.2 生成分析报告

我们可以将关键统计结果整理成报告：

% 计算基本统计数据 total_students = size(scores,1); pass_rate = mean(all(scores >= 60, 2)) * 100; scholarship_rate = mean(all(scores >= 75, 2) & sum(scores >= 85, 2) >= 3) * 100; % 显示报告 disp('==== 成绩分析报告 ===='); fprintf('总学生数: %d\n', total_students); fprintf('全科及格率: %.1f%%\n', pass_rate); fprintf('奖学金资格比例: %.1f%%\n', scholarship_rate); fprintf('挂科学生比例: %.1f%%\n', mean(any(scores < 60, 2)) * 100); fprintf('至少一门优秀的比例: %.1f%%\n', mean(any(scores >= 90, 2)) * 100);

4.3 输出关键名单

最后，我们可以将重要筛选结果输出到文件：

% 准备关键名单 key_groups = struct(... 'scholarship', find(all(scores >= 75, 2) & sum(scores >= 85, 2) >= 3),... 'risk', find(sum(scores < 60, 2) >= 2),... 'all_A', find(all(scores >= 90, 2))... ); % 保存到MAT文件 save('student_analysis_results.mat', 'key_groups', 'scores');