云天徽上 发表于 4 天前

【数据可视化】基于pyecharts的学生成绩数据集可视化分析


>🧑 博主简介：曾任某智慧城市类企业算法总监，CSDN / 稀土掘金 等平台人工智能领域优质创作者。

>目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。

---
## 一、引言
在教育研究中，数据可视化是分析学生成绩影响因素的有力工具。本文将利用包含学生考试成绩的数据集，从多个维度进行可视化分析，深入探讨影响学生成绩的因素以及各变量之间的关系。以下分析全部使用 pyecharts 库实现，包含完整 Python 代码，可供读者参考复现。

## 二、数据探索

### 2.1 数据集介绍
数据集包含以下变量：
- **gender**：学生性别
- **race/ethnicity**：学生种族/民族
- **parental level of education**：父母教育水平
- **lunch**：午餐类型
- **test preparation course**：是否参加测试准备课程
- **math score**：数学成绩
- **reading score**：阅读成绩
- **writing score**：写作成绩

### 2.2 数据清洗探索
```python
import pandas as pd

# 加载数据
df = pd.read_csv('student_scores.csv')# 请替换为实际文件路径

# 查看数据基本信息
df.info()
```
从数据基本信息可以看出：
- 数据包含8个维度；
- 性别、种族、父母教育水平等为类别型变量，成绩为数值型变量；
- 数据中存在缺失值，需进一步处理。

## 三、单维度特征可视化


### 3.1 性别分布
```python
from pyecharts.charts import Pie,Bar
from pyecharts import options as opts

def opts_Pie(data_pair,title):
    pie = (
      Pie(
      init_opts=opts.InitOpts(width='1000px', height='800px')
      )
      .add(series_name="",
            data_pair=data_pair,
            radius=["30%",'50%'],
            center=["38%", "50%"],
            label_opts=opts.LabelOpts(is_show=False, position="center"),
            )
      .set_global_opts(
            title_opts=opts.TitleOpts(
            title=title,
            pos_top='2%',
            pos_left="29%",
            title_textstyle_opts=opts.TextStyleOpts(color='#228be6',font_size=20)
            ),
            visualmap_opts=opts.VisualMapOpts(
                is_show=False,
                max_=600,
                pos_top='70%',
                pos_left='20%',
                range_color=['blue', 'green', 'yellow', 'red']
            ),
            legend_opts=opts.LegendOpts(is_show=True, pos_right="30%", pos_top="8%",orient="vertical"),
      )
      .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%"))
    )
    return pie
   
   
# 性别分布
gender_counts = df['gender'].value_counts().reset_index()
gender_counts.columns = ['gender', 'count']
data_pair = ) for i in range(len(gender_counts))]
pie = opts_Pie(data_pair,'性别分布')
pie.render_notebook()
```

![](https://files.mdnice.com/user/84866/fd160b39-79f5-4ed2-81dc-e1b65eb2990b.png)

**图表含义**：展示学生性别分布情况。

### 3.2 种族/民族分布
```python
# 种族分布
ethnicity_counts = df['race/ethnicity'].value_counts().reset_index()
ethnicity_counts.columns = ['ethnicity', 'count']

data_pair=) for i in range(len(ethnicity_counts))]

pie = opts_Pie(data_pair,'种族/民族分布')
pie.render_notebook()
```

![](https://files.mdnice.com/user/84866/0fe8d2ac-8d92-4665-991a-cfc618af2728.png)

**图表含义**：展示学生种族/民族分布情况。

### 3.3 父母教育水平分布
```python
# 父母教育水平分布
education_counts = df['parental level of education'].value_counts().reset_index()
education_counts.columns = ['education', 'count']

bar_education = Bar()
bar_education.add_xaxis(education_counts['education'].tolist())
bar_education.add_yaxis('人数', education_counts['count'].tolist())
bar_education.set_global_opts(title_opts=opts.TitleOpts(title='父母教育水平分布'))
bar_education.render('education_distribution.html')
```

![](https://files.mdnice.com/user/84866/47809ea1-922f-4791-8a36-36b652d8827e.png)

**图表含义**：展示学生父母教育水平分布情况。

### 3.4 午餐类型分布
```python
# 午餐类型分布
lunch_counts = df['lunch'].value_counts().reset_index()
lunch_counts.columns = ['lunch', 'count']

data_pair = ) for i in range(len(lunch_counts))]
poe = opts_Pie(data_pair,'午餐类型分布')
pie.render_notebook()
```

![](https://files.mdnice.com/user/84866/41dafb82-b7e8-498d-a0ff-42d89e64f051.png)

**图表含义**：展示学生午餐类型分布情况。

### 3.5 测试准备课程参与情况
```python
# 测试准备课程参与情况
course_counts = df['test preparation course'].value_counts().reset_index()
course_counts.columns = ['course', 'count']

data_pair = ) for i in range(len(course_counts))]

pie = opts_Pie(data_pair,'测试准备课程参与情况')
pie.render_notebook()
```


![](https://files.mdnice.com/user/84866/1c06a252-9ea0-450a-ad17-a149e7e92184.png)


**图表含义**：展示学生是否参与测试准备课程的情况。

## 四、各个特征与成绩关系的可视化

### 4.1 性别与成绩关系
```python
from pyecharts.charts import Boxplot

# 性别与成绩关系
def draw_scores_by_gender():
    male_scores = df == 'male'][['math score', 'reading score', 'writing score']].values.flatten().tolist()
    female_scores = df == 'female'][['math score', 'reading score', 'writing score']].values.flatten().tolist()

    boxplot = Boxplot()
    boxplot.add_xaxis(['男', '女'])
    boxplot.add_yaxis('成绩', )])
    boxplot.set_global_opts(title_opts=opts.TitleOpts(title='性别与成绩关系'))
    boxplot.render('scores_by_gender.html')

draw_scores_by_gender()
```


![](https://files.mdnice.com/user/84866/59f97634-bf98-4af9-a7b6-70b7506a124e.png)


**图表含义**：展示不同性别学生的成绩分布情况。

### 4.2 种族与成绩关系
```python
# 种族与成绩关系
ethnicity_list = df['race/ethnicity'].unique().tolist()
scores_by_ethnicity = []
for ethnicity in ethnicity_list:
    scores = df == ethnicity][['math score', 'reading score', 'writing score']].values.flatten().tolist()
    scores_by_ethnicity.append(scores)

boxplot_ethnicity = Boxplot()
boxplot_ethnicity.add_xaxis(ethnicity_list)
boxplot_ethnicity.add_yaxis('成绩', )
boxplot_ethnicity.set_global_opts(title_opts=opts.TitleOpts(title='种族与成绩关系'))
boxplot_ethnicity.render('scores_by_ethnicity.html')
```


![](https://files.mdnice.com/user/84866/415afdcb-fe2f-4110-adfa-08c6b9a793b9.png)


**图表含义**：展示不同种族学生的成绩分布情况。

### 4.3 父母教育水平与成绩关系
```python
# 父母教育水平与成绩关系
education_list = df['parental level of education'].unique().tolist()
scores_by_education = []
for education in education_list:
    scores = df == education][['math score', 'reading score', 'writing score']].values.flatten().tolist()
    scores_by_education.append(scores)

boxplot_education = Boxplot()
boxplot_education.add_xaxis(education_list)
boxplot_education.add_yaxis('成绩', )
boxplot_education.set_global_opts(title_opts=opts.TitleOpts(title='父母教育水平与成绩关系'))
boxplot_education.render('scores_by_education.html')
```

![](https://files.mdnice.com/user/84866/8211238f-5e98-44a9-bed7-3221f3cee94b.png)

**图表含义**：展示不同父母教育水平学生的成绩分布情况。

### 4.4 午餐类型与成绩关系
```python
# 午餐类型与成绩关系
lunch_list = df['lunch'].unique().tolist()
scores_by_lunch = []
for lunch in lunch_list:
    scores = df == lunch][['math score', 'reading score', 'writing score']].values.flatten().tolist()
    scores_by_lunch.append(scores)

boxplot_lunch = Boxplot()
boxplot_lunch.add_xaxis(lunch_list)
boxplot_lunch.add_yaxis('成绩', )
boxplot_lunch.set_global_opts(title_opts=opts.TitleOpts(title='午餐类型与成绩关系'))
boxplot_lunch.render('scores_by_lunch.html')
```

![](https://files.mdnice.com/user/84866/264ae92c-c2c6-4c82-8b94-29fdd6650a88.png)

**图表含义**：展示不同午餐类型学生的成绩分布情况。

### 4.5 测试准备课程与成绩关系
```python
# 测试准备课程与成绩关系
course_list = df['test preparation course'].unique().tolist()
scores_by_course = []
for course in course_list:
    scores = df == course][['math score', 'reading score', 'writing score']].values.flatten().tolist()
    scores_by_course.append(scores)

boxplot_course = Boxplot()
boxplot_course.add_xaxis(course_list)
boxplot_course.add_yaxis('成绩', )
boxplot_course.set_global_opts(title_opts=opts.TitleOpts(title='测试准备课程与成绩关系'))
boxplot_course.render('scores_by_course.html')
```

![](https://files.mdnice.com/user/84866/075b2d7b-2e07-4ee2-96f6-bb5894ea78be.png)

**图表含义**：展示是否参加测试准备课程学生的成绩分布情况。

### 4.6 数学成绩分布
```python
# 数学成绩分布
# 创建柱状图
bar = Bar()
bar.add_xaxis(list(range(0, 101, 1)))
bar.add_yaxis('数学成绩分布', df['math score'].tolist())
bar.set_global_opts(
    title_opts=opts.TitleOpts(title='数学成绩分布'),
    xaxis_opts=opts.AxisOpts(name='分数段'),
    yaxis_opts=opts.AxisOpts(name='人数')
)
bar.render_notebook()
```

![](https://files.mdnice.com/user/84866/05e44021-44eb-4457-8f4e-ad4b5e88a753.png)

**图表含义**：展示学生成绩的整体分布情况。

从以上可视化结果可以看出：
- **性别与成绩**：男女学生成绩可能存在差异。
- **种族与成绩**：不同种族学生的成绩分布可能存在差异。
- **父母教育水平与成绩**：父母教育水平可能对学生成绩有一定影响。
- **午餐类型与成绩**：午餐类型可能影响学生成绩。
- **测试准备课程与成绩**：参加测试准备课程可能有助于提高学生成绩。

以上分析为理解影响学生成绩的关键因素提供了多维度视角，并揭示了各变量之间的潜在关系，为进一步的教育研究和政策制定提供了数据支持。

如果您还有其他问题或需要进一步的分析，请随时告诉我！

---
如果您在人工智能领域遇到技术难题，或是需要专业支持，无论是技术咨询、项目开发还是个性化解决方案，我都可以为您提供专业服务，如有需要可站内私信或添加下方VX名片（ID：xf982831907）

期待与您一起交流，共同探索AI的更多可能！

页: [1]
查看完整版本: 【数据可视化】基于pyecharts的学生成绩数据集可视化分析