Анализ факторов, влияющих на академическую успеваемость

В данном исследовании анализируются факторы, влияющие на итоговый балл:

• Количество часов учебы
• Посещаемость
• Уровень мотивации
• Семейное положение и доход
• Качество преподавания
• Физическая активность
• Доступ к ресурсам и интернету

• Определить ключевые факторы, оказывающие наибольшее влияние на итоговый балл.
• Построить визуализации для выявления зависимостей.
• Проанализировать многомерные связи между различными факторами.
• Выработать рекомендации для улучшения успеваемости.

Первый этап работы — загрузка данных из CSV-файла. Для этого используется библиотека pandas, которая позволяет легко работать с табличными данными. Этот код выполняет следующие действия:

1. Импортирует необходимые библиотеки:

   • pandas для работы с табличными данными;
   • numpy для работы с массивами и математическими операциями;
   • matplotlib.pyplot для создания графиков и визуализации данных;
   • seaborn для расширенной визуализации данных с более красивыми графиками;
   • plotly.express и plotly.graph_objects для создания интерактивных графиков.

2. Отключает предупреждения, чтобы избежать избыточного вывода сообщений при выполнении кода.

3. Указывает путь к CSV-файлу с данными, который называется "StudentPerformanceFactors.csv".

4. Загружает данные из указанного CSV-файла в DataFrame df с помощью функции pd.read_csv().

5. Выводит первые несколько строк загруженного DataFrame с помощью метода head(), что позволяет быстро ознакомиться с содержимым данных.

Этот код помогает выявить и подсчитать пропущенные значения в наборе данных, что является важным шагом в процессе подготовки данных к анализу.

Этот код подготавливает данные, заполняя пропущенные значения в определенных столбцах и затем выводит статистическое описание оставшихся данных.

Этот код создает три графика с помощью библиотеки Plotly Express и выполняет их настройку. Вот что делает каждая часть кода:

1. Создание первого графика:

   • fig1 = px.scatter(df, x="Hours_Studied", y="Exam_Score", ...) создает точечный график, показывающий зависимость между количеством часов, проведенных на учебе (Hours_Studied), и итоговым баллом (Exam_Score).
   • На графике отображается линия тренда, рассчитанная методом наименьших квадратов (ols).
   • Параметры title и labels задают заголовок графика и метки осей, соответственно.
   • color задает цвет точек в зависимости от количества часов учебы.

2. Создание второго графика:

   • fig2 = px.scatter(df, x="Previous_Scores", y="Exam_Score", ...) создает график, показывающий связь между предыдущими оценками (Previous_Scores) и итоговым баллом (Exam_Score).
   • Аналогично первому графику, устанавливаются линия тренда, заголовок и метки осей.

3. Создание третьего графика:

   • fig3 = px.scatter(df, x="Attendance", y="Exam_Score", ...) создает график, показывающий влияние посещаемости (Attendance) на итоговый балл (Exam_Score).
   • Устанавливаются линия тренда, заголовок и метки осей.

4. Настройка графиков:

   • Цикл for i in (fig1, fig2, fig3): проходит по всем созданным графикам.
   • i.update_layout(plot_bgcolor='#ccc', paper_bgcolor='lightgray') изменяет цвет фона графиков и области вокруг них.
   • i.update_xaxes(showgrid=False) и i.update_yaxes(showgrid=False) убирают сетку на осях.
   • i.show() отображает каждый график.

В результате выполнения кода будут показаны три графика, визуализирующие разные аспекты зависимости итогового балла от различных факторов, таких как часы учебы, предыдущие оценки и посещаемость.

• Количество часов учебы в неделю – значительный фактор успеха. Чем больше учится, тем выше его итоговый балл.
• Предыдущие оценки – главный индикатор успешности на экзамене. Ученики с высокими предыдущими результатами чаще показывают хорошие результаты.
• Посещаемость – имеет умеренное влияние. Высокая посещаемость способствует лучшим результатам.
• Репетиторство – небольшой положительный эффект. Хотя дополнительные занятия помогают, их влияние не столь значительное.
• Сон – незначительный, но отрицательный эффект. Недосып может быть результатом более интенсивной учебы.
• Семейное положение и ресурсы – предстоит детальный анализ.

Дополнительный анализ покажет влияние материального положения и других факторов.

Этот код создает три боксплота (box plot) с помощью библиотеки Plotly Express и настраивает их. Вот, что делает каждая часть кода:

1. Создание первого боксплота:

   • fig4 = px.box(df, x="Family_Income", y="Exam_Score", ...) создает боксплот, показывающий влияние уровня семейного дохода (Family_Income) на итоговый балл (Exam_Score).
   • На графике отображаются данные о распределении баллов в зависимости от разных уровней дохода.
   • Устанавливаются заголовок и метки осей.

2. Создание второго боксплота:

   • fig5 = px.box(df, x="Access_to_Resources", y="Exam_Score", ...) создает боксплот, показывающий влияние доступа к ресурсам (Access_to_Resources) на итоговый балл (Exam_Score).
   • Устанавливаются заголовок и метки осей.

3. Создание третьего боксплота:

   • fig6 = px.box(df, x="Teacher_Quality", y="Exam_Score", ...) создает боксплот, который показывает влияние качества преподавания (Teacher_Quality) на итоговый балл (Exam_Score).
   • Устанавливаются заголовок и метки осей.

4. Настройка боксплотов:

   • Цикл for i in (fig4, fig5, fig6): проходит по всем созданным боксплотам.
   • i.update_layout(plot_bgcolor='#ccc', paper_bgcolor='lightgray') изменяет цвет фона графиков и области вокруг них.
   • i.update_xaxes(showgrid=False) и i.update_yaxes(showgrid=False) убирают сетку на осях.
   • i.show() отображает каждый график.

В результате выполнения кода будут показаны три боксплота, визуализирующие влияние различных факторов (семейный доход, доступ к ресурсам и качество преподавания) на итоговый балл экзамена. Боксплоты позволяют увидеть распределение баллов и выявить возможные выбросы.

В результате выполнения данного кода будет показана гистограмма, которая визуализирует процент посещаемости успешных учеников, позволяя увидеть, как распределяется этот показатель среди тех, кто достиг высоких оценок.

В результате выполнения этого кода будет показан график параллельных категорий, который позволяет исследовать и визуализировать взаимосвязь между доходом семьи, уровнем образования родителей и итоговыми баллами учеников. Этот график помогает выявлять тенденции и паттерны в данных.