pycharm数据可视化【分析成绩】

应用场景：

教育机构的学生成绩分析

教学质量评估
学习情况统计报告
数据可视化教学案例

介绍

这个脚本生成四个图表：直方图、箱线图、条形图和饼图，用于展示学生成绩数据

主要库它使用pandas、numpy、matplotlib和seaborn

如果没有库请在终端下载：

点击终端或者python软件包进行下载

复制代码

# 安装pandaspip install pandas
# 安装numpypip install numpy
# 安装matplotlibpip install matplotlib
# 安装seabornpip install seaborn

步骤：

准备数据：创建一个包含姓名、分数和班级的DataFrame（数据框）
生成直方图：展示分数的分布，并带有KDE（核密度估计）
生成箱线图：按班级对比成绩，并标记平均值
生成条形图：按分数从高到低展示学生排名
生成饼图：展示成绩等级（不及格、及格、良好、优秀）的分布

第一步：模块导入

复制代码

import pandas as pd #数据处理import numpy as np #数值计算import matplotlib.pyplot asplt #绘图库import seaborn as sns  #统计可视化，基于matplotlibfrom matplotlib.backends,backdend_agg import FigureCanvasAgg #非交互式绘图from matplotlib.figuer import Figureimport matplotlib

#中文字体配置matplotlib,rcParams['font.`sans-serif'] = ['simHei','Arial Unicode_minus'] = False

设置中文字体，解决中文显示乱码问题

核心函数

复制代码

def prepare_data():    data = {        '姓名': ['张三', '李四', '王五', '老六', '小王', '小李', '小龙', '小七', '八八', '小八', '小张'],        '分数': [65.5, 76.8, 73.6, 62.8, 57.7, 59.8, 90, 39.5, 88, 64.4, 73.7],        '班级': ['A', 'B', 'A', 'B', 'A', 'B', 'A', 'B', 'A', 'B', 'A']    }    return pd.DataFrame(data)

创建包含11名学生成绩的测试数据集

直方图函数

复制代码

def create_histogram(df):    fig = Figure(figsize=(10, 6))    canvas = FigureCanvasAgg(fig)    ax = fig.add_subplot(111)
    sns.histplot(df['分数'].dropna(), bins=8, kde=True, ax=ax, color='skyblue')

使用FigureCanvasAgg进行非交互式绘图（适合脚本生成）
kde=True添加核密度估计曲线
8个分箱展示分数分布

3. 箱线图函

复制代码

def create_boxplot(df):    sns.boxplot(x='班级', y='分数', data=df, ax=ax, palette='Set2')    # 添加平均值标记    class_a_mean = df[df['班级'] == 'A']['分数'].mean()    class_b_mean = df[df['班级'] == 'B']['分数'].mean()

比较两个班级的成绩分布
红点标记平均值，便于直观比较
显示中位数、四分位数、异常值等统计信息

排名条形图函数

复制代码

def create_ranking(df):    sorted_df = df.dropna().sort_values('分数', ascending=False)    palette = sns.color_palette("viridis", len(sorted_df))

按分数降序排列
使用viridis色彩映射，分数越高颜色越亮
在条形末端显示具体分数值

成绩等级饼图函数

复制代码

def create_grade_distribution(df):    bins = [0, 60, 70, 80, 100]    labels = ['不及格', '及格', '良好', '优秀']    df['等级'] = pd.cut(df['分数'], bins=bins, labels=labels, right=False)

不及格：0-59分
及格：60-69分
良好：70-79分
优秀：80-100分

技术亮点

复制代码

fig = Figure(figsize=(10, 6))canvas = FigureCanvasAgg(fig)

适合批量生成图片，不依赖图形界面

数据完整性处理

使用.dropna()避免空值影响分析

可视化最佳实践

适当的图表尺寸和布局
网格线提升可读性
颜色搭配协调
标签清晰明确