Python读取两份excel中的所有学生成绩,通过matplotlib将两份表格分别生成以10为区间的分数段两个直方图,将学生两次成绩进行对比并两次成绩颜色不相同的直方图,所有直方图是以横坐标为分数、区间为10,纵坐标为人数、区间为1,直方图有边框,将生成的所有直方图保存为图片文件,通过pandas分析统计数据,分别统计两次成绩的平均数、中位数和方差等,结合数据生成一段描述学生成绩升降的文字,最后将生成的文字和所有图片保存到新建的word中,在程序中应基于图形用户界面实现,通过菜单About (关于) 进行查看

时间: 2023-06-10 19:09:00 浏览: 157
PY

用Python编程实现学生成绩管理,能按学期、按班级对学生成绩进行录入、修改、统计、查询和输出

好的,这个任务可以分为以下几个步骤: 1. 使用pandas库读取两份excel文件,将两份成绩数据存储在不同的DataFrame中。 2. 使用matplotlib库绘制两个直方图,分别表示两次成绩的分数段分布情况,并将两个直方图进行对比,将两次成绩颜色不相同。 3. 使用pandas库对两份成绩数据进行统计分析,包括平均数、中位数和方差等。 4. 根据分析结果,生成一段描述学生成绩升降的文字。 5. 使用python-docx库创建一个新的word文档,并将生成的文字和所有图片插入到文档中。 6. 使用tkinter库实现基于图形用户界面的程序,并添加About菜单,用于查看程序信息。 下面是代码实现的示例: ```python import pandas as pd import matplotlib.pyplot as plt from tkinter import Tk, Menu, messagebox from docx import Document from docx.shared import Inches # 读取两份excel文件 df1 = pd.read_excel('score1.xlsx') df2 = pd.read_excel('score2.xlsx') # 统计分析 avg1 = df1.mean() # 第一次成绩平均数 avg2 = df2.mean() # 第二次成绩平均数 med1 = df1.median() # 第一次成绩中位数 med2 = df2.median() # 第二次成绩中位数 var1 = df1.var() # 第一次成绩方差 var2 = df2.var() # 第二次成绩方差 # 生成描述文字 if avg1 > avg2: text = '本次考试平均分为{:.2f}分,低于上次考试的平均分{:.2f}分。'.format(avg1, avg2) elif avg1 < avg2: text = '本次考试平均分为{:.2f}分,高于上次考试的平均分{:.2f}分。'.format(avg1, avg2) else: text = '本次考试平均分为{:.2f}分,与上次考试的平均分相同。'.format(avg1) # 绘制直方图 plt.hist(df1['score'], bins=range(0, 101, 10), alpha=0.5, color='blue', edgecolor='black') plt.hist(df2['score'], bins=range(0, 101, 10), alpha=0.5, color='green', edgecolor='black') plt.xlabel('Score') plt.ylabel('Number of Students') plt.legend(['First Score', 'Second Score']) plt.savefig('histogram.png', dpi=300) plt.show() # 创建word文档 doc = Document() # 插入文字和图片 doc.add_paragraph(text) doc.add_picture('histogram.png', width=Inches(6)) # 保存word文档 doc.save('report.docx') # 创建GUI窗口 root = Tk() root.title('Score Analysis') # 创建菜单栏 menu_bar = Menu(root) root.config(menu=menu_bar) # 创建About菜单 about_menu = Menu(menu_bar) menu_bar.add_cascade(label='About', menu=about_menu) # 显示关于信息 def show_about(): messagebox.showinfo('About', 'Score Analysis v1.0') about_menu.add_command(label='About', command=show_about) root.mainloop() ``` 运行以上代码,将会生成一个GUI界面,点击About菜单可以查看程序信息。同时,程序会读取score1.xlsx和score2.xlsx两份excel文件,并根据成绩数据绘制两个直方图,分别表示两次成绩的分数段分布情况,并将两个直方图进行对比,将两次成绩颜色不相同。程序还会对成绩数据进行统计分析,并生成一段描述学生成绩升降的文字。最后,程序会创建一个新的word文档,并将生成的文字和所有图片插入到文档中。
阅读全文

相关推荐

zip
python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考 python预测相关算法、系统代码、设计文档、使用说明,供参考

import numpy as np import matplotlib.pyplot as plt import matplotlib matplotlib.rcParams['font.family']='SimHei' stuScore=np.loadtxt(r'C:\Users\86130\Desktop\student_score.csv',delimiter='.') sumEach=np.sum(stuScore[:,1:],axis=1) #返回每个学生三门课程总分 avgEachCourse=np.average(stuScore[:,1:],axis=0)#返回所有学生每门课程平均分maxMath-np.max(stuScore ,1]) #返回高数的最高分 maxEng=np.max(stuScore[:2]) #返回英语的最高分 maxPython=np.max(stuScore[:,3])#返回Pyhon的最高分 minMath=np.min(stuScore[:,1]) #返回高数的最低分 minEng=np.min(stuScorc[:,2]) minPython=np.min(stuScore[:,3])#返回Pyhon的最低分 print("每个学生的三门课程总分:") print(sumEach) print("所有学生的每门课程平均分:") print(avgEachCourse) print("每门课程的最意分:") print (maxMath, maxEng,maxPython) print("每门课程的最低分:") print(minMath,minEng.ninPython) mathScore=stuScore[:,1] #北取产数成绩 engScore=stuScorel[:,2] pythonScore-stuScore[:,3]# 取Pyhon成绩 plt.suptitle("课程成结分布百方图") #为当前绘图区添加标题 #绘制高数成绩直方图 plt.subplot(3,1,1) plt.hist('mathScorc,bins=10,range=(0,100),color=red')#绘制直方图,从0到100分成10段plt.xlabel(高数成绩分数段)#设置x轴标签 plt.ylabel('人数')#设置y轴标签 plt.xlim(O,100)#设置x抽区间 plt.xticks([o,10,20,30,40,50,60,70,80,90,100])#设置x轴刻度 plt.yticks([0,2, 4,6,8,10,12,14,16,18,20])#设置y轴刻度 olt.eridO #设置网格线 #绘制英语成绩直方图 plt.subolot(3,1,2) plt.hist('engScore,bins=10,range=(0,100),color= grcen')#同上 plt.xlabel("英语成绩分数段") plt.ylabel(人数) plt.xlim(0.100) plt.xticks([0,10,20,30,40.50,60,70,80,90,100]) plt.yticks([0,2,4,6,8,10,12,14,16,18,20]) plt.grid() #绘制Pyhon成绩直方图 plt.subplot(3,1,3) plt.hist(pythonScore,bins=10,range=(0,100))#同上 plt.xlabel("Pyhon成绩分数段") plt.ylabel("人数") plt.xlim(0,100) pit. xticks([0,10,20,30,40,50,60,70,80,90,100]) plt.yticks([0, 2, 4,6, 8.10, 12, 14,16,18,20]) plt.grid() plt.show()帮我检查代码哪里出错了

最新推荐

recommend-type

Python matplotlib读取excel数据并用for循环画多个子图subplot操作

总之,这个示例展示了如何使用Python结合matplotlib和xlrd库处理Excel数据,然后通过for循环和subplot功能创建多个子图,以便于对比不同学校或不同科目的成绩。这在数据可视化和分析中非常实用,特别是在教育或类似...
recommend-type

python matplotlib库直方图绘制详解

Python的matplotlib库是数据可视化的重要工具,尤其在绘制直方图方面表现得尤为出色。直方图是一种统计报告图,由一系列高度不等的纵向条纹或线段表示数据分布的情况。在这里,我们将深入探讨如何使用matplotlib库...
recommend-type

Python使用matplotlib实现的图像读取、切割裁剪功能示例

在Python编程中,matplotlib库是用于数据可视化的重要工具,它提供了丰富的图像绘制功能,包括图像的读取、显示以及编辑。本示例将详细介绍如何利用matplotlib实现图像的读取、切割和裁剪。 首先,我们需要导入...
recommend-type

使用Python中的matplotlib库读取csv文件绘制混合图

接下来,我们将同一列的数据分别在四个子图上以不同的图表类型绘制出来:条形图(bar)、折线图(line)、箱型图(box)和饼图(pie)。`s`是数据列的引用,`plot`方法可以接受`ax`参数指定绘制的轴,`kind`参数定义...
recommend-type

python读取并定位excel数据坐标系详解

这段代码的核心功能是读取Excel文件中的数据,然后用这些数据生成一个散点图,每个点的坐标对应于Excel文件中的某一行的前两个值。这对于数据探索和简单的可视化很有用。 总的来说,Python的`xlrd`库提供了方便的...
recommend-type

Windows平台下的Fastboot工具使用指南

资源摘要信息:"Windows Fastboot.zip是一个包含了Windows环境下使用的Fastboot工具的压缩文件。Fastboot是一种在Android设备上使用的诊断和工程工具,它允许用户通过USB连接在设备的bootloader模式下与设备通信,从而可以对设备进行刷机、解锁bootloader、安装恢复模式等多种操作。该工具是Android开发者和高级用户在进行Android设备维护或开发时不可或缺的工具之一。" 知识点详细说明: 1. Fastboot工具定义: Fastboot是一种与Android设备进行交互的命令行工具,通常在设备的bootloader模式下使用,这个模式允许用户直接通过USB向设备传输镜像文件以及其他重要的设备分区信息。它支持多种操作,如刷写分区、读取设备信息、擦除分区等。 2. 使用环境: Fastboot工具原本是Google为Android Open Source Project(AOSP)提供的一个组成部分,因此它通常在Linux或Mac环境下更为原生。但由于Windows系统的普及性,许多开发者和用户需要在Windows环境下操作,因此存在专门为Windows系统定制的Fastboot版本。 3. Fastboot工具的获取与安装: 用户可以通过下载Android SDK平台工具(Platform-Tools)的方式获取Fastboot工具,这是Google官方提供的一个包含了Fastboot、ADB(Android Debug Bridge)等多种工具的集合包。安装时只需要解压到任意目录下,然后将该目录添加到系统环境变量Path中,便可以在任何位置使用Fastboot命令。 4. Fastboot的使用: 要使用Fastboot工具,用户首先需要确保设备已经进入bootloader模式。进入该模式的方法因设备而异,通常是通过组合特定的按键或者使用特定的命令来实现。之后,用户通过运行命令提示符或PowerShell来输入Fastboot命令与设备进行交互。常见的命令包括: - fastboot devices:列出连接的设备。 - fastboot flash [partition] [filename]:将文件刷写到指定分区。 - fastboot getvar [variable]:获取指定变量的值。 - fastboot reboot:重启设备。 - fastboot unlock:解锁bootloader,使得设备能够刷写非官方ROM。 5. Fastboot工具的应用场景: - 设备的系统更新或刷机。 - 刷入自定义恢复(如TWRP)。 - 在开发阶段对设备进行调试。 - 解锁设备的bootloader,以获取更多的自定义权限。 - 修复设备,例如清除用户数据分区或刷写新的boot分区。 - 加入特定的内核或修改系统分区。 6. 注意事项: 在使用Fastboot工具时需要格外小心,错误的操作可能会导致设备变砖或丢失重要数据。务必保证操作前已备份重要数据,并确保下载和刷入的固件是针对相应设备的正确版本。此外,不同的设备可能需要特定的驱动程序支持,因此在使用Fastboot之前还需要安装相应的USB驱动。 7. 压缩包文件说明: 资源中提到的"windows-fastboot.zip"是一个压缩文件,解压后应当包含一个或多个可执行文件、库文件等,这些文件合起来组成了Fastboot工具的Windows版本。解压后,用户应当参考解压后的文档或说明文件来进行安装和配置,以便能够正确地使用该工具。 总结而言,Fastboot作为一个功能强大的工具,它为Android设备的开发者和高级用户提供了一个界面简洁但功能全面的操作平台,以实现对设备深层次的控制。然而,它的使用要求用户具备一定的技术知识和经验,否则不当操作可能导致设备损坏。因此,使用Fastboot时应当谨慎并确保自己了解每个命令的具体含义和后果。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

DLMS规约深度剖析:从基础到电力通信标准的全面掌握

![DLMS规约基础介绍](https://afteracademy.com/images/what-is-data-model-in-dbms-and-what-are-its-types-hierarchical-model-48add64778fd4b8f.jpg) # 摘要 DLMS/COSEM是一种广泛应用于智能电网和电力计量领域的通信协议。本文首先介绍了DLMS规约的基础概念、起源以及核心技术原理,包括协议架构、数据模型、通信过程、数据封装与传输机制。随后,文章探讨了DLMS规约在电力通信中的实际应用,如智能电表和电网自动化系统的数据通信,并分析了DLMS规约的测试与验证方法。文
recommend-type

修改代码,使其正确运行

要使提供的代码能够正确运行,需要解决以下几个关键点: 1. **输入处理**:确保从控制台读取的文法规则和待解析字符串格式正确。 2. **FIRST集和FOLLOW集计算**:确保FIRST集和FOLLOW集的计算逻辑正确无误。 3. **预测分析表构建**:确保预测分析表的构建逻辑正确,并且能够处理所有可能的情况。 4. **LL(1)分析器**:确保LL(1)分析器能够正确解析输入字符串并输出解析过程。 以下是经过修改后的完整代码: ```java package com.example.demo10; import java.util.*; public class Main
recommend-type

Python机器学习基础入门与项目实践

资源摘要信息:"机器学习概述与Python在机器学习中的应用" 机器学习是人工智能的一个分支,它让计算机能够通过大量的数据学习来自动寻找规律,并据此进行预测或决策。机器学习的核心是建立一个能够从数据中学习的模型,该模型能够在未知数据上做出准确预测。这一过程通常涉及到数据的预处理、特征选择、模型训练、验证、测试和部署。 机器学习方法主要可以分为监督学习、无监督学习、半监督学习和强化学习。 监督学习涉及标记好的训练数据,其目的是让模型学会从输入到输出的映射。在这个过程中,模型学习根据输入数据推断出正确的输出值。常见的监督学习算法包括线性回归、逻辑回归、支持向量机(SVM)、决策树、随机森林和神经网络等。 无监督学习则是处理未标记的数据,其目的是探索数据中的结构。无监督学习算法试图找到数据中的隐藏模式或内在结构。常见的无监督学习算法包括聚类、主成分分析(PCA)、关联规则学习等。 半监督学习和强化学习则是介于监督学习和无监督学习之间的方法。半监督学习使用大量未标记的数据和少量标记数据进行学习,而强化学习则是通过与环境的交互来学习如何做出决策。 Python作为一门高级编程语言,在机器学习领域中扮演了非常重要的角色。Python之所以受到机器学习研究者和从业者的青睐,主要是因为其丰富的库和框架、简洁易读的语法以及强大的社区支持。 在Python的机器学习生态系统中,有几个非常重要的库: 1. NumPy:提供高性能的多维数组对象,以及处理数组的工具。 2. Pandas:一个强大的数据分析和操作工具库,提供DataFrame等数据结构,能够方便地进行数据清洗和预处理。 3. Matplotlib:一个用于创建静态、动态和交互式可视化的库,常用于生成图表和数据可视化。 4. Scikit-learn:一个简单且高效的工具,用于数据挖掘和数据分析,支持多种分类、回归、聚类算法等。 5. TensorFlow:由Google开发的开源机器学习库,适用于大规模的数值计算,尤其擅长于构建和训练深度学习模型。 6. Keras:一个高层神经网络API,能够使用TensorFlow、CNTK或Theano作为其后端进行计算。 机器学习的典型工作流程包括数据收集、数据预处理、特征工程、模型选择、训练、评估和部署。在这一流程中,Python可以贯穿始终,从数据采集到模型部署,Python都能提供强大的支持。 由于机器学习的复杂性,一个成功的机器学习项目往往需要跨学科的知识,包括统计学、数学、计算机科学、数据分析等领域。因此,掌握Python及其相关库的使用只是机器学习工作的一部分,还需要有扎实的理论基础和实践经验。 总结来说,机器学习是一个涉及数据挖掘、统计分析、算法优化等多个领域的综合性科学。Python由于其简洁的语法、丰富的库支持和强大的社区力量,成为了进行机器学习研究和应用开发的首选语言。随着技术的不断进步和算法的持续优化,机器学习的应用领域也在不断扩大,从早期的搜索引擎、推荐系统到现代的自动驾驶、医疗诊断等领域都有着广泛的应用。