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,通过pandas分析统计数据,将学生两次成绩进行对比,通过matplotlib生成以10为区间的分数段直方图,将生成的图表保存为图片文件,导入到word并添加一段描述学生成绩升降的文字,最后将生成的文字和图片写入到新的word,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: 2023-06-12 20:04:24 浏览: 115
ZIP

用机器学习的方法对学生成绩进行统计分析和预测。包括决策树算法、逻辑回归算法、随机森林算法等,用python.zip

star5星 · 资源好评率100%
以下是一个Python程序示例,可以实现读取两份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,通过pandas分析统计数据,将学生两次成绩进行对比,通过matplotlib生成以10为区间的分数段直方图,将生成的图表保存为图片文件,导入到word并添加一段描述学生成绩升降的文字,最后将生成的文字和图片写入到新的word,同时程序界面可以通过菜单About进行查看。 ```python import pandas as pd import matplotlib.pyplot as plt from tkinter import * from tkinter import filedialog from docx import Document from docx.shared import Inches # 创建Tkinter界面 root = Tk() root.title("学生成绩分析") root.geometry("500x500") # 定义全局变量 df1 = pd.DataFrame() df2 = pd.DataFrame() df3 = pd.DataFrame() file1 = "" file2 = "" # 定义函数 def open_file1(): global df1, file1 file1 = filedialog.askopenfilename(filetypes=[("Excel文件", "*.xlsx")]) if file1: df1 = pd.read_excel(file1) label1.config(text="已选择文件:" + file1) def open_file2(): global df2, file2 file2 = filedialog.askopenfilename(filetypes=[("Excel文件", "*.xlsx")]) if file2: df2 = pd.read_excel(file2) label2.config(text="已选择文件:" + file2) def generate_histogram(): global df1, df2, df3 if not df1.empty and not df2.empty: # 合并两份成绩表格 df3 = pd.concat([df1, df2], axis=0) df3.reset_index(drop=True, inplace=True) # 绘制两份成绩表格的分数段直方图 fig, ax = plt.subplots() ax.hist(df1['分数'], bins=range(0, 101, 10), alpha=0.5, label='第一次成绩') ax.hist(df2['分数'], bins=range(0, 101, 10), alpha=0.5, label='第二次成绩') ax.set_xlabel('分数段') ax.set_ylabel('人数') ax.set_title('两次成绩分数段分布') ax.legend() plt.show() def generate_comparison_histogram(): global df3 if not df3.empty: # 分别取出第一次和第二次成绩 first_score = df3.iloc[:len(df1), 1] second_score = df3.iloc[len(df1):, 1] # 绘制两次成绩的分数段直方图 fig, ax = plt.subplots() ax.hist(first_score, bins=range(0, 101, 10), alpha=0.5, label='第一次成绩') ax.hist(second_score, bins=range(0, 101, 10), alpha=0.5, label='第二次成绩') ax.set_xlabel('分数段') ax.set_ylabel('人数') ax.set_title('两次成绩分数段分布') ax.legend() plt.show() def generate_report(): global df1, df2, df3 if not df1.empty and not df2.empty and not df3.empty: # 统计两次成绩的平均分、最高分、最低分和标准差 first_mean = df1['分数'].mean() first_max = df1['分数'].max() first_min = df1['分数'].min() first_std = df1['分数'].std() second_mean = df2['分数'].mean() second_max = df2['分数'].max() second_min = df2['分数'].min() second_std = df2['分数'].std() # 比较两次成绩的平均分、最高分、最低分和标准差 mean_change = second_mean - first_mean max_change = second_max - first_max min_change = second_min - first_min std_change = second_std - first_std # 将学生成绩升降的文字和图片写入到新的word document = Document() document.add_heading('学生成绩分析报告', 0) document.add_paragraph('第一次成绩统计:') document.add_paragraph('平均分:%.2f' % first_mean) document.add_paragraph('最高分:%d' % first_max) document.add_paragraph('最低分:%d' % first_min) document.add_paragraph('标准差:%.2f' % first_std) document.add_paragraph('第二次成绩统计:') document.add_paragraph('平均分:%.2f' % second_mean) document.add_paragraph('最高分:%d' % second_max) document.add_paragraph('最低分:%d' % second_min) document.add_paragraph('标准差:%.2f' % second_std) document.add_paragraph('成绩升降:') document.add_paragraph('平均分:%.2f' % mean_change) document.add_paragraph('最高分:%d' % max_change) document.add_paragraph('最低分:%d' % min_change) document.add_paragraph('标准差:%.2f' % std_change) document.add_picture('histogram.png', width=Inches(6)) document.save('report.docx') # 创建菜单 menubar = Menu(root) about_menu = Menu(menubar, tearoff=0) about_menu.add_command(label="关于", command=lambda: messagebox.showinfo("关于", "本程序基于Python实现")) menubar.add_cascade(label="About", menu=about_menu) # 添加控件 label1 = Label(root, text="请打开第一份成绩表格") label1.pack() button1 = Button(root, text="选择文件", command=open_file1) button1.pack() label2 = Label(root, text="请打开第二份成绩表格") label2.pack() button2 = Button(root, text="选择文件", command=open_file2) button2.pack() histogram_button = Button(root, text="生成分数段直方图", command=generate_histogram) histogram_button.pack() comparison_histogram_button = Button(root, text="生成成绩对比直方图", command=generate_comparison_histogram) comparison_histogram_button.pack() report_button = Button(root, text="生成学生成绩分析报告", command=generate_report) report_button.pack() # 显示界面 root.config(menu=menubar) root.mainloop() ``` 在程序中,通过Tkinter实现了一个简单的图形用户界面,用户可以通过打开文件按钮选择两份成绩表格,并通过生成分数段直方图、生成成绩对比直方图和生成学生成绩分析报告按钮进行相关操作。其中,生成学生成绩分析报告按钮会将学生成绩升降的文字和图片写入到新的word中,生成的图片文件保存为histogram.png。在程序中也添加了一个关于菜单,用户可以通过点击菜单About进行查看。
阅读全文

相关推荐

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

JHU荣誉单变量微积分课程教案介绍

资源摘要信息:"jhu2017-18-honors-single-variable-calculus" 知识点一:荣誉单变量微积分课程介绍 本课程为JHU(约翰霍普金斯大学)的荣誉单变量微积分课程,主要针对在2018年秋季和2019年秋季两个学期开设。课程内容涵盖两个学期的微积分知识,包括整合和微分两大部分。该课程采用IBL(Inquiry-Based Learning)格式进行教学,即学生先自行解决问题,然后在学习过程中逐步掌握相关理论知识。 知识点二:IBL教学法 IBL教学法,即问题导向的学习方法,是一种以学生为中心的教学模式。在这种模式下,学生在教师的引导下,通过提出问题、解决问题来获取知识,从而培养学生的自主学习能力和问题解决能力。IBL教学法强调学生的主动参与和探索,教师的角色更多的是引导者和协助者。 知识点三:课程难度及学习方法 课程的第一次迭代主要包含问题,难度较大,学生需要有一定的数学基础和自学能力。第二次迭代则在第一次的基础上增加了更多的理论和解释,难度相对降低,更适合学生理解和学习。这种设计旨在帮助学生从实际问题出发,逐步深入理解微积分理论,提高学习效率。 知识点四:课程先决条件及学习建议 课程的先决条件为预演算,即在进入课程之前需要掌握一定的演算知识和技能。建议在使用这些笔记之前,先完成一些基础演算的入门课程,并进行一些数学证明的练习。这样可以更好地理解和掌握课程内容,提高学习效果。 知识点五:TeX格式文件 标签"TeX"意味着该课程的资料是以TeX格式保存和发布的。TeX是一种基于排版语言的格式,广泛应用于学术出版物的排版,特别是在数学、物理学和计算机科学领域。TeX格式的文件可以确保文档内容的准确性和排版的美观性,适合用于编写和分享复杂的科学和技术文档。
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

【实战篇:自定义损失函数】:构建独特损失函数解决特定问题,优化模型性能

![损失函数](https://img-blog.csdnimg.cn/direct/a83762ba6eb248f69091b5154ddf78ca.png) # 1. 损失函数的基本概念与作用 ## 1.1 损失函数定义 损失函数是机器学习中的核心概念,用于衡量模型预测值与实际值之间的差异。它是优化算法调整模型参数以最小化的目标函数。 ```math L(y, f(x)) = \sum_{i=1}^{N} L_i(y_i, f(x_i)) ``` 其中,`L`表示损失函数,`y`为实际值,`f(x)`为模型预测值,`N`为样本数量,`L_i`为第`i`个样本的损失。 ## 1.2 损
recommend-type

如何在ZYNQMP平台上配置TUSB1210 USB接口芯片以实现Host模式,并确保与Linux内核的兼容性?

要在ZYNQMP平台上实现TUSB1210 USB接口芯片的Host模式功能,并确保与Linux内核的兼容性,首先需要在硬件层面完成TUSB1210与ZYNQMP芯片的正确连接,保证USB2.0和USB3.0之间的硬件电路设计符合ZYNQMP的要求。 参考资源链接:[ZYNQMP USB主机模式实现与测试(TUSB1210)](https://wenku.csdn.net/doc/6nneek7zxw?spm=1055.2569.3001.10343) 具体步骤包括: 1. 在Vivado中设计硬件电路,配置USB接口相关的Bank502和Bank505引脚,同时确保USB时钟的正确配置。
recommend-type

Naruto爱好者必备CLI测试应用

资源摘要信息:"Are-you-a-Naruto-Fan:CLI测验应用程序,用于检查Naruto狂热者的知识" 该应用程序是一个基于命令行界面(CLI)的测验工具,设计用于测试用户对日本动漫《火影忍者》(Naruto)的知识水平。《火影忍者》是由岸本齐史创作的一部广受欢迎的漫画系列,后被改编成同名电视动画,并衍生出一系列相关的产品和文化现象。该动漫讲述了主角漩涡鸣人从忍者学校开始的成长故事,直到成为木叶隐村的领袖,期间包含了忍者文化、战斗、忍术、友情和忍者世界的政治斗争等元素。 这个测验应用程序的开发主要使用了JavaScript语言。JavaScript是一种广泛应用于前端开发的编程语言,它允许网页具有交互性,同时也可以在服务器端运行(如Node.js环境)。在这个CLI应用程序中,JavaScript被用来处理用户的输入,生成问题,并根据用户的回答来评估其对《火影忍者》的知识水平。 开发这样的测验应用程序可能涉及到以下知识点和技术: 1. **命令行界面(CLI)开发:** CLI应用程序是指用户通过命令行或终端与之交互的软件。在Web开发中,Node.js提供了一个运行JavaScript的环境,使得开发者可以使用JavaScript语言来创建服务器端应用程序和工具,包括CLI应用程序。CLI应用程序通常涉及到使用诸如 commander.js 或 yargs 等库来解析命令行参数和选项。 2. **JavaScript基础:** 开发CLI应用程序需要对JavaScript语言有扎实的理解,包括数据类型、函数、对象、数组、事件循环、异步编程等。 3. **知识库构建:** 测验应用程序的核心是其问题库,它包含了与《火影忍者》相关的各种问题。开发人员需要设计和构建这个知识库,并确保问题的多样性和覆盖面。 4. **逻辑和流程控制:** 在应用程序中,需要编写逻辑来控制测验的流程,比如问题的随机出现、计时器、计分机制以及结束时的反馈。 5. **用户界面(UI)交互:** 尽管是CLI,用户界面仍然重要。开发者需要确保用户体验流畅,这包括清晰的问题呈现、简洁的指令和友好的输出格式。 6. **模块化和封装:** 开发过程中应当遵循模块化原则,将不同的功能分隔开来,以便于管理和维护。例如,可以将问题生成器、计分器和用户输入处理器等封装成独立的模块。 7. **单元测试和调试:** 测验应用程序在发布前需要经过严格的测试和调试。使用如Mocha或Jest这样的JavaScript测试框架可以编写单元测试,并通过控制台输出调试信息来排除故障。 8. **部署和分发:** 最后,开发完成的应用程序需要被打包和分发。如果是基于Node.js的应用程序,常见的做法是将其打包为可执行文件(如使用electron或pkg工具),以便在不同的操作系统上运行。 根据提供的文件信息,虽然具体细节有限,但可以推测该应用程序可能采用了上述技术点。用户通过点击提供的链接,可能将被引导到一个网页或直接下载CLI应用程序的可执行文件,从而开始进行《火影忍者》的知识测验。通过这个测验,用户不仅能享受答题的乐趣,还可以加深对《火影忍者》的理解和认识。