EduDataAnalyzer

Инструмент для анализа образовательных данных: считает ключевые метрики, строит простую модель риска отчисления и генерирует отчеты, которые помогают преподавателям и администраторам вовремя замечать проблемы в успеваемости.

Зачем это нужно

• Ручная сводка по десяткам показателей занимает часы, автоматизация экономит время.
• Простая интерпретируемая модель позволяет прозрачно обосновывать решения по поддержке студентов.
• Регулярные отчеты по расписанию дают оперативную картину без ручного запуска скриптов.

Возможности

• Загрузка CSV с проверкой схемы и очисткой данных.
• Метрики по группе и по программам: средний балл, доля сдавших, корреляция посещаемости и оценок.
• Логистическая регрессия для оценки вероятности отчисления (балансирует классы).
• Топ студентов по риску с удобным Markdown-отчетом.
• CLI с командами summarize, predict, report.
• GitHub Actions: линтер, тесты и еженедельная автогенерация отчета-артефакта.

Требования

• Python 3.8+
• pip

Установка

Быстрый старт

Пример Python-кода:

Структура проекта

• src/edudataanalyzer: код загрузки, метрик, модели и CLI.
• data/sample_students.csv: пример набора данных.
• tests: unit-тесты для метрик и модели.
• .github/workflows/ci.yml: линт, тесты и генерация отчета.

Схема данных

Ожидаемые столбцы CSV:

• student_id (str)
• program (str)
• grade (float, 0–100)
• attendance_rate (float, 0–1)
• assignments_completed (int)
• absences (int)
• risk_label (0/1)

Проверки и CI/CD

• Ruff:
  ruff check src tests
• Pytest:
  pytest -q
• GitHub Actions: на каждый push/PR запускается линт и тесты; по расписанию (понедельник 06:00 UTC) и вручную доступен джоб weekly-report, который генерирует Markdown-отчет на базе data/sample_students.csv и сохраняет его как артефакт.

Тесты

Что дальше

• Добавить визуализации (heatmap корреляций, распределения рисков).
• Интеграция с LMS API для автоматической выгрузки данных.