src/generate_sample_data.py - master - NonerCo/StudentSystem

src/generate_sample_data.py
75 строк3 KB
NonerCo
create src/generate_sample_data.py
13 янв 2026, 21:00
13 янв 2026, 21:00660320c
"""
Генерация синтетических данных для демонстрации.
"""
import numpy as np
import pandas as pd
from sklearn.datasets import make_classification


def generate_student_data(n_samples=1000, random_state=42):
    """
    Генерация синтетических данных студентов.
    
    Признаки:
    - attendance: Посещаемость (0-100%)
    - homework_score: Средний балл за ДЗ
    - midterm_score: Балл за промежуточный экзамен
    - study_hours: Часы обучения в неделю
    - extracurricular: Участие во внеурочной деятельности
    - previous_gpa: Средний балл за предыдущий период
    - online_activity: Активность в онлайн-системе
    - group_work: Оценка за групповые проекты
    
    Целевая переменная:
    - performance: 0=низкая, 1=средняя, 2=высокая успеваемость
    """
    
    np.random.seed(random_state)
    
    # Генерация признаков
    data = {
        'student_id': range(1, n_samples + 1),
        'attendance': np.random.normal(85, 15, n_samples).clip(0, 100),
        'homework_score': np.random.normal(75, 20, n_samples).clip(0, 100),
        'midterm_score': np.random.normal(70, 25, n_samples).clip(0, 100),
        'study_hours': np.random.exponential(10, n_samples).clip(0, 40),
        'extracurricular': np.random.choice([0, 1, 2], n_samples, p=[0.3, 0.5, 0.2]),
        'previous_gpa': np.random.normal(3.0, 0.5, n_samples).clip(1.0, 4.0),
        'online_activity': np.random.poisson(5, n_samples),
        'group_work': np.random.normal(80, 15, n_samples).clip(0, 100),
        'department': np.random.choice(['CS', 'Math', 'Physics', 'Engineering'], n_samples),
        'semester': np.random.choice([1, 2, 3, 4, 5, 6], n_samples),
    }
    
    df = pd.DataFrame(data)
    
    # Создание целевой переменной на основе признаков
    performance_score = (
        df['attendance'] * 0.2 +
        df['homework_score'] * 0.3 +
        df['midterm_score'] * 0.3 +
        df['study_hours'] * 0.05 +
        df['previous_gpa'] * 25 +
        df['group_work'] * 0.1
    ) / 100
    
    # Квантование на 3 класса
    df['performance'] = pd.qcut(performance_score, q=3, labels=[0, 1, 2])
    
    return df


if __name__ == "__main__":
    print("Generating sample student data...")
    df = generate_student_data(n_samples=500)
    
    print(f"Generated {len(df)} records")
    print("\nFirst 5 rows:")
    print(df.head())
    
    print("\nPerformance distribution:")
    print(df['performance'].value_counts().sort_index())
    
    # Сохранение
    df.to_csv('data/raw/student_data_sample.csv', index=False)
    print("\nData saved to 'data/raw/student_data_sample.csv'")