src/main.py - master - NonerCo/StudentSystem

src/main.py
116 строк4 KB
NonerCo
create src/main.py
13 янв 2026, 20:53
13 янв 2026, 20:538cb4f5f
"""
Основной скрипт системы анализа успеваемости студентов.
"""
import argparse
import json
from datetime import datetime
from pathlib import Path

import pandas as pd
import yaml

from src.data_loader import load_and_preprocess_data
from src.features import create_features
from src.models import PerformancePredictor
from src.analyzer import PerformanceAnalyzer
from src.visualizer import create_dashboard_visualizations


def main(config_path="config.yaml"):
    """Основная функция запуска анализа."""
    
    # Загрузка конфигурации
    with open(config_path) as f:
        config = yaml.safe_load(f)
    
    print("=" * 50)
    print("Student Performance Analytics System")
    print(f"Started at: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
    print("=" * 50)
    
    # 1. Загрузка данных
    print("\n[1/5] Загрузка данных...")
    df = load_and_preprocess_data(
        config['data']['raw_path'],
        config['data']['preprocessing']
    )
    print(f"   Загружено {len(df)} записей, {len(df.columns)} признаков")
    
    # 2. Создание признаков
    print("\n[2/5] Создание признаков...")
    X, y = create_features(df, config['features'])
    print(f"   Создано {X.shape[1]} признаков")
    
    # 3. Обучение модели
    print("\n[3/5] Обучение модели...")
    predictor = PerformancePredictor(
        model_type=config['model']['type'],
        params=config['model']['params']
    )
    
    results = predictor.train_and_evaluate(
        X, y,
        test_size=config['model']['test_size'],
        random_state=config['model']['random_state']
    )
    
    # 4. Анализ результатов
    print("\n[4/5] Анализ результатов...")
    analyzer = PerformanceAnalyzer(predictor.model, X, y)
    feature_importance = analyzer.get_feature_importance()
    risk_students = analyzer.identify_risk_students(top_n=10)
    
    # 5. Визуализация
    print("\n[5/5] Создание визуализаций...")
    visualizations = create_dashboard_visualizations(
        df, results, feature_importance, risk_students
    )
    
    # Сохранение результатов
    print("\n[✓] Сохранение результатов...")
    save_results(results, feature_importance, risk_students, config)
    
    # Вывод основных метрик
    print("\n" + "=" * 50)
    print("РЕЗУЛЬТАТЫ:")
    print(f"Модель: {config['model']['type']}")
    print(f"Точность: {results['accuracy']:.3f}")
    print(f"F1-score: {results['f1_score']:.3f}")
    print(f"Важнейший признак: {feature_importance.iloc[0]['feature']}")
    print(f"Студентов в группе риска: {len(risk_students)}")
    print("=" * 50)
    
    return results


def save_results(results, feature_importance, risk_students, config):
    """Сохранение результатов анализа."""
    
    results_dir = Path(config['data']['results_path'])
    results_dir.mkdir(exist_ok=True)
    
    timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
    
    # 1. Сохранение метрик
    metrics_path = results_dir / f"metrics_{timestamp}.json"
    with open(metrics_path, 'w') as f:
        json.dump(results, f, indent=2)
    
    # 2. Сохранение важности признаков
    feature_path = results_dir / f"feature_importance_{timestamp}.csv"
    feature_importance.to_csv(feature_path, index=False)
    
    # 3. Сохранение студентов в группе риска
    risk_path = results_dir / f"risk_students_{timestamp}.csv"
    risk_students.to_csv(risk_path, index=False)
    
    print(f"   Результаты сохранены в {results_dir}/")


if __name__ == "__main__":
    parser = argparse.ArgumentParser(description="Student Performance Analytics")
    parser.add_argument("--config", type=str, default="config.yaml",
                       help="Path to configuration file")
    
    args = parser.parse_args()
    main(args.config)