Анализ образовательных данных — Проект

Общее описание

Данный проект реализует API для анализа учебных достижений студентов на основе наборов данных из Student Performance Dataset (Kaggle / UCI). Анализ ведётся без использования предсказательных моделей, с применением статистических методов.

Обрабатываются CSV-файлы с анонимизированными данными по студентам из разных лет, в которых отражены такие параметры, как: student_id, subject, score, attendance, semester, year и difficulty_level. Особое внимание уделено сохранению конфиденциальности студентов.

Структура проекта

Папка

spec/

• codex.md: Спецификация API проекта.
  • Описывает три основных метода API:
    1. get_subject_statistics(year)
       — статистика по предметам и семестрам за указанный год.
    2. analyze_attendance_impact()
       — анализ корреляции посещаемости и оценок.
    3. compare_difficulty_levels(subject)
       — сравнение успеваемости по уровням сложности предмета.
  • Форматы входных CSV-файлов и выходных JSON-ответов.
  • Ключевые требования к API и данные об анонимизации.

Папка

dev/

Здесь находятся ключевые модули и файлы, отвечающие за работу API и логику анализа:

• solution.py

  • Основной скрипт с классом
    StudentPerformanceAnalyzer
    , который загружает данные, проводит аналитические вычисления и предоставляет методы для API.
  • Использование Pandas для обработки данных и SciPy для статистических тестов.
  • Flask-приложение для запуска сервера API локально.
  • В коде реализованы методы:
    • Загрузка и очистка данных из CSV.
    • Подсчёт статистики по предметам и годам.
    • Корреляция посещаемости и оценок.
    • Сравнение результатов по уровням сложности.
  • Включены примеры sample-данных для тестирования.

• urls.py

  • Конфигурация URL-адресов API для Django-приложения.
  • Маршруты для вызова трех основных API-вьюшек:
    • Статистика по предметам (с возможностью фильтрации по году).
    • Анализ влияния посещаемости.
    • Сравнение по уровню сложности предмета.

• views.py

  • Реализация API-вьюшек с использованием Django REST framework.
  • Использование класса
    StudentPerformanceAnalyzer
    для получения данных и формирование ответов.
  • Обработка ошибок с соответствующими HTTP-статусами.

Папка

demo/

В этой папке находятся все вспомогательные и рабочие файлы с кодом, которые задействованы в реализации алгоритмов проекта.

Это центральное хранилище кода, обеспечивающего корректное выполнение процесса анализа образовательных данных и работу всего проекта в целом.

Запуск и использование

1. Разместите данные CSV-файлы в папку
   data/
   (или создайте эту папку рядом с кодом).
2. Запустите Flask-приложение из
   solution.py
   командой:

   python dev/solution.py
   

3. Используйте API-запросы по URL из
   urls.py
   для получения статистики и аналитики.

Источники и ссылки

• Student Performance Dataset:
  https://www.kaggle.com/datasets/bhuvaneshwarisa/student-performance-dataset
  https://archive.ics.uci.edu/dataset/320/student+performance

• Аналитические статьи и примеры:
  https://oaorogun.co.uk/analyzing-student-performance-for-optimal-insight/
  https://github.com/fhrzn/students-performance

• Документация по проекту и статистическим методам в PDF и Kaggle.

Соавторы: Иван Чернышев(ник: Flex) Александр Драчук(ник: Garfield)

Garfield - делал ревью(участник 3) Flex - создавал код(участник 2)

Я был участником №2 в проекте у Garfield