Numpy数据分析模块实训-【根据“某门课程平时成绩和期末考试成绩.csv”内容，计算课程的平时成绩和期末考试成绩的均值、标准差、方差、最小值、最大值，输出期末考试比平时成绩高的学生名单，并输出期末】

2023年7月16日上午9:55 • 人工智能 • 阅读 84

– – 该文章为本人原创！主要是用来记录学习的过程和分享给需要的博友。若有出错或者更好解决方法欢迎评论和私信交流学习！！！
‘

Numpy数据分析模块实训

– 根据”某门课程平时成绩和期末考试成绩.csv”内容，计算课程的平时成绩和期末考试成绩的均值、标准差、方差、最小值、最大值，输出期末考试比平时成绩高的学生名单，并输出期末考试排名前10名的学生（如果期末成绩相同，则平时成绩高的排在前面）。

导入响应的工具包

import pandas as pd
import numpy as np

读取数据源文件

df = pd.read_csv("data/某门课程平时成绩和期末考试成绩.csv")

*这里打印出的结果

Numpy数据分析模块实训-【根据“某门课程平时成绩和期末考试成绩.csv”内容，计算课程的平时成绩和期末考试成绩的均值、标准差、方差、最小值、最大值，输出期末考试比平时成绩高的学生名单，并输出期末】

创建df_list，df_ps，df_qm对象并分别存储成绩数据

df_list——用来存储字典形式的成绩数据
df_ps——用来存储全部学生的平时成绩
df_qm——用来存储全部学生的期末成绩

df_list = []
df_ps = []
df_qm = []
for i in range(len(df)):
    df_list.append({'姓名':df['姓名'][i],'平时成绩':df['平时成绩'][i],'期末成绩':df['期末成绩'][i]})
    df_ps.append(df_list[i]['平时成绩'])
    df_qm.append(df_list[i]['期末成绩'])
print('df_list',df_list)
print('df_ps',df_ps)
print('df_qm',df_qm)

输出结果：

df_list [{'姓名': 'stud_001', '平时成绩': 61.2, '期末成绩': 52.0}, {'姓名': 'stud_004', '平时成绩': 84.0, '期末成绩': 66.5}, {'姓名': 'stud_007', '平时成绩': 91.0, '期末成绩': 76.5}, {'姓名': 'stud_010', '平时成绩': 83.0, '期末成绩': 64.0}, {'姓名': 'stud_013', '平时成绩': 82.2, '期末成绩': 74.5}, {'姓名': 'stud_014', '平时成绩': 90.2, '期末成绩': 77.0}, {'姓名': 'stud_017', '平时成绩': 83.0, '期末成绩': 84.5}, {'姓名': 'stud_018', '平时成绩': 80.0, '期末成绩': 71.0}, {'姓名': 'stud_021', '平时成绩': 79.0, '期末成绩': 68.5}, {'姓名': 'stud_029', '平时成绩': 67.8, '期末成绩': 54.0}, {'姓名': 'stud_031', '平时成绩': 85.0, '期末成绩': 64.5}, {'姓名': 'stud_033', '平时成绩': 93.0, '期末成绩': 90.5}, {'姓名': 'stud_039', '平时成绩': 91.6, '期末成绩': 62.5}, {'姓名': 'stud_040', '平时成绩': 82.0, '期末成绩': 81.5}, {'姓名': 'stud_041', '平时成绩': 88.0, '期末成绩': 87.5}, {'姓名': 'stud_042', '平时成绩': 81.0, '期末成绩': 78.0}, {'姓名': 'stud_044', '平时成绩': 74.0, '期末成绩': 78.0}, {'姓名': 'stud_045', '平时成绩': 75.0, '期末成绩': 68.0}, {'姓名': 'stud_046', '平时成绩': 78.2, '期末成绩': 74.0}, {'姓名': 'stud_051', '平时成绩': 79.0, '期末成绩': 76.0}, {'姓名': 'stud_052', '平时成绩': 88.4, '期末成绩': 75.5}, {'姓名': 'stud_053', '平时成绩': 78.0, '期末成绩': 53.0}, {'姓名': 'stud_055', '平时成绩': 90.0, '期末成绩': 80.5}, {'姓名': 'stud_056', '平时成绩': 58.2, '期末成绩': 54.0}, {'姓名': 'stud_060', '平时成绩': 85.4, '期末成绩': 66.0}, {'姓名': 'stud_061', '平时成绩': 85.4, '期末成绩': 74.0}, {'姓名': 'stud_062', '平时成绩': 91.0, '期末成绩': 92.0}, {'姓名': 'stud_063', '平时成绩': 79.2, '期末成绩': 73.5}, {'姓名': 'stud_064', '平时成绩': 84.0, '期末成绩': 70.5}, {'姓名': 'stud_065', '平时成绩': 61.8, '期末成绩': 50.5}, {'姓名': 'stud_067', '平时成绩': 96.0, '期末成绩': 83.6}, {'姓名': 'stud_072', '平时成绩': 80.2, '期末成绩': 76.5}, {'姓名': 'stud_078', '平时成绩': 72.0, '期末成绩': 53.0}, {'姓名': 'stud_085', '平时成绩': 75.0, '期末成绩': 60.0}, {'姓名': 'stud_087', '平时成绩': 86.0, '期末成绩': 58.0}, {'姓名': 'stud_090', '平时成绩': 88.0, '期末成绩': 78.0}, {'姓名': 'stud_091', '平时成绩': 79.2, '期末成绩': 45.5}, {'姓名': 'stud_095', '平时成绩': 89.0, '期末成绩': 90.0}, {'姓名': 'stud_098', '平时成绩': 83.2, '期末成绩': 80.5}, {'姓名': 'stud_104', '平时成绩': 78.0, '期末成绩': 82.0}, {'姓名': 'stud_105', '平时成绩': 76.0, '期末成绩': 79.0}, {'姓名': 'stud_109', '平时成绩': 91.8, '期末成绩': 88.5}, {'姓名': 'stud_115', '平时成绩': 88.0, '期末成绩': 88.0}, {'姓名': 'stud_117', '平时成绩': 85.4, '期末成绩': 64.0}, {'姓名': 'stud_118', '平时成绩': 83.0, '期末成绩': 72.0}, {'姓名': 'stud_125', '平时成绩': 80.6, '期末成绩': 60.5}, {'姓名': 'stud_126', '平时成绩': 86.0, '期末成绩': 56.0}, {'姓名': 'stud_130', '平时成绩': 90.8, '期末成绩': 88.0}, {'姓名': 'stud_133', '平时成绩': 78.4, '期末成绩': 60.0}, {'姓名': 'stud_134', '平时成绩': 91.0, '期末成绩': 69.0}, {'姓名': 'stud_135', '平时成绩': 66.0, '期末成绩': 69.5}, {'姓名': 'stud_136', '平时成绩': 84.0, '期末成绩': 71.0}, {'姓名': 'stud_140', '平时成绩': 74.0, '期末成绩': 73.5}, {'姓名': 'stud_141', '平时成绩': 84.2, '期末成绩': 76.0}, {'姓名': 'stud_148', '平时成绩': 80.0, '期末成绩': 72.0}, {'姓名': 'stud_151', '平时成绩': 80.0, '期末成绩': 60.0}, {'姓名': 'stud_152', '平时成绩': 80.0, '期末成绩': 84.5}, {'姓名': 'stud_158', '平时成绩': 74.0, '期末成绩': 48.0}, {'姓名': 'stud_159', '平时成绩': 91.0, '期末成绩': 88.0}, {'姓名': 'stud_160', '平时成绩': 83.6, '期末成绩': 71.0}, {'姓名': 'stud_170', '平时成绩': 94.0, '期末成绩': 90.0}, {'姓名': 'stud_184', '平时成绩': 70.0, '期末成绩': 65.0}, {'姓名': 'stud_185', '平时成绩': 87.0, '期末成绩': 67.0}, {'姓名': 'stud_186', '平时成绩': 81.0, '期末成绩': 86.0}, {'姓名': 'stud_187', '平时成绩': 91.4, '期末成绩': 83.5}, {'姓名': 'stud_191', '平时成绩': 84.0, '期末成绩': 76.0}, {'姓名': 'stud_192', '平时成绩': 95.4, '期末成绩': 91.0}, {'姓名': 'stud_194', '平时成绩': 92.8, '期末成绩': 82.5}, {'姓名': 'stud_195', '平时成绩': 88.8, '期末成绩': 65.0}, {'姓名': 'stud_202', '平时成绩': 80.4, '期末成绩': 70.5}, {'姓名': 'stud_207', '平时成绩': 90.0, '期末成绩': 86.5}, {'姓名': 'stud_209', '平时成绩': 76.0, '期末成绩': 80.0}, {'姓名': 'stud_211', '平时成绩': 79.0, '期末成绩': 64.0}, {'姓名': 'stud_212', '平时成绩': 85.4, '期末成绩': 77.0}, {'姓名': 'stud_213', '平时成绩': 97.0, '期末成绩': 89.5}, {'姓名': 'stud_215', '平时成绩': 82.0, '期末成绩': 65.5}, {'姓名': 'stud_216', '平时成绩': 79.0, '期末成绩': 75.5}, {'姓名': 'stud_217', '平时成绩': 75.0, '期末成绩': 52.0}, {'姓名': 'stud_224', '平时成绩': 75.0, '期末成绩': 55.0}, {'姓名': 'stud_231', '平时成绩': 81.0, '期末成绩': 66.0}, {'姓名': 'stud_232', '平时成绩': 64.0, '期末成绩': 39.0}, {'姓名': 'stud_233', '平时成绩': 77.0, '期末成绩': 84.0}, {'姓名': 'stud_246', '平时成绩': 92.0, '期末成绩': 79.5}, {'姓名': 'stud_251', '平时成绩': 84.0, '期末成绩': 69.0}, {'姓名': 'stud_254', '平时成绩': 73.0, '期末成绩': 71.0}, {'姓名': 'stud_262', '平时成绩': 81.0, '期末成绩': 90.0}, {'姓名': 'stud_264', '平时成绩': 80.0, '期末成绩': 74.5}, {'姓名': 'stud_270', '平时成绩': 89.0, '期末成绩': 76.5}, {'姓名': 'stud_275', '平时成绩': 82.0, '期末成绩': 83.5}, {'姓名': 'stud_278', '平时成绩': 70.0, '期末成绩': 76.0}, {'姓名': 'stud_280', '平时成绩': 82.0, '期末成绩': 89.0}, {'姓名': 'stud_281', '平时成绩': 92.0, '期末成绩': 86.0}, {'姓名': 'stud_286', '平时成绩': 89.4, '期末成绩': 78.0}, {'姓名': 'stud_292', '平时成绩': 89.8, '期末成绩': 84.5}, {'姓名': 'stud_295', '平时成绩': 95.6, '期末成绩': 66.0}, {'姓名': 'stud_306', '平时成绩': 91.0, '期末成绩': 77.0}, {'姓名': 'stud_314', '平时成绩': 87.0, '期末成绩': 65.5}, {'姓名': 'stud_316', '平时成绩': 81.4, '期末成绩': 71.0}, {'姓名': 'stud_317', '平时成绩': 79.0, '期末成绩': 76.0}, {'姓名': 'stud_318', '平时成绩': 92.0, '期末成绩': 91.0}]
df_ps [61.2, 84.0, 91.0, 83.0, 82.2, 90.2, 83.0, 80.0, 79.0, 67.8, 85.0, 93.0, 91.6, 82.0, 88.0, 81.0, 74.0, 75.0, 78.2, 79.0, 88.4, 78.0, 90.0, 58.2, 85.4, 85.4, 91.0, 79.2, 84.0, 61.8, 96.0, 80.2, 72.0, 75.0, 86.0, 88.0, 79.2, 89.0, 83.2, 78.0, 76.0, 91.8, 88.0, 85.4, 83.0, 80.6, 86.0, 90.8, 78.4, 91.0, 66.0, 84.0, 74.0, 84.2, 80.0, 80.0, 80.0, 74.0, 91.0, 83.6, 94.0, 70.0, 87.0, 81.0, 91.4, 84.0, 95.4, 92.8, 88.8, 80.4, 90.0, 76.0, 79.0, 85.4, 97.0, 82.0, 79.0, 75.0, 75.0, 81.0, 64.0, 77.0, 92.0, 84.0, 73.0, 81.0, 80.0, 89.0, 82.0, 70.0, 82.0, 92.0, 89.4, 89.8, 95.6, 91.0, 87.0, 81.4, 79.0, 92.0]
df_qm [52.0, 66.5, 76.5, 64.0, 74.5, 77.0, 84.5, 71.0, 68.5, 54.0, 64.5, 90.5, 62.5, 81.5, 87.5, 78.0, 78.0, 68.0, 74.0, 76.0, 75.5, 53.0, 80.5, 54.0, 66.0, 74.0, 92.0, 73.5, 70.5, 50.5, 83.6, 76.5, 53.0, 60.0, 58.0, 78.0, 45.5, 90.0, 80.5, 82.0, 79.0, 88.5, 88.0, 64.0, 72.0, 60.5, 56.0, 88.0, 60.0, 69.0, 69.5, 71.0, 73.5, 76.0, 72.0, 60.0, 84.5, 48.0, 88.0, 71.0, 90.0, 65.0, 67.0, 86.0, 83.5, 76.0, 91.0, 82.5, 65.0, 70.5, 86.5, 80.0, 64.0, 77.0, 89.5, 65.5, 75.5, 52.0, 55.0, 66.0, 39.0, 84.0, 79.5, 69.0, 71.0, 90.0, 74.5, 76.5, 83.5, 76.0, 89.0, 86.0, 78.0, 84.5, 66.0, 77.0, 65.5, 71.0, 76.0, 91.0]

Process finished with exit code 0

对平时成绩和期末考试成绩分别求均值、标准差、方差、最小值、最大值

平时成绩：

print('平时成绩的均值：',np.std(df_ps))
print('平时成绩的标准差：',np.std(df_ps))
print('平时成绩的方差：',np.var(df_ps))
print('平时成绩的最小值：',np.min(df_ps))
print('平时成绩的最大值：',np.max((df_ps)))

输出结果：

平时成绩的均值： 7.911381927324707
平时成绩的标准差： 7.911381927324707
平时成绩的方差： 62.589964
平时成绩的最小值： 58.2
平时成绩的最大值： 97.0

Process finished with exit code 0

期末成绩：

print('期末成绩的均值：',np.std(df_qm))
print('期末成绩的标准差：',np.std(df_qm))
print('期末成绩的方差：',np.var(df_qm))
print('期末成绩的最小值：',np.min(df_qm))
print('期末成绩的最大值：',np.max((df_qm)))

输出结果：

期末成绩的均值： 11.791242682601355
期末成绩的标准差： 11.791242682601355
期末成绩的方差： 139.033404
期末成绩的最小值： 39.0
期末成绩的最大值： 92.0

Process finished with exit code 0

输出期末考试比平时成绩高的学生名单

df_qm_ps = []
for j in range(len(df)):
    if df_list[j]['期末成绩'] > df_list[j]['平时成绩']:
        df_qm_ps.append(df_list[j]['姓名'])
print('期末考试比平时成绩高的学生名单:\n',df_qm_ps)

输出的结果：

期末考试比平时成绩高的学生名单:
 ['stud_017', 'stud_044', 'stud_062', 'stud_095', 'stud_104', 'stud_105', 'stud_135', 'stud_152', 'stud_186', 'stud_209', 'stud_233', 'stud_262', 'stud_275', 'stud_278', 'stud_280']

Process finished with exit code 0

创建列表来存储期末成绩前十名的数据

用np.argsort 对期末成绩进行排序，并获得其下标排序

df_qm_ten = []
df_qm_ten_zan_qm = []
df_qm_ten_zan_ps = []
df_qm_argsort = np.argsort(df_qm)[-10:]
print(df_qm_argsort)

输出结果：

[41 90 74 85 60 37 11 66 99 26]

Process finished with exit code 0

获得前十同学的期末和平时成绩的排序，并用lexsort函数进行二维排序

用lexsort函数解决同分时比较平时成绩

for i in df_qm_argsort:

    df_qm_ten_zan_qm.append(df_list[i]['期末成绩'])
    df_qm_ten_zan_ps.append(df_list[i]['平时成绩'])
    ind = np.lexsort((df_qm_ten_zan_ps, df_qm_ten_zan_qm))

通过遍历的方法把期末成绩前十由大到小输出

df_qm_ps = []
for j in range(len(df)):
    if df_list[j]['期末成绩'] > df_list[j]['平时成绩']:
        df_qm_ps.append(df_list[j]['姓名'])
print('期末考试比平时成绩高的学生名单:\n',df_qm_ps)

输出的结果：

期末考试比平时成绩高的学生名单:
 ['stud_017', 'stud_044', 'stud_062', 'stud_095', 'stud_104', 'stud_105', 'stud_135', 'stud_152', 'stud_186', 'stud_209', 'stud_233', 'stud_262', 'stud_275', 'stud_278', 'stud_280']

Process finished with exit code 0

完整代码

GitHub:完整代码

Original: https://blog.csdn.net/weixin_51355074/article/details/123525238
Author: 沐沐不是沫
Title: Numpy数据分析模块实训-【根据“某门课程平时成绩和期末考试成绩.csv”内容，计算课程的平时成绩和期末考试成绩的均值、标准差、方差、最小值、最大值，输出期末考试比平时成绩高的学生名单，并输出期末】

原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/696169/

转载文章受原作者版权保护。转载请注明原作者出处！

人工智能

【自取】最近整理的，有需要可以领取学习：

Linux核心资料大放送~

全栈面试题汇总（持续更新&可下载）

一个提高学习100%效率的工具！

【超详细】深度学习面试题目！

LeetCode Python刷题答案下载！

LeetCode Java版刷题答案下载！

LeetCode C++ 版本，抓紧保存！

LeetCode GO语言刷题答案下载！

基于python+Opencv的车牌识别

车牌识别包括车牌检测（通过图像分割、特征提取获得车牌位置）＋车牌识别（对检测到的车牌进行字符内容识别）。一、基本流程如下： 1.车牌检测 1）读取需要进行车牌识别的图片； 2）对…

人工智能 2023年7月4日
0075
人工智能十大算法

人工智能是什么？很多人都知道，但大多又都说不清楚。事实上，人工智能已经存在于我们生活中很久了。比如我们常常用到的邮箱，其中垃圾邮件过滤就是依靠人工智能；比如每个智能手机都配备…

人工智能 2023年7月28日
0056
图像处理44-模板匹配

将模板与重叠的图像区域进行比较。 void cv::matchTemplate(InputArray image, InputArray templ, OutputArray re…

人工智能 2023年7月20日
0075
数字音频的基本知识

数字音频基本知识 1.声音 2.声音的采集和存储 3.绘制时域波形图代码 4.参考 1.声音声音是一种波形。1）频率（音调）：声音1秒内周期性变化的次数。人耳的听觉频率范围在20…

人工智能 2023年5月27日
0073
Redis桌面可视化管理工具：Redis Desktop Manager for Mac 中文

Original: https://www.cnblogs.com/aurora-123/p/16735453.htmlAuthor: 佛系女孩Title: Redis桌面可视化管…

人工智能 2023年6月3日
0065
Pytorch dataloader中的num_workers (选择最合适的num_workers值)

num_workers是Dataloader的概念，默认值是0. 是告诉DataLoader实例要使用多少个子进程进行数据加载(和CPU有关，和GPU无关) 如果 num_work…

人工智能 2023年7月21日
0089
快速将Keras模型转换成Tensorflow模型

人工智能 2023年5月26日
0070
OpenCV修养（三）——图像处理（上）

文章目录 * – 致谢* 3 图像处理（上）* – 3.1 几何变换 – + 3.1.1 图像缩放 + 3.1.2 图像平移 + 3.1.3 图…

人工智能 2023年6月21日
0083
【深度学习】监督学习、非监督学习和强化学习的简单定义，回归问题和分类问题的区别

学习笔记，供自己查看 1. 监督学习【有人在监督你】【主流】对已经标记的数据样本进行学习对样本外的数据进行标记预测标记的含义：人为指定每一个样本的类别比如人为标记每一封邮…

人工智能 2023年6月18日
00194
CDH大数据平台 22Cloudera Manager Console之azkaban与freeIPA、Kerberos等组合配置(markdown新版三)

抵扣说明： 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。2.余额无法直接购买下载，可以购买VIP、C币套餐、付费专栏及课程。 Original: https:…

人工智能 2023年6月29日
0086
适合小白的几个入门级Python ocr识别库

适合小白的几个入门级Python ocr识别库 1、pytesseract 2、PaddleOCR 3、easyocr 4、muggle_ocr 5、dddd_ocr 6、其他工…

人工智能 2023年6月23日
0091
Detected that PyTorch and torchvision were compiled with different CUDA version报错处理

报错原因：pytorch版本和torchvision版本不一致。报错处理步骤：一、需要先查看你的pytorch版本，我采用的是新建一个文件输出pytorch版本。 import…

人工智能 2023年7月22日
0085
域适应(DA)—域泛化(DG)

; 域泛化数据分类 PACS数据集 PACS\VLCS\office-home 提取码：tmid ImageNet-C 衡量分类器对损坏的鲁棒性，包含15种corruption，…

人工智能 2023年5月26日
0075
cold diffusion的个人理解

背景和介绍最近阅读了Cold Diffusion: Inverting Arbitrary Image Transforms Without Noise，做了个简短的汇报，写…

人工智能 2023年7月28日
0074
在Python中使用OpenCV进行直线检测

引言在图像处理中，直线检测是一种常见的算法，它通常获取n个边缘点的集合，并找到通过这些边缘点的直线。其中用于直线检测，最为流行的检测器是基于霍夫变换的直线检测技术。霍夫变换霍…

人工智能 2023年7月19日
0089
Ubuntu18.04跑通ORB_SLAM3(实时USB单目摄像头&本地视频.mp4&官方数据集)

本人小白，寒假期间学习了一些ROS知识，试着在虚拟机搭建ORB_SLAM3环境并跑通数据集和摄像头，作本文以记录学习过程。所有用到的资源（软件安装包，镜像文件，库的源码文件都会放在…

人工智能 2023年5月26日
00104

2024 年 5 月
一	二	三	四	五	六	日
		1	2	3	4	5
6	7	8	9	10	11	12
13	14	15	16	17	18	19
20	21	22	23	24	25	26
27	28	29	30	31