结对项目 —— 第一次结对作业

这个作业属于哪个课程	软件工程 (福州大学至诚学院 - 计算机工程系)
这个作业要求在哪里	第一次结对作业
这个作业的目标	数据采集以及数据可视化
作业正文	见下文
学号	洪成龙211706174、林航211706186
其他参考文献	pandas.DataFrame.plot( )参数详解、常用模块之matplotlib

简单的自我介绍

• 我是来自计算机工程系计算机科学与技术的洪成龙，学号211706174，喜欢篮球，动漫。
• 我的结对同伴是来自计算机工程系计算机科学与技术的林航，学号211706186，是我在大学里认识的第一个朋友。

此篇博客由我与林航共同完成。

希望同学们在看这篇博客前，能先完成一下这份问卷调查，
对我们的问题有一定的了解，才能更好地理解我们为什么这么处理数据及其它思路。
代码没有完全发出来，大家有什么不懂的地方，也可以私聊我们。

关于选取的角度

此次因疫情延期开学情况下，学生在家线上学习的学习吸收率如何。

• 学习吸收率与学习态度的相关性
• 学习吸收率与学习状态的相关性
• 学习吸收率与问老师问题的频率的相关性
• 学习吸收率与其它特征的相关性

关于采集的数据

• 采集对象：在校大学生
• 数据量：110份+
• 数据采集方式：问卷调查
• 数据采集过程：把问卷调查分享自己同学们，对他们进行一次调查
• 数据处理过程：对收集到的数据使用python进行可视化分析

数据处理

从问卷系统导出编码数据

总体预览

发现有很多无用的数据和一些空值，于是进行一些简单的清洗。

students.set_index('编号', inplace=True) # 将编号设为索引列
students.sort_index(inplace=True) # 排序索引列
students.drop(['开始答题时间', '结束答题时间', '答题时长','IP归属地市',
               '自定义字段','2.你的年级是？[选项填空]','3.你的专业是？[选项填空]'],axis=1,inplace=True) #删除不需要的列
students = students.fillna(0) # 用0填充所有缺失值,表示没有
students = students.applymap(lambda x: int(x) if type(x)==float else x) # 如果数据是浮点数转为整数

接下来便可以开始对数据进行处理。

数据分析

> 从以上三幅图可以看出本次采集的数据样本大部分为17计科的男同学

这是我们统计的目前在使用的几种线上授课平台受喜爱程度，可以看出B站直播是同学们最为喜欢的授课平台

从图中可以分析到对于线上课程，同学们还是都有在学习的，只有极少数同学并不认真。

结合前面这两张图（‘态度’，‘状态’），可以看出对于现在的线上教学，大部分同学们仍处于被动状态。

因此，我们就可以要了解一下，同学们对于知识的吸收程度，看看对于网络授课同学们能不能学到东西

可以看出有一半的同学其实对于知识点的学习吸收并不理想。

那我们就来分析一下学习吸收率与一些其他因素的相关性

注：1-3数值增加 表示 学习吸收率增加，态度增加，状态增加，笔记增加，自我感觉作业量增加，得到网课的帮助增加，问老师问题的频率增加。

根据表格可以观察出，笔记这列比较反常，所以不考虑这个特征。

注：以下密度图的纵坐标是人数密度，横坐标是等级，等级越高，表现越好。

可以看出学习吸收率与学习态度, 学习状态, 作业量, 帮助大小,有问题是否及时询问老师的相关性总体趋势几乎一致。

对于学习吸收率与学习态度的独立分析

注：1类吸收率：'0-33%', 2类吸收率:'34%-66%', 3类吸收率:'67-100%'
1类态度：'只是播放并不听讲，应付老师要求，抄同学作业',
2类态度：'偶尔划划水，开个小差，独立完成课后作业',
3类态度：'认真听讲，有思考，做笔记，独立完成课后作业'

可以看出

1类态度同学的人数密度比1类吸收率同学的人数密度少0.05
2类态度同学的人数密度比2类吸收率同学的人数密度多0.7
3类态度同学的人数密度比3类吸收率同学的人数密度少0.26
说明2类态度(偶尔划水)的同学中有极小部分处于1类吸收率，有小部分处于3类吸收率。

对于学习吸收率与学习状态的独立分析

注：1类吸收率：'0-33%', 2类吸收率:'34%-66%', 3类吸收率:'67-100%'
1类状态：'迷迷糊糊，还未适应', 2类状态：'被动学习，效果一般', 3类状态：'努力学习，受益良多'

1类状态同学的人数密度比1类吸收率同学的人数密度多0.16
2类状态同学的人数密度比2类吸收率同学的人数密度多0.08
3类状态同学的人数密度比3类吸收率同学的人数密度少0.35
说明3类吸收率(67%-100%)的同学有很大一部分还没调整好状态。

对于学习吸收率与有问题是否及时询问老师的独立分析

注：1类问题：'从来不', 2类问题：'偶尔会', 3类问题：'经常会'
1类吸收率：'0-33%', 2类吸收率:'34%-66%', 3类吸收率:'67-100%'

1类问题同学的人数密度比1类吸收率同学的人数密度多0.18
2类问题同学的人数密度比2类吸收率同学的人数密度多0.66
3类问题同学的人数密度比3类吸收率同学的人数密度少0.56
说明2类问题(偶尔)同学的学习吸收率也还不错。

从这些分析我们可以看出学习吸收率和学习状态最为相关，所以希望同学们调整自己的状态，自己的学习状态越好，才能更好地吸收知识，提高学习效率。

除了学习吸收率与各种因素的关联，我们其实还分析了一些其他关联

关于作业量与线上教学对于你的帮助

注：1类作业：'很少，十分轻松', 2类作业：'适中，可以接受', 3类作业：'很多，忙不过来'
1类帮助：'不大', 2类帮助:'一般', 3类帮助:'很大'

1类作业同学的人数比1类帮助同学的人数几乎一致
2类作业同学的人数比2类帮助同学的人数十分接近
3类作业同学的人数比3类帮助同学的人数十分接近
说明你认为的作业量越多，你所得到的帮助就越大，提升就越多。

关于学习状态与学习态度的关联性分析

注：1类状态：'迷迷糊糊，还未适应', 2类状态：'被动学习，效果一般', 3类状态：'努力学习，受益良多'
1类态度：'只是播放并不听讲，应付老师要求，抄同学作业',
2类态度：'偶尔划划水，开个小差，独立完成课后作业',
3类态度：'认真听讲，有思考，做笔记，独立完成课后作业'

1类态度同学的人数密度比1类状态同学的人数密度少0.2
2类态度同学的人数密度比2类状态同学的人数密度多0.66
3类态度同学的人数密度比3类状态同学的人数密度少0.1
可以看出，1类状态(迷迷糊糊)同学，虽然状态不佳，但仍坚持学习。

最后我们用了一份热力图来表示各个特征的关联性

注：热力图用皮尔逊相关系数来查看两者之间的关联性

这张图描述了各个特征之间的关联性。
可见，

1. 吸收率与状态关联最强，上课状态好了，学习吸收率自然提高。
2. 关联第二强的是态度。态度端正，但不在状态，心有余而力不足，学习吸收率也受到影响。

缺点：

• 由于数据量太少，所以得出的关联不太准确。
• 在做问卷时，没考虑好重点是“学习吸收率”，所以关联性不强。
• 有的问题出的不好，比如“你觉得作业量大吗”，这和“学习吸收率”的确没什么关联。

关于云结对

结对编程?不不不，面向对象编程！

上图为 我看林航编码

上图为 林航看我编码

我们俩一共花了两天多的时间，才终于完成数据收集、可视化及分析。
我们主要是使用腾讯会议进行交流，我分享桌面，并一起探讨代码。
作图相对比较容易，但在分析关联图时，我们俩都不能很好地表达出图表所展示的内容。

吐槽

1. 数据分析的内容都忘记了，一开始竟然无从入手。后来慢慢地，感觉来了，也就上手了。

2. 我觉得最难的是，表达图标所展示的内容，分析关联图就占了我大半的时间，本以为已经准确描述。
   后来我自信满满地把做出来的图表分析给我姐姐听，但我姐姐提出的几个问题把我整懵了，于是又重新分析。
   但是最后分析出来的内容，我也不知道我表达地对不对，如果有错，恳请提出。

3. 关于与林航的合作，还算愉快。
   他的不足之处在于，一个很简单的问题，他常常讲一堆话来解释，还停不下来，我都听不懂他在讲啥。
   而我，语言表达能力极差，不能清楚地表达出我分析的结果。

4. 我在出问卷的时候，没抓好重点，导致做数据分析时磕磕碰碰。

改进

• 在部分密度图上加了一条黑线
• 在密度图旁边加上了相对应的表格，方便理解
• 将不那么准确的词语如“一些”、“一半”等改成数值
• 加了小提琴图，从吴秋悦大佬那学习到的新知识

总结

根据此次疫情期间学生在家线上学习情况调查的分析，有一半同学的学习吸收率并不高，主要原因是状态和态度。
有些同学学习态度是好的，但是错误的学习状态却会导致事倍功半。想要提高学习效率，我们当前的任务就是要辨别自己的学习状态正确与否。若不足，则改进。

• 有20%的同学还处于迷迷糊糊，未适应的状态。建议调整好作息，合理安排课余时间。
• 有48.2%的同学处于被动学习的状态。这类同学大多没有一个明确的学习目标，且这种学习态度会导致时间周转不过来。希望早日找到学习的目标，保持一颗热爱学习的心。
• 有31.8%的同学努力学习。很棒！继续加油！

TO BE CONTINUED.