分析学生的考试战表

子女上初级中学时得到过全年级三次试验全部课程的考试成绩表,正好能够用于陆风X8语言的计算分析学习。为了不外泄孩子的人名,就用学号代替了,感兴趣能够下载测试数据展开演练。

num class chn math eng phy chem politics bio history geo pe
0158 3 99 120 114 70 49.5 50 49 48.5 49.5 60
0442 7 107 120 118.5 68.6 43 49 48.5 48.5 49 56
0249 4 98 120 116 70 47.5 47 49 47.5 49 60
0573 9 102 113 111.5 70 47 49 49 49 49.5 60
0310 5 103 120 111.5 70 44.75 46.5 48 48 48 60

… …

 

# 在windows中安装工作目录

setwd(“D:/scores_test”)

 

# 读入成绩表,第①行是header

scores <- read.table(“scores.txt”, header=TRUE, row.names=”num”)

head(scores)

str(scores)    # 突显对象的布局

names(scores)  # 展现每一列的名目

attach(scores)

 

# 给出数据的马虎音讯

summary(scores)

summary(scores$math)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.

   3.00   84.00  100.00   93.98  111.00  120.00

# 1st Qu. 第一个4分位数

# 选拔某行

child <- scores[‘239’,]

sum(child) #求孩子的总分 

[1] 647.45

 

scores.class4 <- scores[class==4,]    # 挑出4班的

 

# 求每一个班的平平均数量学成就

aver <- tapply(math, class, mean)

# 画条曲线看看各类班的数学平均成绩

plot(aver, type=’b’, ylim=c(80,100), main=”各班数学成就平均分”,
xlab=”班级”, ylab=”数学平均分”)

mobile.365-838.com 1

# 生成数据的二维列联表

table(math, class)

     class

math  1 2 3 4 5 6 7 8 9 10

  3   0 0 0 0 0 0 1 0 0  0

  9   1 0 0 0 0 0 0 0 0  0

  10  1 0 1 0 0 0 0 0 0  0

  18  0 0 0 1 0 1 0 0 1  0

……………

 

# 求4班每一科的平均成绩

subjects <-
c(‘chn’,’math’,’eng’,’phy’,’chem’,’politics’,’bio’,’history’,’geo’,’pe’)

sapply(scores[class==4, subjects], mean)

     chn     math      eng      phy     chem politics      bio 
history      geo       pe

83.10938 97.29688 85.60156 54.30469 34.67969 42.41406 41.79688 36.77344
44.24219 54.31250

 

# 求各班各科的平均成绩

aggregate(scores[subjects], by=list(class), mean)
Group.1 chn math eng phy chem politics bio history geo pe
1 1 82.98387 92.82258 92.45161 56.04516 34.95161 42.57258 42.29839
37.03226 43.44355 54.12903
2 2 81.57759 93.17241 85.01724 54.39483 34.60776 43.13793 42.05172
38.59483 43.60345 54.68966
3 3 82.62069 88.58621 82.46552 51.59483 32.33190 41.99138 41.59483
35.49138 42.97414 54.55172
4 4 83.10938 97.29688 85.60156 54.30469 34.67969 42.41406 41.79688
36.77344 44.24219 54.31250
5 5 84.74107 97.89286 83.66964 56.10000 33.91518 42.05357 42.57143
37.77679 43.96429 54.00000
6 6 83.14407 92.40678 78.57627 51.74068 33.36864 40.64407 41.55932
34.46610 43.37288 53.22034
7 7 83.01724 90.29310 87.00862 51.75172 33.98276 41.63793 42.51724
37.46552 44.22414 53.72414
8 8 83.65833 98.65000 86.91667 56.02333 36.07917 41.70000 42.40833
37.84167 44.81667 52.93333
9 9 83.20968 94.35484 86.48387 54.29516 36.11694 41.94355 42.72581
36.07258 44.30645 53.48387
10 10 84.33871 94.08065 86.66774 55.08548 36.01210 41.86290 42.22581
36.78226 44.14516 53.61290

 

# 看看数学战绩的分布图

hist(math)

mobile.365-838.com 2

 

暗许是按频数形成的直方图,设置freq参数可以画密度分布图。

hist(math, freq=FALSE)

lines(density(math), col=’blue’)

rug(jitter(math))   #轴须图,在轴旁边出现有的小线段,jitter是加噪函数

mobile.365-838.com 3

 

# 核密度图

plot(density(chn), col=’blue’, lwd=2)

lines(density(math), col=’red’, lwd=2)

text(locator(2),c(“语文”, “数学”))  #用鼠标拾取点,加上文本标注

mobile.365-838.com 4 

 

# 箱线图

boxplot(math)

mobile.365-838.com 5

boxplot.stats(math) #本条函数能够看出画出箱线图的有血有肉的数额值 

[1] 44 84 100 111 120  

mobile.365-838.com,$n
[1] 599   #有效样本点个数

$conf
[1] 98.25696 101.74304

$out   #离群值
[1] 38 42 35 40 43 36 41 40 36 18 26 36 42 32 41 29 18 24 10 20 34 19
10 3
[25] 35 20 35 18 22 9

 

# 并列箱线图,看各班的数据分布情形 

boxplot(math ~ class, data=scores)

lines(tapply(math,class,mean), col=’blue’, type=’b’) #加上平均值

能够看到2班没有拖后腿的,4班有八个拖后腿的

mobile.365-838.com 6

 

# 看看各科成绩的相关性

# 能够见到:数学和物理的相关性达88%,理化战绩的相关性达86%。

cor(scores[,subjects])

              
chn      math       eng       phy      chem  politics       bio  
history       geo        pe
chn      1.0000000 0.6588126 0.7326778 0.6578172 0.6271155 0.7257003
0.6902282 0.6971145 0.6438662 0.2712453
math     0.6588126 1.0000000
0.8079255 0.8860467 0.8304643 0.7090681 0.7951987
0.7732791 0.7723853 0.3300249
eng      0.7326778 0.8079255 1.0000000 0.8170998 0.7868710 0.7498946
0.7731044 0.7948219 0.7265406 0.3159347
phy      0.6578172 0.8860467 0.8170998 1.0000000 0.8615512 0.7081717 0.8077105
0.8100599 0.7814152
0.3251233
chem     0.6271155 0.8304643 0.7868710 0.8615512 1.0000000 0.6441334
0.7578770 0.7993298 0.7264814 0.2769066
politics 0.7257003 0.7090681 0.7498946 0.7081717 0.6441334 1.0000000
0.7071181 0.7192860 0.6906930 0.3033607
bio      0.6902282 0.7951987 0.7731044 0.8077105 0.7578770 0.7071181
1.0000000 0.7771735 0.8382525 0.2428081
history  0.6971145 0.7732791 0.7948219 0.8100599 0.7993298 0.7192860
0.7771735 1.0000000 0.7731044 0.2708434
geo      0.6438662 0.7723853 0.7265406 0.7814152 0.7264814 0.6906930
0.8382525 0.7731044 1.0000000 0.2605251
pe       0.2712453 0.3300249 0.3159347 0.3251233 0.2769066 0.3033607
0.2428081 0.2708434 0.2605251 1.0000000

# 画个图出来看看

pairs(scores[,subjects])

mobile.365-838.com 7

# 详细看看数学和情理的线性相关性

cor_phy_math <- lm(phy ~ math, scores)

plot(math, phy)

abline(cor_phy_math)

cor_phy_math

# 也等于说拟合公式为:phy = 0.5258 * math +
4.7374,为啥是0.52?因为数学最高分为120,物理最高分为70

Call:
lm(formula = phy ~ math, data = scores)

Coefficients:
(Intercept)         math 
     4.7374       0.5258

mobile.365-838.com 8

admin

网站地图xml地图