Портрет студента: анализ поведения, состояния и предпочтений

Для этого проекта я воспользовалась сайтом Kaggle и выбрала датасет, который содержит информацию о поведении, состоянии и предпочтениях студентов на учебе и в свободное от нее время. Этот набор данных дает представление о демографических характеристиках учащихся, их успеваемости, хобби, привычках в учебе, карьерных устремлениях и других факторах для поведенческого анализа.

Общее описание данных в столбцах: — Личные данные: пол, рост, вес, финансовый статус. — Образование: сертификационные курсы, факультет, оценки (10-й класс, 12-й класс, колледж), время учебы, предпочитаемая учебная среда, удовлетворенность степенью. — Социальные аспекты: хобби, взаимодействие с соцсетями, время в пути, уровень стресса, работа с частичной занятостью. — Будущая карьера: ожидаемая зарплата, готовность продолжить карьеру.

Этот датасет позволяет изучать факторы, влияющие на эмоциональное состояние и успеваемость студентов. Будучи студенткой, я сама сталкиваюсь с вызовами этой роли, поэтому мне особенно интересно понять, как разные факторы, от учебной нагрузки до социальных взаимодействий, формируют мое психологическое благополучие.

Кроме того, этот набор данных предоставляет возможность глубже понять мотивацию, привычки и факторы, прямо или косвенно влияющие на успеваемость студентов. Я вижу у такой информации большой потенциал в направлении оптимизации учебного процесса и разработки наиболее эффективных образовательных программ. Также, на мой взгляд, особую ценность этот набор данных представляет для исследований в области психологии и ментального здоровья студентов. Понимание особенностей их существования позволит создавать более эффективные программы поддержки для предотвращения стресса и эмоционального выгорания.

Для визуализации данных я использовала следующие виды графиков:

1. Pie chart (круговая диаграмма) показала процентные соотношения нескольких категорий.
2. Scatterplot (диаграмма рассеяния) выявила взаимосвязи между переменными.
3. Countplot (гистограмма частот) вывела количество наблюдений для выбранных категорий.
4. Barplot (столбчатая диаграмма) позволила сравнивать количественные значения различных категорий. Использовалась дважды в разных визуализациях — вертикально и горизонтально.

Общий алгоритм при создании графиков:

1. Импорт необходимых библиотек: matplotlib, seaborn, pandas и numpy.
2. Загрузка таблицы 'Student Attitude and Behavior.csv' с помощью 'pd.read_csv ()' в датафрейм 'df'.
3. Применение общих стилистических параметров для построения графиков, таких как семейство шрифта, размеры заголовков, подписи осей.

Для стилизации графиков были использованы шрифт и цветовые сочетания, соответственно представленные выше. Шрифт Inter я решила взять с самого сайта Kaggle при помощи инспекции элемента, посчитав, что такой гротеск будет хорошо сочетаться с большим объемом приведенных данных.

Оттенки для будущих графиков были подобраны с обложки моего проекта. Они показались мне не только достаточно разнообразными, но и «взрослеющими» — все еще яркими и мечтательными, но уже постепенно стремящимся к темноте и серьезности. В общем, иллюстрирующими студенческий путь.

Стилистические особенности:

1. Шрифт: Inter
2. Размер шрифта: 20
3. Размер заголовков: 32, жирное начертание
4. Отступ заголовков: 20
5. Размер подписей осей: 24
6. Отступ подписей осей: 15

Описанные выше характеристики я определила в начало, чтобы установить общие параметры внешнего вида для всех графиков. Это позволило обеспечить единообразие и четкость элементов графиков на всех изображениях. Помимо этого, все графики имеют заголовки и подписи осей на русском языке. Конкретные настройки для каждого из графиков будут описаны далее.

На мой взгляд, мне удалось создать выразительные графики в минималистичном стиле, без визуального шума, с использованием понятных и удобных в восприятии элементов.

Для графика о распределении студентов по академической успеваемости я создала новый столбец, объединяющий оценки за разные периоды обучения: «df['Overall_Mark'] = (df['10th Mark'] + df['12th Mark'] + df['College Mark']) / 3». Затем я разделила эти оценки на категории: «df['Performance_Level'] = pd.cut (df['Overall_Mark'], bins=[0, 60, 75, 90, 101], labels=['Отлично', 'Хорошо', 'Удовлетворительно', 'Неудовлетворительно'])». Подсчитав количество студентов в каждой категории, я использовала эти данные для создания круговой диаграммы.

График представляет процентное соотношение студентов в четырех категориях успеваемости: «Неудовлетворительно», «Удовлетворительно», «Хорошо» и «Отлично». Эти категории основаны на средней оценке студентов за 10-й класс, 12-й класс и колледж.

Параметры визуализации:

1. Тип графика: круговая диаграмма.
2. Цветовая палитра: ['#2DA0FF', '#FA5BDE', '#FF9950', '#01D4A9'].
3. Отсутствие обводки секторов.
4. Подписями категорий являются процентные соотношения данных.
5. Начальный угол: 90 градусов.

Для графика об антропометрических показателях я использовала данные из столбцов 'Height (CM)', 'Weight (KG)' и 'Gender'. Я создала диаграмму рассеяния, где каждая точка представляет студента, ее положение определяется ростом и весом человека, а цвет — полом (мужским и женским): «sns.scatterplot (x='Height (CM)', y='Weight (KG)', data=df, hue='Gender', palette=['#2DA0FF', '#FA5BDE'])».

График показывает распределение роста и веса студентов, разделенное по биологическому полу. Это позволяет визуально оценить различия в физических параметрах между полами.

Параметры визуализации:

1. Тип графика: точечная диаграмма рассеяния.
2. Цветовая палитра: ['#2DA0FF', '#FA5BDE'] (мужской и женский пол).
3. Белый фон с сеткой.
4. Ограничение значений по оси Х: показатель роста от пяти до двухсот сантиметров (так как один из опрошенных ошибочно указал значение ≤ 5).
5. Легенда с переводом на русский язык.

Для графика о стремлении построить карьеру на основе получаемой степени я использовала данные из столбцов 'Do You Like Your Degree? ' и 'Willingness To Pursue A Career Based On Their Degree'. Я отсортировала данные по уровню готовности построить карьеру и создала столбчатую диаграмму, показывающую распределение студентов по этим двум параметрам.

Этот график сравнивает готовность студентов построить карьеру на основе их степени (от 0% до 100%) с тем, нравится ли им их специальность. Результат позволяет увидеть, как удовлетворенность выбором специальности влияет на карьерные планы.

Параметры визуализации:

1. Тип графика: групповая столбчатая диаграмма.
2. Цветовая палитра: ['#01D4A9', '#FA5BDE', '#2DA0FF', '#FF9950', '#FFC299'].
3. Белый фон с сеткой.
4. Отсутствие обводки столбцов.
5. Категории на оси X: «Не нравится» и «Нравится».
6. Легенда для пояснения цветов.