注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. School_District_Analysis:分析学生的标准化考试成绩-源码

  2. 学区分析 分析学生的标准化考试成绩 项目概况 校务委员会已通知Maria和她的上司，students_complete.csv文件显示了学术不诚实的证据； 具体来说，托马斯高中九年级学生的阅读和数学成绩似乎已经改变。 校务委员会要求采取以下措施来维持州考试标准： 用NaN代替Thomas High School的数学和阅读成绩，同时保持其余数据不变。 重复学区分析。 编写报告以描述这些更改如何影响整体分析。 这样我们就可以分析此事件是否对通过考试的每所学校的整体绩效产生了影响，因为学校绩

  3. 所属分类：其它

  1. School_District_Analysis-源码

  2. School_District_Analysis 项目概况 客户是城市学区的首席数据科学家，客户在发现学术不诚实的证据后要求进行第二次分析。汇总数据以显示趋势和学校表现，并协助学校董事会和学监在学校和地区一级做出决策。 目的 该项目的目的是生成一个区域范围的摘要，该摘要显示对以下内容的分析： 地区摘要学校摘要高，低表现学校的数学和阅读分数，按年级分数，按学校支出分数，按学校规模分数，按学校类型，分数69 + 857471 83 + 9 .. 结果 区域摘要如何受到影响？ 经过分析，学区总结并没有

  3. 所属分类：其它

  1. School_District_Analysis:模块4-源码

  2. School_District_Analysis 概述 目的是为Maria提供有关Thomas高中九年级学生的阅读和数学成绩的分析。校务委员会让Maria意识到，电子表格中的当前数据可能不诚实地显示了学术证据，因此，他们希望更深入地研究数据以查看到底发生了什么。我用NaN值替换了两个分数（阅读，数学）。分析将包括学术不诚实审查前后的数据。 区域摘要分析： 下面的两个图表显示了调查前后的地区摘要。 前 后 下面的列下降了1％ 数学及格率（74.9％至74.8％） 通过阅读率（85.8％至85.7％

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：504kb
    • 提供者：weixin_42109925

  1. School_District_Analysis-源码

  2. School_District_Analysis 由于怀疑学术不诚实，学校董事会聘请了一家咨询公司来分析学生数据。 显示了托马斯高中九年级的阅读和数学成绩的证据似乎已经改变。 校务委员会不了解学术不诚实的全部内容，为了坚持州考试标准，他们聘请了这家公司来寻求帮助。 进行的分析将以前的学区分析与该公司的分析进行了比较，以确定可疑的学术不诚实行为如何影响学校的表现。 校务委员会要求提供以下可交付成果： 以表格格式显示的地区关键指标的高级快照 以表格形式列出的每所学校的关键指标概述 代表以下各

  3. 所属分类：其它

  1. School_District_Analysis-源码

  2. School_District_Analysis 目录 项目名称 学区分析-第4单元挑战 技术领域 3.7.9。 概述 使用Pandas和Python探索给定的数据集：1） ，由学校ID，学校名称，学校类型，规模和预算组成； 2） ，由学生ID，学生名称，性别，年级，学校名称，阅读分数和数学分数。 该模块的结果提供了以下可交付成果清单，用于对学区进行分析： 以表格格式显示的地区关键指标的高级快照 以表格形式列出的每所学校的关键指标概述 代表以下各项指标的表格： 根据整体及格率，排名前5

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：672kb
    • 提供者：weixin_42114046

  1. School_District_Analysis-源码

  2. School_District_Analysis 背景 托马斯高中九年级学生的成绩已更改。 尽管管理员不完全了解这种学术上的不诚实，但他们希望遵守状态测试的标准，并向您寻求帮助。 与学校负责人和玛丽亚一起评估情况之后，您决定最好的方法是： -取代托马斯高中的九年级数学和阅读分数。 -保留与九年级学生和托马斯高中相关的所有其他数据。 目标 这项挑战的目标是让您： -使用逻辑运算符过滤DataFrame。 -用NaN替换不正确的值。 -说明处理不正确数据后PyCitySchools分析的变化。 结

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：481kb
    • 提供者：weixin_42119866

  1. School_District_Analysis-源码

  2. School_District_Analysis 学区分析概述 玛丽亚（Maria）是城市学区的首席数据科学家。 她要求对学校支出和标准考试成绩进行分析。 结果 地区摘要 平均数学成绩下降了0.1点，而平均阅读成绩却保持不变。 通过数学的学生百分比与通过阅读的学生百分比相比下降了1％。 整体及格率也下降了1％。

  3. 所属分类：其它

  1. School_District_Analysis-源码

  2. School_District_Analysis 学区分析概述： 一个学校董事会担心存在学术不诚实，他们希望我们从其数据集中删除所涉及的学校和年级。 他们希望我们删除此数据，因为他们不确定它可能如何影响我们在先前模块中为他们创建的结果。 结果： 区域摘要如何受到影响？ 模块： 挑战： 学校总结如何受到影响？ 挑战： 模块： 相对于其他学校，替换九年级学生的数学和阅读成绩对托马斯高中的表现有何影响？ 托马斯高中仍然是排名前五的学校之一，对它的影响并不大。 但是，我们看不到他们9年级的分

  3. 所属分类：其它

  1. School_District_Analysis-源码

  2. 学区分析 鲍勃·西米内拉（Bob Ciminera） 学区分析概述 目的 Maria是城市学区的数据科学家，负责为分析，报告和演示准备标准化的测试日期，以提供有关性能趋势和模式的见解。 这些见解可用于为学校和学区一级的讨论和战略决策提供参考。 为了进行此分析，向玛丽亚提供了学校资助和其他数据，以及有关标准数学和阅读测试的学生成绩。 在我的协助下，她的任务是汇总这些数据以展示学校表现的趋势。 这将有助于学校董事会和学区长做出有关学校预算和优先事项的决策。 在完成对学区的初步分析后，校务委员会

  3. 所属分类：其它

  1. School_District_Analysis-源码

  2. School_District_Analysis 学区分析概述 目的 ： 在初始分析中提供给我们的数据中有一些学术不诚实的证据。 具体来说，托马斯高中九年级学生的阅读和数学数据表明，年级可能已被篡改。 为了保持分析的准确性，我们将排除那些特定的九年级学生的数学和阅读数据，然后重复学区分析。 结果 地区摘要结果 根据我们的分析： 学生总人数和总预算保持不变，因为他们没有受到被忽略的九年级成绩的影响 平均数学成绩从上次分析的79.0％降低了0.1％，降至目前的分析的78.9％ 平均阅读分数保持

  3. 所属分类：其它

  1. School_District_Analysis:分析城市学校的标准化考试成绩和经费-源码

  2. School_District_Analysis 分析城市学校的标准化考试成绩和经费

  3. 所属分类：其它

  1. School_District_Analysis:学校分析-源码

  2. School_District_Analysis 对于挑战的这一部分，编写一份报告，其中总结了您更新后的分析并将其与模块的结果进行比较。 分析应包含以下内容： 学区分析概述：解释此分析的目的。 该项目的目的是分析区域范围内的标准化测试结果。 汇总数据以显示学校成绩的趋势。 校务委员会将使用这些结果来制定有关未来学校预算和优先事项的战略决策。 结果：使用项目符号列表和DataFrame的图像作为支持，解决以下问题。 区域摘要如何受到影响？ 学校总结如何受到影响？ 相对于其他学校，替换九年

  3. 所属分类：其它

  1. 学校_地区_分析：M4练习_学校年级分析-源码

  2. School_District_Analysis M4练习_学校成绩分析

  3. 所属分类：其它

  1. School_District_Analysis：使用Python，Anaconda和Jupyter-源码

  2. School_District_Analysis 使用Python，Anaconda和Jupyter 概述 校董会怀疑托马斯高中9年级学生的学术不诚实。 为了维持学校的考试标准，我们必须删除托马斯高中9年级学生的数学和阅读成绩，同时保持其余数据不变。 然后执行新一轮的分析，其中我们将考虑删除这些成绩及其影响方式： 地区概要 学校总结 根据总体合格率排名前5名的学校，排名前5名和后5名的学校 下5 每个学校每个年级水平的平均数学分数 每个学校每个年级水平的平均阅读分数 每个学生的学

  3. 所属分类：其它

  1. school_district_analysis：jupyter笔记本-源码

  2. School_District_Analysis 学区分析概述 某城市学区的首席数据科学家玛丽亚（Maria）要求我们帮助分析有关学生资助和学生标准化考试成绩的数据。 我们帮助汇总数据并展示了学校绩效的趋势，以帮助学校董事会和学区长对学校的预算和优先事项做出决策。 向学校董事会提供我们的调查结果后，我们被告知有关学术不诚实的证据； 特别是针对托马斯高中9年级学生的阅读和数学成绩。 我们删除了托马斯高9年级学生的阅读和数学成绩，而其余数据保持不变。 这是我们对更新后的分析的发现。 结果 区域层面的

  3. 所属分类：其它

  1. School_District_Analysis-源码

  2. School_District_Analysis 概述 收集的数据将有助于进行分析，以了解花在学生身上的钱，从而转化为阅读和数学成绩的提高。 它还将使我们能够了解哪些学校，年级和学生的表现好坏。 分析与总结 地区摘要显示了总预算，平均数学和阅读分数以及总及格率的基线。 现在，可以将其用于比较随时间推移的逐年数据。 在下面，我们可以看到该地区表现最好的学校以及那些可能需要更多支持以提高学生表现的学校。 这是基于学生总合格率的百分比。 通过退回9年级的分数，它反映了学生整体表现的下降。 整体

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：496kb
    • 提供者：weixin_42099070

  1. School_District_Analysis-源码

  2. 学区分析 学区分析概述： 州教育委员会在托马斯高中发现了九年级学生的阅读和数学成绩差异。 决定是用NaN代替托马斯高中的数学和阅读成绩，同时保持其余数据不变，以便符合州测试标准并分析该地区高中的整体表现。 该分析的目的是确定城市学区中托马斯高中的整体表现，有无变化的九年级阅读和数学成绩数据。 结果： 替换托马斯高中数学和阅读成绩的决定改变了该学校在排名中的位置。 以下是排名较高和较低的高中的表现。 地区摘要 分析表明，除非您将其四舍五入到分数的十分之一，否则对分数摘要的总体影响是不可察觉的。

  3. 所属分类：其它

  1. School_District_Analysis：分析学区数据，例如学校预算和学生表现，以发现趋势并得出结论-源码

  2. 学区分析 项目概况 该项目的目的是分析整个学区的数据，例如资金和学生成绩，以学习新见解并直观地提供每所学校表现的清晰结果。 此外，为维护州考试标准，由于一组学生中可能存在学术上的不诚实，因此进行了两次分析。 还讨论了省略潜在不诚实数据的含义。 资源 资源：在此分析中使用的所有数据都位于“文件夹中。 软体： Python 3.7，Anaconda，Jupyter Notebook 结果 由于托马斯高中九年级学生的潜在学术不诚实，此分析进行了两次。 该分析的第一个试验包括完整的学生数据。 在此分析

  3. 所属分类：其它

  1. School_District_Analysis-源码

  2. School_District_Analysis 项目概况 该分析的目的是使用Maria提供的数据来分析该地区学校之间的考试成绩趋势。 我们使用这些数据来确定按学校，预算，学校规模和其他因素得出的最高及格率。 资源 数据源：clean_students_complete.csv软件：Python 3.8.5，Jupyter Notebook 结果 学校和学区摘要如何受到影响？ 学校和学区的摘要大部分都保持不变，只是替换了九年级的分数。 托马斯高中的百分比发生了变化，但取代了九年级学生的数学和阅

  3. 所属分类：其它

  1. School_District_Analysis：学区数据分析-源码

  2. School_District_Analysis 学区数据分析 学区分析概述： 该分析的目的是使用学校和学生信息来查看本地学区数据。 令人担忧的是，其中一所学校，托马斯高中的九年级数据似乎已被更改。 使用这些提供的数据集，并通过Jupiter笔记本使用Python3，Pandas和Numpy进行分析，可以清除和替换信息。 按照请求说明，将九年级阅读和数学成绩替换为NaN，更新学校摘要数据框架，并重复学区分析以将所有影响与整体分析进行比较。 所有分析代码都包含在文件中：PyCitySchool

  3. 所属分类：其它

« 12 »