文件名称：School_District_Analysis:使用Python分析学区学生数据的新存储库
文件大小：1.47MB
文件格式：ZIP
更新时间：2024-05-01 12:10:14
JupyterNotebook
学区分析 我们对一个学区的数据进行了分析，该数据包含15所高中和9170年级至12年级的39170名学生，并根据平均数学和阅读分数（基于每位学生的支出，学校规模和学校类型，根据平均分和阅读分数）检索详细摘要和学校摘要（例如，特许学校或地区学校）。 结果 区域摘要如何受到影响？ 最初，学区共有39170名学生。 由于托马斯高中9年级学生的某些考试成绩存在争议，该地区暂停了9年级的成绩（通过将NaN用作该学校9年级的成绩）。 这影响了新学生人数（即，在删除了托马斯高中的461个9年级学生之后，总学生人数从之前的39170名学生增加到38709名），这可能会影响确定各种地区指标的平均数和百分比的计算。 让我们看看排除这9年级学生之前和之后的学区摘要。 图1.地区摘要（之前） 图2.地区摘要（后）
【文件预览】：
School_District_Analysis-main
----cleaning_student_names.ipynb(1.38MB)
----PyCitySchools_Challenge.ipynb(164KB)
----cleaning_data.ipynb(16KB)
----PyCitySchools_Challenge_testing.ipynb(163KB)
----PyCitySchools_Challenge_starter_code.ipynb(28KB)
----functions.ipynb(3KB)
----Resources()
--------schools_complete.csv(683B)
--------district_summary_after.png(34KB)
--------students_complete.csv(1.96MB)
--------clean_students_complete.csv(2.17MB)
--------per_school_summary_after.png(47KB)
--------per_school_summary_before.png(46KB)
--------missing_grades.csv(289B)
--------district_summary_df_after.png(51KB)
--------district_summary_df_before.png(30KB)
----PyCitySchools.ipynb(303KB)
----.gitignore(2KB)
----jupyter_practice.ipynb(560B)
----README.md(1KB)
----pandas_practice.ipynb(27KB)