京公网安备 11010802034615号
经营许可证编号:京B2-20210330
如何对考试成绩进行数据分析(2)-数据分析师考试
五、如何简洁作出标准分的数据? 打开08级成绩,看“原始分换算成标准分”,分别在语文、数学、…后面插入一列,例如:白月同学的语文标准分是108,在其后面的空格中输入:=100*(D2-AVERAGE(D$3:D$746))/STDEVP(D$3:D$746)+500这就将白月同学的语文成绩转化为标准分了,成绩是445分。只需要双击445就可以将所有高一的学生语文成绩都转化为标准分了,只需复制这一列到数学后一列,就自动生成了数学的标准分了,同理可得到其他各科的标准分。
六、如何对数据进行分析
1、任课教师如何通过数据对学生进行指导
打开08级成绩,看“学生标准分与班级各科平均分”,例如:通过白月同学的成绩可以明显看出,她的理科相对比较强,尤其数学非常突出,超过了86.65%的同学,文科相对比较薄弱,尤其历史,有86.21%的同学超过了她。再看“学生增值与班级各科平均增值”,白月同学的数学、化学较上次期中考试进步幅度较大,而语文、历史、地理较上次期中考试退步也很明显。任课教师可以深入了解白月同学的学习方法与学习习惯,针对本学科的特点,提供给她一些合理化的建议。
2、任课教师如何通过数据反思自己的教学打开08级成绩,看“学生标准分与班级各科平均分”,例如:高一、1班的英语平均分为531,在全班各科名列第一,在高一外语中也名列第一,在高一各科中也名列前茅,因此这个班的英语不仅是班级的优势科,也是高一级部的优势科。再看“学生增值与班级各科平均增值”,高一、1班的英语平均增值为9,增值率(正增值的学生数除以学生总数)为55.32%,说明该科老师的教学对高一、1班学生的正影响较大。
Excel应对特殊学生成绩分析统计
1.考试混合编,成绩统一理--老方法遇到新问题
关于使用Excel进行学生成绩处理,已经是老话题了。但在实际工作中还是会有很多新问题,例如,现在很多学校都是全年级各班混在一起考试,以防考试改卷中的不正当竞争。而统计成绩时,则是将已判分但未拆封的考卷统一交到教务处,先按座位号顺序(每本考卷的自然顺序)录入各科分数,再分析统计出全年级各科成绩。举例说明,如图1(记录11至830隐藏了),要统计二(1)班优秀人数,传统做法就是先按考试号排序,再通过公式“=COUNTIF(分数!D2:D69,">=96")”求出。它的弊端是要手工逐个修改“D2:D69”这个参数中的两个行号(2和69),这可是一项工作量很大的工作。当然,简单的方法还是有的,往下看吧。 2.初步准备--考试号里提班级
如图1,从B列的考试号中取出前三位(班级编号)放在S列,即在单元格S2输入公式“=LEFT(B2,3)”,然后双击(或拖动)S2单元格右下角的填充柄即可。3.再做辅表--班级等级二合一
在图1所示的工作簿中再新建一工作表,并将其命名为“等级”,在单元格A1中输入公式“=分数!A1”,回车,选定A1,按住A1右下角的填充柄向右下拖至C840单元格,将“分数”工作表中的姓名、考号、座位号引用到“等级”工作表中(注意,千万不能复制粘贴过来,这样不能保持两表数据的一致性)。再选定C1,按住C1右下角的填充柄向右拖至L1单元格,将语文、数学等9个学科科目引用过来。接着,在D2单元格中输入IF嵌套公式“=IF(分数!D2>=96,分数!$S2&&"a",IF(分数!D2>=72,分数!$S2&&"b",IF(分数!D2<48,分数!$S2&&"d",分数!$S2&&"c")))”。D2单元格中公式的含义是:看“分数!D2”单元格中的分数(即“分数”工作表中李悦的语文分数)是否大于等于96。如果是,则在D2单元格中填入“201a”——“分数”工作表中S2单元格中的字符“201”加上“a”(“201”表示二(1)班,“a”表示成绩等级为“优秀”);如果不是(即小于96),再看是否大于等于72。如果是,则在D2单元格中填入“201b”;如果不是(即小于72),再看是否小于48。如果是,则在D2单元格中填入“201d”;如果不是(即小于72大于48),则在D2单元格中填入“201c”。最后按住D2单元格右下角的填充柄向右下拖至L840单元格,就可以将每个学生各科成绩的等级及所属班级都填好了
4.最终统计--所需数据瞬间齐
辅表制好之后,言归正传回到“统计”工作表(如图2)中,在A17到E28单元格区域中利用自动填充功能再制作一小块辅助数据(如图2)。
万事俱备,下面开始班级总人数及优秀率、及格率等的统计了。仍以二(1)班优秀率为例,现在就改用这样的公式了“COUNTIF(等级!$D:$D,$B17)”,即对“等级”工作表中D列所有单元格进行统计(等级!$D:$D),找出值为“201a”(本工作表即“统计”工作表的$B17的值,代表二(1)班优秀率)的单元格数目。 具体做法如下:
(1)班级总人数(在B4单元格中输入):“=COUNTIF(分数!$S:$S,A17)”;
(2)优秀人数(在C4单元格中输入):“=COUNTIF(等级!$D:$D,$B17)”;
(3)优秀率(在D4单元格中输入):“=C4/$B4 100”;
(4)及格人数(在E4单元格中输入):“=COUNTIF(等级!$D:$D,$B17)+COUNTIF(等级!$D:$D,$C17)”;
(5)及格率(在F4单元格中输入):“=E4/$B4 100”;
(6)低分人数(在G4单元格中输入):”=COUNTIF(等级!$D:$D,$E17)”;
(7)低分率(在H4单元格中输入):“=G4/$B4 100”;
到此为止,其余数据通过自动填充功能,瞬间即可完成。
5.方法点评--一表成,终年用,一劳而永逸
(1)不同年级成绩统计的简单套用:比如,首先制作好了一年级的统计表,通过复制粘贴将第一个工作表(“分数”工作表)的内容更改为二年级的数据表,则二年级的成绩统计便自然而成。
(2)多次考试成绩统计的简单套用:这次考试的统计表,到下次考试成绩统计时,照用不误,只将第一个工作表换成新生的成绩记载就可以了。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06