为简化学生成绩模型，将传统的语文、数学、英语、历史、政治、物理、化学降为文科、理科两个维度方便分析，现分别进行文科内、理科内成绩的相关性分析。

Python代码：

# encoding=utf-8 注释可用中文

import pandas as pd

def anaCorr(excelName,SheetX):

scoreTable = pd.read_excel(excelName, SheetX) # 读取表格数据

anaTable = scoreTable.loc[:, [u'语文', u'数学', u'英语', u'文综', u'理综']] #切片，选取所有行，选取哪些列

corrV = anaTable.corr() # 统计相关性

corrV.to_excel(u'相关.xlsx') #输出为excel文件

先看看12届毕业生的数据：

能看出语文-英语，英语-政治相关性稍弱，其它文科之间、理科之间相关性还是比较强的。接下来看看13届毕业生中考成绩的相关性：

通过数据，我们可以知道，语文-英语，英语-文综学科，相关性一直就不高。(当然，也可以每一届都分析一下，每一届学生也不同)。(最开始是设想分为文-理两个维度，接下来，甚至可以根据相关度，来设置成：语文政治历史，数学物理化学，英语这三个维度来分析、划线，这是后话了。)

就我要分析的18届毕业生，看一看上个学期，月考、期中、期末的各科成绩相关性：

1. 月考-只有五科

2. 期中-

3.期末-

将这些数据对比来看：

除了英语对政治相关度弱之外，其他学科都达到了0.7以上，在数学物理化学三个学科中，都达到了0.75。(应该对中考成绩进行进一步分析，看别届毕业生是否符合这种情况。)

综上，有充足的证据表明，可以用文-理的思路，将学生成绩进行二维划分，利用XY散点图，对学生成绩进行分类。

将每次考试的文科、理科成绩分别相加，再绘制散点图。

Python代码：

def wenLi(excelName,SheetX):

scoreTable = pd.read_excel(excelName, SheetX) # 读取表格数据

wenList = scoreTable[u'语文']+scoreTable[u'英语']+scoreTable[u'文综']

scoreTable[u'文科'] = wenList

liList = scoreTable[u'数学']+scoreTable[u'理综']

scoreTable[u'理科'] = liList

# scoreTable.to_excel(u'测试.xlsx') #现在scoreTable多了两列：文科 理科

pl = scoreTable.plot(kind='scatter', x=u'文科', y=u'理科').get_figure() #选取文科理科进行散点图绘制

pl.savefig('1.png') #将散点图保存为png

13年毕业生的文理散点图：

用Excel2016做出来的散点图：

。为什么用Python：有了相应文理科数据散点图，可以尝试对成绩点进行分类(scikit-learn)。

18届毕业生期中考试：

期末考试：

如果用Excel2016分析，会得到更多的统计结果。尤其是直方图。

后面，我会尝试用Python对学生成绩进行分类，和预测(机器学习部分，Excel做不了)。