游 穎 程 俊

（江西經(jīng)濟管理干部學(xué)院，江西 南昌 330088）

教育領(lǐng)域涉及學(xué)生信息、課程評估、學(xué)習(xí)成績等大量的教學(xué)數(shù)據(jù)。隨著教學(xué)數(shù)據(jù)的日益增長和復(fù)雜化，教育工作者和研究人員需要一個統(tǒng)一的數(shù)據(jù)存儲和訪問平臺進行教學(xué)數(shù)據(jù)的管理[1]。Python語言作為一種強大的編程語言，在各個領(lǐng)域均有卓越的表現(xiàn)，其簡潔易讀的語法風(fēng)格使代碼具有高可讀性，而豐富的庫和框架則提供了廣泛的功能支持[2]。Python 的跨平臺性使開發(fā)人員能夠輕松地在不同的操作系統(tǒng)上開發(fā)和部署應(yīng)用程序。此外，Python還擁有龐大的開發(fā)者社區(qū)，提供了豐富的資源和支持，使開發(fā)人員能夠更快地上手操作并解決問題[3-4]。綜合而言，Python語言因其簡潔性、高效性、可擴展性等優(yōu)勢，已成為廣大開發(fā)者的首選語言，應(yīng)用于各種領(lǐng)域的軟件開發(fā)和數(shù)據(jù)處理任務(wù)。該文設(shè)計了基于Python語言的教學(xué)數(shù)據(jù)處理平臺，旨在應(yīng)用該平臺滿足教育領(lǐng)域?qū)Ω咝А㈧`活和定制化數(shù)據(jù)處理工具的需求，推動教學(xué)質(zhì)量的提升和教育改革的推進。

1 教學(xué)數(shù)據(jù)處理平臺總框架設(shè)計

基于Python語言的教學(xué)數(shù)據(jù)處理平臺用于處理和分析教學(xué)數(shù)據(jù)，可提供數(shù)據(jù)驅(qū)動的教育決策支持和教學(xué)優(yōu)化，該平臺的總框架設(shè)計如圖1所示。

圖1 基于Python語言的教學(xué)數(shù)據(jù)處理平臺總框架設(shè)計

教學(xué)數(shù)據(jù)處理平臺的硬件設(shè)計包括服務(wù)器或云計算資源，用于存儲和處理大量的教育數(shù)據(jù)，硬件的具體配置和規(guī)模取決于平臺的使用需求和數(shù)據(jù)量大小。教學(xué)數(shù)據(jù)處理平臺的軟件設(shè)計包括Python 編程語言及其相關(guān)庫和框架，如Pandas、NumPy、SciPy、Matplotlib、Scikit-learn 和TensorFlow。用于數(shù)據(jù)處理、分析、可視化和機器學(xué)習(xí)等任務(wù)，支持平臺的核心功能和功能模塊的實現(xiàn)[5]。此外，平臺還包括數(shù)據(jù)庫管理系統(tǒng)、Web 開發(fā)框架和用戶界面設(shè)計工具，可實現(xiàn)數(shù)據(jù)存儲、功能的交互性和用戶友好性。

2 硬件設(shè)計

進行基于Python語言的教學(xué)數(shù)據(jù)處理平臺的硬件設(shè)計時，服務(wù)器選擇Dell PowerEdge R740，支持英特爾至強處理器，支持多通道DDR4 內(nèi)存，最高容量為3TB。提供多個PCIe 插槽，用于擴展和增強服務(wù)器的功能，例如添加額外的網(wǎng)絡(luò)適配器、存儲控制器等。配備iDRAC 遠(yuǎn)程管理功能，以實現(xiàn)遠(yuǎn)程監(jiān)控、故障排除和管理服務(wù)器的能力，兼容多種操作系統(tǒng)，包括Windows Server、Linux 等。該服務(wù)器具有強大的計算性能和可靠性，用于承載教學(xué)數(shù)據(jù)處理平臺的核心功能和數(shù)據(jù)存儲。在存儲設(shè)備方面，系統(tǒng)使用Dell EMC Unity 650F，用于提供高容量和高性能的存儲解決方案，并存儲和管理教學(xué)數(shù)據(jù)，確保數(shù)據(jù)的可靠性和快速訪問。網(wǎng)絡(luò)設(shè)備選擇Cisco Catalyst 9000 系列交換機，以便為系統(tǒng)提供高速和可靠的網(wǎng)絡(luò)連接，確保平臺運行的穩(wěn)定性和數(shù)據(jù)傳輸?shù)目焖傩浴?/p>

3 軟件設(shè)計

3.1 數(shù)據(jù)收集

在基于Python語言的教學(xué)數(shù)據(jù)處理平臺中，開展數(shù)據(jù)收集首先需要確定收集教學(xué)數(shù)據(jù)的來源，其中包括學(xué)生學(xué)習(xí)管理系統(tǒng)、在線學(xué)習(xí)平臺和學(xué)校管理系統(tǒng)等。平臺的數(shù)據(jù)收集模塊要主動與相關(guān)部門或機構(gòu)建立合作，獲得訪問相關(guān)數(shù)據(jù)源的權(quán)限和API 密鑰。API 密鑰是用于身份驗證和授權(quán)訪問數(shù)據(jù)源的唯一標(biāo)識符，具體的API 密鑰獲取與使用流程如圖2所示。1）注冊賬戶：訪問相關(guān)部門或機構(gòu)的開發(fā)者門戶網(wǎng)站或API 提供商的官方網(wǎng)站，注冊一個賬戶。2）創(chuàng)建應(yīng)用程序：在開發(fā)者門戶網(wǎng)站或API 提供商的控制臺中創(chuàng)建一個新的應(yīng)用程序或項目，涉及為應(yīng)用程序提供名稱、描述等信息。3）選擇API 服務(wù)：從可用的API 服務(wù)中選擇適合個人需求的服務(wù)，其中包括學(xué)生學(xué)習(xí)管理系統(tǒng)的API、在線學(xué)習(xí)平臺的API 等。4）生成API 密鑰：在應(yīng)用程序或項目的設(shè)置中生成一個API 密鑰，該密鑰將作為訪問和驗證身份的唯一標(biāo)識符。5）訪問權(quán)限設(shè)置：根據(jù)需要設(shè)置API 密鑰的訪問權(quán)限和范圍，選擇特定的API 端點、數(shù)據(jù)訪問權(quán)限等。當(dāng)符合范圍時，進行下一步，如果不符合范圍，則需要重新選擇API 服務(wù)。6）遵守規(guī)定和限制：了解并遵守相關(guān)部門或機構(gòu)的API 使用規(guī)定和限制，其中包括每日請求限制、數(shù)據(jù)保護措施等。7）使用API 密鑰：在數(shù)據(jù)收集模塊或應(yīng)用程序中使用生成的API 密鑰進行身份驗證，在API請求中添加特定的參數(shù)，以便將API 密鑰傳遞給API 服務(wù)提供商。

圖2 API 密鑰獲取使用流程

密鑰建立成功后，使用Python 的網(wǎng)絡(luò)請求庫requests與數(shù)據(jù)源API 進行交互，或者使用Python 的BeautifulSoup網(wǎng)頁解析庫從網(wǎng)頁中提取數(shù)據(jù)。通過認(rèn)證或授權(quán)方式訪問受保護的數(shù)據(jù)源，系統(tǒng)用OAuth 協(xié)議進行身份驗證，最后使用API 文檔收集和獲取數(shù)據(jù)源提供的數(shù)據(jù)，完成數(shù)據(jù)收集。

3.2 數(shù)據(jù)清洗及統(tǒng)計

數(shù)據(jù)質(zhì)量是指數(shù)據(jù)的準(zhǔn)確性、完整性、一致性、唯一性和及時性等方面的特征。在數(shù)據(jù)分析中，數(shù)據(jù)質(zhì)量至關(guān)重要，因為分析的結(jié)果和決策均依賴于數(shù)據(jù)的質(zhì)量。在設(shè)計中需要重點關(guān)注數(shù)據(jù)準(zhǔn)確性與完整性。數(shù)據(jù)應(yīng)能準(zhǔn)確地反映所代表的事實，不應(yīng)該包括任何錯誤。并驗證數(shù)據(jù)的來源和采集過程，確保數(shù)據(jù)采集的方法和工具可靠。數(shù)據(jù)完整性是指數(shù)據(jù)的完整程度，即數(shù)據(jù)是否包括所有必要的字段和記錄，檢查是否有缺失值，以確保數(shù)據(jù)記錄都是完整的，不缺少重要信息。

數(shù)據(jù)應(yīng)按照統(tǒng)一的格式存儲，方便處理和分析。確保數(shù)據(jù)類型正確，比如數(shù)值字段應(yīng)該是數(shù)值類型，日期字段應(yīng)該是日期類型等。在進行數(shù)據(jù)分析前，對數(shù)據(jù)進行清洗，處理缺失值、異常值和不一致的數(shù)據(jù)。使用合適的方法填充缺失值或處理異常值，避免對分析結(jié)果產(chǎn)生負(fù)面影響。

基于Python語言的教學(xué)數(shù)據(jù)處理平臺使用Python 的Pandas 庫進行數(shù)據(jù)導(dǎo)入、數(shù)據(jù)清洗并計算數(shù)據(jù)的描述統(tǒng)計信息。使用Pandas 庫中的函數(shù)讀取CSV 文件，或使用適合的函數(shù)讀取其他格式的數(shù)據(jù)文件。這些函數(shù)將數(shù)據(jù)加載到Pandas 的DataFrame 數(shù)據(jù)結(jié)構(gòu)中，方便后續(xù)的數(shù)據(jù)處理和分析。完成數(shù)據(jù)導(dǎo)入后進行數(shù)據(jù)清洗，并計算描述統(tǒng)計信息，數(shù)據(jù)清洗及計算的具體過程如圖3所示。

圖3 數(shù)據(jù)清洗及統(tǒng)計信息計算

在數(shù)據(jù)清洗過程中，處理缺失值時使用Pandas 的“dropna（）”函數(shù)刪除包括缺失值的行或列，或使用“fillna（）”函數(shù)填充缺失值為指定的數(shù)值或方法，以此來確保數(shù)據(jù)的完整性和一致性。處理重復(fù)值時使用Pandas 的“drop_duplicates（）”函數(shù)刪除數(shù)據(jù)中重復(fù)的行，以確保數(shù)據(jù)的唯一性和準(zhǔn)確性。處理異常值時需要根據(jù)數(shù)據(jù)的特點和實際需求進行，使用條件語句或其他方法來檢測和處理異常值，以確保數(shù)據(jù)的可靠性和準(zhǔn)確性。

描述統(tǒng)計信息計算中包括多項內(nèi)容：1）使用Pandas的“mean（）”函數(shù)計算數(shù)據(jù)的平均值，即各個數(shù)據(jù)值的總和除以數(shù)據(jù)個數(shù)。2）使用Pandas 的“median（）”函數(shù)計算數(shù)據(jù)的中位數(shù)，即將數(shù)據(jù)按照大小排序后，位于中間位置的數(shù)值。3）使用Pandas 的“std（）”函數(shù)計算數(shù)據(jù)的標(biāo)準(zhǔn)差，即衡量數(shù)據(jù)分散程度的一種統(tǒng)計指標(biāo)。4）使用Pandas 的“max（）”和“min（）”函數(shù)分別計算數(shù)據(jù)的最大值和最小值，用于了解數(shù)據(jù)的取值范圍。5）使用Pandas 的“describe（）”函數(shù)一次性計算數(shù)據(jù)的多個描述統(tǒng)計信息，如計數(shù)、四分位數(shù)等，該函數(shù)會向系統(tǒng)返回一個包括統(tǒng)計信息的匯總表。

3.3 數(shù)據(jù)處理

數(shù)據(jù)分析和建模是基于Python語言的教學(xué)數(shù)據(jù)處理平臺中處理數(shù)據(jù)的重要環(huán)節(jié)。該平臺使用Python 的SciPy 統(tǒng)計庫進行數(shù)據(jù)分析，對統(tǒng)計得到的教學(xué)數(shù)據(jù)進行假設(shè)檢驗及相關(guān)性分析。假設(shè)檢驗中需要對獨立樣本t進行檢驗（t-test），以此比較2 組獨立樣本的均值是否存在顯著差異，具體的t值的計算如公式（1）所示。

通過對2 組學(xué)生樣本的成績數(shù)據(jù)進行假設(shè)檢驗，可以判斷教學(xué)方法或策略是否能夠?qū)W(xué)生成績產(chǎn)生顯著影響。完成檢驗后使用皮爾遜相關(guān)系數(shù)（Pearson correlation coefficient）衡量2 個變量之間的線性相關(guān)性，如公式（2）所示。

通過計算學(xué)生的學(xué)習(xí)成績與其他變量（如學(xué)習(xí)時間、學(xué)習(xí)資源使用情況和參與度等）之間的皮爾遜相關(guān)系數(shù)，可以了解這些因素與學(xué)生成績之間的相關(guān)性，幫助分析哪些因素對學(xué)生成績有較強的影響。

根據(jù)計算得到的皮爾遜相關(guān)系數(shù)的值，解釋變量之間的相關(guān)性強度。如果相關(guān)系數(shù)接近于1，表示變量之間存在強正相關(guān)；如果系數(shù)接近于-1，表示變量之間存在強負(fù)相關(guān)；如果系數(shù)接近于0，表示變量之間沒有線性相關(guān)性。使用Python 的Matplotlib 可視化庫對數(shù)據(jù)進行可視化，繪制直方圖、折線圖和散點圖等，以便更直觀地理解數(shù)據(jù)分布和趨勢。

4 測試試驗

4.1 試驗準(zhǔn)備

為測試基于Python語言的教學(xué)數(shù)據(jù)處理平臺的性能，試驗使用Dell PowerEdge R740 服務(wù)器，配置為2 x Intel Xeon Silver 4110 處理器、64GB 內(nèi)存、2TB 硬盤。選擇Cisco ISR 4321 路由器和Cisco Catalyst 2960 交換機搭建局域網(wǎng)環(huán)境?？蛻舳嗽O(shè)備至少需要2 臺筆記本電腦或臺式機，用于連接平臺進行測試。服務(wù)器上安裝Ubuntu Server 20.04 LTS。安裝Python 3.8 及以上版本，并配置所需的Python 庫和依賴項。安裝PostgreSQL 為數(shù)據(jù)庫管理系統(tǒng)，用于數(shù)據(jù)存儲和管理。準(zhǔn)備一組模擬的教學(xué)數(shù)據(jù)，包括學(xué)生信息、課程信息以及成績記錄等，使用隨機生成數(shù)據(jù)的方式來模擬真實的教學(xué)數(shù)據(jù)。

4.2 試驗結(jié)果

試驗選擇了5 個不同的運行時間節(jié)點（T1～T5），并提供了相應(yīng)的數(shù)據(jù)指標(biāo)。響應(yīng)速度以毫秒（ms）為單位，表示平臺對用戶請求的響應(yīng)時間；處理能力以數(shù)據(jù)量（條/s）為單位，表示平臺的數(shù)據(jù)處理能力；傳輸速率以兆比特每秒（Mbit/s）為單位，表示數(shù)據(jù)傳輸?shù)乃俾?；清洗能力以百分比?）為單位，表示平臺對數(shù)據(jù)進行清洗和預(yù)處理的質(zhì)量。基于Python語言的教學(xué)數(shù)據(jù)處理平臺在不同運行時間節(jié)點下的數(shù)據(jù)處理結(jié)果對比情況見表1。

表1 測試試驗結(jié)果

分析測試試驗結(jié)果，可以看出平臺在不同運行時間節(jié)點下的響應(yīng)速度相對較快，平均為7ms～8ms，能夠快速響應(yīng)用戶的請求，提供高效的服務(wù)。平臺在各個運行時間節(jié)點下的處理能力均相當(dāng)穩(wěn)定，平均約為1000 條/s，具備處理大量數(shù)據(jù)的能力，可以高效地進行數(shù)據(jù)處理和分析操作。平臺在不同運行時間節(jié)點下的傳輸速率較穩(wěn)定，平均約為296Mbit/s～301Mbit/s，具備快速的數(shù)據(jù)傳輸能力，可以高效地傳輸大量數(shù)據(jù)。平臺清洗能力表現(xiàn)出色，平均為97.9%～99.0%，能夠有效地清洗和預(yù)處理數(shù)據(jù)，提供高質(zhì)量的數(shù)據(jù)分析和建模基礎(chǔ)。

5 結(jié)語

綜上所述，基于Python語言的教學(xué)數(shù)據(jù)處理平臺可以更全面地處理和分析教育領(lǐng)域的數(shù)據(jù)。該平臺通過結(jié)合Python語言及機器學(xué)習(xí)庫，可為用戶提供更強大的工具及功能，使用戶能夠更輕松地處理和分析教學(xué)數(shù)據(jù)，從而獲得更深入的洞見、更有價值的結(jié)論。通過該平臺，教育工作者和研究人員能夠更好地理解學(xué)生的學(xué)習(xí)趨勢和教學(xué)效果，并采取相應(yīng)的措施來提高教學(xué)質(zhì)量。今后應(yīng)對平臺進行進一步的完善和拓展，以滿足不斷變化的教育數(shù)據(jù)處理需求，為教育領(lǐng)域的數(shù)據(jù)分析提供更多的支持和幫助。