Analýza průběžného kvízu¶
In [1]:
# Výchozí parametry notebooku pro Papermill
FILENAME = 'bizma1.json'
START = '2020-09-24 20:00:00+0100'
DEADLINE = '2020-10-11 23:59:00+0100'
SCORE_TO_PASS = 15 # MARAST bodů
CLUSTER_THRESHOLD = 120 # minut
In [2]:
# Parameters
FILENAME = "bizma2.json"
START = "2020-10-05 12:00:00+0100"
DEADLINE = "2020-10-25 23:59:00+0100"
SCORE_TO_PASS = 15
In [3]:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.cluster.hierarchy import fclusterdata
0. Načtení a předzpracování¶
Načtení dat z JSON formátu poskytovaného MARAST API, upravení datových typů sloupců a zpracování počátku/deadline.
In [4]:
df = pd.read_json(FILENAME)
df.created_at = pd.to_datetime(df.created_at, utc=True)
df.updated_at = pd.to_datetime(df.updated_at, utc=True)
df.answered_at = pd.to_datetime(df.answered_at, utc=True)
df.score = df.score.fillna(0).astype(np.int64)
start = pd.to_datetime(START, utc=True)
deadline = pd.to_datetime(DEADLINE, utc=True)
Dopočtení dalších základních užitečných údajů:
- doba od vytvoření otázky do zodpovězení,
- doba zbývající do deadline.
Zahození dat, která pravděpodobně vznikla experimentováním nebo řešením singularit.
In [5]:
for idx, row in df.iterrows():
# doba od vytvoření otázky do zodpovězení (v minutách)
if row['answered_at']:
df.at[idx, 'duration'] = (row['answered_at'] - row['created_at']).seconds / 60
# doba od zodpovězení otázky do deadline (v minutách)
df.at[idx, 'to_deadline_answer'] = (deadline - row['answered_at']).total_seconds() / 60
# doba od vytvoření otázky do deadline (v minutách)
df.at[idx, 'to_deadline'] = (deadline - row['created_at']).total_seconds() / 60
df = df[(df.created_at >= start) & (df.created_at <= deadline)]
Souhrn sloupců, pro kontrolu.
In [6]:
df.columns
Out[6]:
Přehled datových typů sloupců.
In [7]:
df.dtypes
Out[7]:
Extrakce studentů a příkladů vyskytujících se v datech.
In [8]:
students = df.anonymous_user_id.drop_duplicates().values
problem_ids = df.problem_id.drop_duplicates().values
1. Celkový přehled odpovědí, studentů a příkladů¶
Celkové počty studentů, otázek a příkladů.
In [9]:
print('Počet studentů: ', len(students))
print('Počet vygenerovaných otázek: ', len(df))
print('Počet zodpovězených otázek: ', len(df[~df.is_open]))
print('Počet příkladů: ', len(problem_ids))
print('Počet záporně ohodnocených: ', len(df[df.score < 0]))
Další "globální" statistiky.
In [10]:
print(
'Celková úspěšnost (správně zodpovězené / celkový počet odpovědí): ',
len(df[(~df.is_open) & (df.is_correctly_answered)]) / len(df[~df.is_open])
)
print('Průměrný počet minut potřebaný k odeslání odpovědi:', df.duration.mean())
print('Medián minut potřebaných k odeslání odpovědi:', df.duration.median())
Kdy jsou studenti nejaktivnější co se otevírání nových otázek, resp. odesílání odpovědí, a denní hodiny týče?
In [11]:
ax = df.created_at.apply(lambda t: t.hour + t.minute / 60).hist(bins=24, figsize=(10, 5))
ax.set_xlabel('Hodina dne')
ax.set_ylabel('Počet vytvořených otázek')
ax.set_title('Otevírání nových otázek')
plt.xticks(range(25))
plt.show()
In [12]:
ax = df.answered_at.apply(lambda t: t.hour + t.minute / 60).hist(bins=24, figsize=(10, 5))
ax.set_xlabel('Hodina dne')
ax.set_ylabel('Počet odeslaných odpovědí')
ax.set_title('Zodpovídání otázek')
plt.xticks(range(25))
plt.show()
Jak je vytváření otázek závislé na blížícím se deadline?
In [13]:
data = df.to_deadline.apply(lambda t: t / 60)
maxh = int(np.ceil(data.max()))
ax = data.hist(bins=maxh, figsize=(12, 5))
ax.set_xlabel('Počet hodin zbývajících do deadline')
ax.set_ylabel('Počet vytvořených otázek')
ax.set_title('Aktivita studentů během doby přístupnosti kvízu')
plt.xticks(range(0, maxh, 24), rotation=90)
plt.show()
Jak dlouho studentům trvá na otázku odpovědět? Následující graf je ořezaný o několik outlierů (velmi dlouho otevřené otázky).
In [14]:
data = df[df.duration <= 10*df.duration.median()].duration
maxh = int(np.ceil(data.max()))
ax = data.hist(bins=maxh, figsize=(12, 5))
ax.set_xlabel('Počet minut na zodpovězení')
ax.set_ylabel('Počet otázek')
ax.set_title('Doba potřebaná k zodpovězení otázky')
plt.xticks(range(0, maxh, 1), rotation=90)
plt.show()
2. Statistiky příkladů a úspěšnost¶
Předpočtení statistik jednotlivých příkladů.
In [15]:
# Nový DataFrame
dp = pd.DataFrame(index=problem_ids, columns=[
'displayed', 'kind', 'answers', 'correct', 'wrong', 'success_rate', 'median_time'
])
# Příklad po příkladu...
for p in problem_ids:
answers = df[(df.problem_id == p) & (df.is_open == False)]
if pd.isnull(dp.at[p, 'kind']):
dp.at[p, 'kind'] = answers.iloc[0]['kind']
dp.at[p, 'displayed'] = len(df[df.problem_id == p])
dp.at[p, 'answers'] = len(answers)
dp.at[p, 'correct'] = len(df[(df.problem_id == p) & (df.is_open == False) & (df.is_correctly_answered == True)])
dp.at[p, 'wrong'] = dp.at[p, 'answers'] - dp.at[p, 'correct']
dp.at[p, 'success_rate'] = dp.at[p, 'correct'] / dp.at[p, 'answers']
dp.at[p, 'median_time'] = answers.duration.median()
Zobrazení výsledků, seřazeno podle míry úspěšnosti (od "nejtěžšího" příkladu k "nejlehčímu"). Index (první sloupec) je MARAST ID příkladu. V posledním sloupci je uveden medián počtu minut potřebných na zodpovězení otázky.
In [16]:
with pd.option_context('display.max_rows', None, 'display.max_columns', None):
display(dp.sort_values(by=['success_rate']))
Závisí celková úspěšnost odpovídání na blízkosti deadline?
In [17]:
step = 6 * 60 # 3 hours
frame = pd.DataFrame(columns=['hours_to_deadline','success_ratio'])
for k in range(1, 8 * 7): # one week
dsnap = df[(df.to_deadline_answer >= (k-1)*step) & (k*step > df.to_deadline_answer)]
if len(dsnap) > 0:
frame.at[k, 'hours_to_deadline'] = k*step
frame.at[k, 'success_ratio'] = len(dsnap[dsnap.is_correctly_answered]) / len(dsnap)
maxt = frame.hours_to_deadline.max()
ax = frame.plot(
x="hours_to_deadline", y="success_ratio",
kind="bar", grid=True, legend=False
)
ax.set_xlabel('Počet minut na zodpovězení')
ax.set_ylabel('Počet otázek')
ax.set_title('Doba potřebaná k zodpovězení otázky')
plt.xticks(range(0, 8*7, 24), rotation=90)
plt.show()
4. Podrobnější analýza chování¶
Nejprve musíme extrahovat potřebná data. Zaznamenáme kolik odpovědí student vytvořil, kolik jich potřeboval na splnění kvízu, jak dlouho mu to od otevření kvízu trvalo, kolik času do deadline mu v okamžiku splnění kvízu zbývalo, úspěšnost jeho odpovědí a medián doby potřebné na odeslání jedné odpovědi.
In [18]:
ds = pd.DataFrame(index=students, columns=[
'total_questions', 'total_score', 'questions_to_success',
'minutes_to_success', 'minutes_left', 'success_rate', 'median_minutes_to_answer'
])
Nyní samotný výpočet.
In [19]:
for s in students:
questions = df[df.anonymous_user_id == s].copy()
ds.at[s, 'total_questions'] = len(questions)
ds.at[s, 'total_score'] = questions.score.sum()
score = 0.0
counter = 0
success = 0
for idx, q in questions.iterrows():
counter += 1
score += q['score']
if q['is_correctly_answered']:
success += 1
if q['answered_at']:
questions.at[idx, 'minutes_to_answer'] = (q['answered_at'] - q['created_at']).total_seconds() / 60
if score >= SCORE_TO_PASS:
ds.at[s, 'questions_to_success'] = counter
ds.at[s, 'minutes_to_success'] = (q['answered_at'] - questions.iloc[0]['answered_at']).total_seconds() / 60
ds.at[s, 'minutes_left'] = (deadline - q['answered_at']).total_seconds() / 60
break
ds.at[s, 'success_rate'] = success / len(questions)
ds.at[s, 'median_minutes_to_answer'] = questions.minutes_to_answer.dropna().median()
ds.questions_to_success = ds.questions_to_success.fillna(0).astype(np.int64)
Kontrola datových typů.
In [20]:
ds = ds.infer_objects()
ds.dtypes
Out[20]:
Náhled dat, z očividných důvodů nezobrazujeme všechny.
In [21]:
ds
Out[21]:
Zcela základní ukazatale.
In [22]:
print("Počet studentů: ", len(ds))
print("Z nich kvíz splnilo: ", len(ds[ds.total_score >= SCORE_TO_PASS]))
Studenti s nejvíce otázkami.
In [23]:
ds.sort_values(by='total_questions', ascending=False).head(10)
Out[23]:
Kolik otázek studenti potřeboval ke splnění kvízu?
In [24]:
data = ds[ds.questions_to_success > 0].questions_to_success
maxo = int(data.max())
ax = data.hist(bins=(maxo+1), figsize=(10, 5))
ax.set_xlabel('Počet otázek')
ax.set_ylabel('Počet studentů')
ax.set_title('Počet otázek potřebných ke splnění kvízu')
plt.xticks(range(0, maxo, SCORE_TO_PASS), rotation=90)
plt.show()
Další statistiky počtu otázek potřebných ke splnění kvízu.
In [25]:
print(
'Průměrný počet otázek potřebných ke splnění kvízu:',
ds[ds.questions_to_success > 0].questions_to_success.mean()
)
print(
'Medián počtu otázek potřebných ke splnění kvízu:',
ds[ds.questions_to_success > 0].questions_to_success.median()
)
print(
'Maximum počtu otázek potřebných ke splnění kvízu:',
ds[ds.questions_to_success > 0].questions_to_success.max()
)
print(
'Minimum počtu otázek potřebných ke splnění kvízu:',
ds[ds.questions_to_success > 0].questions_to_success.min()
)
Kolik času (od prvního otevření kvízu po jeho splnění) studentům řešení kvízu zabralo? Toto je hrubý nástřel, typicky bude obsahovat i noční dobu atp. I tak je ale výsledek zajímavý.
In [26]:
data = ds[ds.minutes_to_success > 0].minutes_to_success.apply(lambda t: t / 60)
maxd = int(np.ceil(data.max()) / 2)
ax = data.hist(bins=maxd, figsize=(18, 5))
ax.set_xlabel('Čas v hodinách')
ax.set_ylabel('Počet studentů')
ax.set_title('Čas potřebný ke splnění kvízu')
plt.xticks(range(0, 2*maxd, 4), rotation=90)
plt.show()
Kolik času studentům zbývalo do deadline v okamžik splnění kvízu?
In [27]:
data = ds[ds.minutes_to_success > 0].minutes_left.apply(lambda t: t / 60)
maxh = int(np.ceil(data.max()) / 2)
ax = data.hist(bins=maxh, figsize=(12, 5))
ax.set_xlabel('Počet hodin zbývajících do deadline')
ax.set_ylabel('Počet studentů')
ax.set_title('Kolik času zbývalo do deadline v okamžik splnění kvízu?')
plt.xticks(range(0, 2*maxh, 24), rotation=90)
plt.show()
Histogram úspěšnosti odpovídání.
In [28]:
ax = ds.success_rate.hist(bins=50, figsize=(10, 5))
ax.set_xlabel('Úspěšnost')
ax.set_ylabel('Počet studentů')
ax.set_title('Rozložení úspěšnosti odpovídání studentů')
plt.show()
Histogram mediánu času potřebného k odeslání odpovědi od vygenerování otázky.
In [29]:
ax = ds[ds.median_minutes_to_answer <= 60 * 6].median_minutes_to_answer.hist(bins=48, figsize=(10, 5))
ax.set_xlabel('Medián doby potřebné na zodpovězení (minuty)')
ax.set_ylabel('Počet studentů')
ax.set_title('Rozložení doby potřebné na zodpovězení')
plt.show()
Porovnání úspěšnosti odpovídání a času zbývajícího do deadline při splnění kvízu.
In [30]:
ax = ds.dropna(how='any', subset=['success_rate','minutes_left']).plot.hexbin(
x='success_rate', y='minutes_left', gridsize=25, figsize=(10,7), sharex=False
)
ax.set_xlabel('Úspěšnost')
ax.set_ylabel('Čas zbývající do deadline (minuty)')
ax.set_title('Úspěšnost vs. čas zbývající do deadline')
plt.show()
Porovnání úspěšnosti odpovídání a mediánu doby potřebné k odeslání jedné odpovědi.
In [31]:
ax = ds[ds.median_minutes_to_answer <= 15].dropna(how='any', subset=['success_rate','median_minutes_to_answer']).plot.hexbin(
x='success_rate', y='median_minutes_to_answer', gridsize=25, figsize=(10,7), sharex=False
)
ax.set_xlabel('Úspěšnost')
ax.set_ylabel('Medián doby na odpověď (minuty)')
ax.set_title('Úspěšnost vs. medián doby potřebné k zodpovězení')
plt.show()
5. Analýza počtu "sezení"¶
Rozšíříme tabulku studentů o další sloupce, pomocí clusterování se snažíme zjistit na kolik "sezení" student kvíz splnil.
In [32]:
for idx, row in ds.iterrows():
answers = df[df.anonymous_user_id == idx].copy()
if len(answers) <= 1:
continue
data = np.reshape(answers.to_deadline.values, (len(answers), 1))
clusters = fclusterdata(data, t=CLUSTER_THRESHOLD, criterion='distance')
answers['clusters'] = clusters
ds.at[idx, 'nclusters'] = np.max(clusters)
ds.nclusters = ds.nclusters.fillna(0).astype(np.int64)
Hrubý náhled.
In [33]:
ds
Out[33]:
Studenti nejvíce se vracející.
In [34]:
ds.sort_values(by='nclusters', ascending=False).head(10)
Out[34]:
In [35]:
data = ds.nclusters
maxc = data.max()
ax = data.hist(bins=maxc, figsize=(10, 5))
ax.set_xlabel('Počet "sezení"')
ax.set_ylabel('Počet studentů')
ax.set_title('Na kolik "sezení" studenti kvíz vyplnili')
plt.show()
Porovnání ve vztahu k úspěšnosti.
In [36]:
ax = ds[ds.median_minutes_to_answer <= 15].dropna(how='any', subset=['success_rate','nclusters']).plot.hexbin(
x='success_rate', y='nclusters', gridsize=25, figsize=(10,7), sharex=False
)
ax.set_xlabel('Úspěšnost')
ax.set_ylabel('Počet "sezení"')
ax.set_title('Úspěšnost vs. počet "sezení"')
plt.show()
