Бонус — Повний приклад Student Performance Prediction

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# Налаштування візуалізації
sns.set_style("whitegrid")
plt.rcParams['figure.figsize'] = (14, 6)
plt.rcParams['font.size'] = 11

# Завантаження датасету (Math course)
# Для реального використання замініть на URL або локальний шлях
try:
    df = pd.read_csv('student-mat.csv', sep=';')
except FileNotFoundError:
    # Альтернатива: завантаження з UCI (якщо є з'єднання)
    url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/00320/student.zip'
    import zipfile
    import urllib.request
    
    urllib.request.urlretrieve(url, 'student.zip')
    with zipfile.ZipFile('student.zip', 'r') as zip_ref:
        zip_ref.extractall('.')
    df = pd.read_csv('student-mat.csv', sep=';')

print("=" * 80)
print("ДАТАСЕТ STUDENT PERFORMANCE — ДЕТАЛЬНИЙ ОГЛЯД")
print("=" * 80)
print(f"\nРозмір: {df.shape[0]} студентів × {df.shape[1]} ознак")
print(f"\nНазви стовпців:")
print(df.columns.tolist())
print(f"\nПерші 5 записів:")
print(df.head())

# Створення цільової змінної
df['pass'] = (df['G3'] >= 10).astype(int)

# Статистика по класах
print("\n" + "=" * 80)
print("РОЗПОДІЛ ФІНАЛЬНИХ ОЦІНОК")
print("=" * 80)
print(f"\nОписова статистика G3:")
print(df['G3'].describe())

print(f"\nРозподіл за критерієм здачі:")
fail_count = (df['pass'] == 0).sum()
pass_count = (df['pass'] == 1).sum()
print(f"  Не склав (G3 < 10): {fail_count} студентів ({fail_count/len(df)*100:.1f}%)")
print(f"  Склав (G3 ≥ 10):    {pass_count} студентів ({pass_count/len(df)*100:.1f}%)")

# Кореляція попередніх оцінок з фінальною
print(f"\nКореляція оцінок:")
print(f"  G1 ↔ G3: {df['G1'].corr(df['G3']):.3f}")
print(f"  G2 ↔ G3: {df['G2'].corr(df['G3']):.3f}")
print(f"  G1 ↔ G2: {df['G1'].corr(df['G2']):.3f}")

# Візуалізація розподілу оцінок
fig, axes = plt.subplots(1, 2, figsize=(16, 6))

# Гістограма фінальних оцінок
axes[0].hist(df[df['pass'] == 0]['G3'], bins=10, alpha=0.7, color='#ef4444', label='Не склав (G3 < 10)', edgecolor='black')
axes[0].hist(df[df['pass'] == 1]['G3'], bins=10, alpha=0.7, color='#10b981', label='Склав (G3 ≥ 10)', edgecolor='black')
axes[0].axvline(x=10, color='black', linestyle='--', linewidth=2, label='Поріг здачі (10/20)')
axes[0].set_xlabel('Фінальна оцінка (G3)', fontsize=13)
axes[0].set_ylabel('Кількість студентів', fontsize=13)
axes[0].set_title('Розподіл фінальних оцінок', fontsize=15, fontweight='bold')
axes[0].legend(fontsize=11)
axes[0].grid(alpha=0.3)

# Boxplot за ключовими ознаками
fail_success_data = [
    df[df['pass'] == 0]['studytime'],
    df[df['pass'] == 1]['studytime'],
    df[df['pass'] == 0]['failures'],
    df[df['pass'] == 1]['failures'],
    df[df['pass'] == 0]['absences'],
    df[df['pass'] == 1]['absences']
]

positions = [1, 2, 4, 5, 7, 8]
colors = ['#ef4444', '#10b981'] * 3
box = axes[1].boxplot(fail_success_data, positions=positions, widths=0.6, patch_artist=True,
                      labels=['Не склав', 'Склав', 'Не склав', 'Склав', 'Не склав', 'Склав'])

for patch, color in zip(box['boxes'], colors):
    patch.set_facecolor(color)
    patch.set_alpha(0.7)

axes[1].set_xticks([1.5, 4.5, 7.5])
axes[1].set_xticklabels(['studytime\n(год/тиждень)', 'failures\n(провалені предмети)', 'absences\n(пропуски)'], fontsize=11)
axes[1].set_ylabel('Значення ознаки', fontsize=13)
axes[1].set_title('Порівняння ключових ознак: Не склав vs Склав', fontsize=15, fontweight='bold')
axes[1].grid(alpha=0.3, axis='y')

plt.tight_layout()
plt.show()

from sklearn.preprocessing import StandardScaler, LabelEncoder

# Видалення G1, G2, G3 (залишаємо лише 'pass')
features_to_drop = ['G1', 'G2', 'G3']
df_features = df.drop(features_to_drop + ['pass'], axis=1).copy()
df_target = df['pass'].copy()

print("=" * 80)
print("ПОПЕРЕДНЯ ОБРОБКА КАТЕГОРІАЛЬНИХ ЗМІННИХ")
print("=" * 80)

# Обробка категоріальних змінних
categorical_cols = df_features.select_dtypes(include=['object']).columns.tolist()
print(f"\nКатегоріальні стовпці ({len(categorical_cols)}):")
for col in categorical_cols:
    unique_vals = df_features[col].nunique()
    print(f"  {col:15} → {unique_vals} унікальних значень: {df_features[col].unique()[:5].tolist()}")

# Стратегія:
# - Бінарні змінні (2 значення) → Label Encoding
# - Багатокласові (>2 значень) → One-Hot Encoding

binary_cols = [col for col in categorical_cols if df_features[col].nunique() == 2]
multiclass_cols = [col for col in categorical_cols if df_features[col].nunique() > 2]

print(f"\nБінарні стовпці (Label Encoding): {binary_cols}")
print(f"Багатокласові стовпці (One-Hot Encoding): {multiclass_cols}")

# Label Encoding
for col in binary_cols:
    le = LabelEncoder()
    df_features[col] = le.fit_transform(df_features[col])
    print(f"  {col}: {le.classes_} → {le.transform(le.classes_)}")

# One-Hot Encoding
df_features = pd.get_dummies(df_features, columns=multiclass_cols, drop_first=True)

print(f"\nРозмір після кодування: {df_features.shape[1]} ознак")
print(f"Приклад нових стовпців: {df_features.columns[-5:].tolist()}")