经过前面九篇的学习，我们已经掌握了Python的核心基础——语法、数据结构、函数、面向对象、异常处理，现在终于到了“实战环节”！这篇我们会用一个完整的小项目——“学生成绩数据分析与可视化”，把所有知识点串联起来：用pandas快速处理数据，用matplotlib生成直观的图表（柱状图、折线图、饼图），最后封装成可复用的函数，还会加入异常处理确保程序稳定。全程跟着做，你就能亲手完成第一个Python实战项目！

一、实战准备：安装必要的第三方库

实战需要两个常用第三方库（不是Python自带的，需手动安装）：

• pandas：数据处理“神器”，能快速读取Excel/CSV文件、做统计分析（求平均分、最高分等）；
• matplotlib：Python最常用的绘图库，能生成柱状图、折线图等各种可视化图表。

1. 安装方法（Windows/macOS/Linux通用）

打开终端/命令提示符，输入以下指令（确保已激活之前创建的Python虚拟环境，避免环境冲突）：

# 安装pandas和matplotlib
pip install pandas matplotlib openpyxl

• openpyxl是辅助库，用于读取Excel文件（.xlsx格式），必须一起安装；
• 安装成功后，在Python中输入import pandas和import matplotlib.pyplot as plt，不报错就是安装完成。

二、实战案例：学生成绩数据分析与可视化

我们的实战流程分为四步：

1. 准备数据：用Excel创建学生成绩表；
2. 读取数据：用pandas读取Excel文件，处理异常（如文件不存在）；
3. 统计分析：计算平均分、最高分、及格率等核心指标；
4. 可视化：用matplotlib生成3类图表，直观展示分析结果。

步骤1：准备数据（Excel成绩表）

先创建一个Excel文件（命名为student_scores.xlsx），内容如下（也可直接手动输入，或用示例数据）：

姓名	语文	数学	英语	物理	化学
小明	92	98	88	95	90
小红	85	82	93	80	88
小刚	78	65	72	68	70
小丽	95	90	96	89	92
小强	62	58	70	65	60
小芳	88	92	85	90	86

把这个文件保存到项目文件夹（和后续写的Python代码放在同一目录，避免路径错误）。

步骤2：读取数据（用pandas，加异常处理）

首先写代码读取Excel文件，并用try-except处理“文件不存在”“格式错误”等异常，确保程序不崩溃。

import pandas as pd
import matplotlib.pyplot as plt
import logging

# 解决matplotlib中文显示问题
plt.rcParams['font.sans-serif'] = ['WenQuanYi Zen Hei', 'SimHei', 'Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False

# 1. 配置日志（记录关键步骤和错误）
logging.basicConfig(
    level=logging.INFO,
    format="%(asctime)s - %(levelname)s - %(message)s"
)

def read_score_data(file_path):
    """
    读取Excel格式的学生成绩数据
    参数：file_path - Excel文件路径
    返回：成功返回pandas的DataFrame（数据表格），失败返回None
    """
    try:
        logging.info(f"开始读取成绩文件：{file_path}")
        # 用pandas读取Excel，指定读取的sheet（默认第一个，这里用"成绩表"）
        # 若Excel只有一个sheet，可省略sheet_name参数
        df = pd.read_excel(
            file_path,
            sheet_name="成绩表",  # 对应Excel的sheet名称（需和你的Excel一致）
            engine="openpyxl"    # 读取.xlsx格式必须指定engine
        )
        
        # 简单验证数据格式：检查是否包含必要的列（姓名+各科）
        required_columns = ["姓名", "语文", "数学", "英语", "物理", "化学"]
        if not all(col in df.columns for col in required_columns):
            logging.error("Excel文件格式错误：缺少必要的列（姓名/语文/数学/英语/物理/化学）")
            print("❌ 错误：Excel文件缺少必要的列，请检查格式！")
            return None
        
        logging.info(f"成功读取数据，共{len(df)}名学生")
        print("✅ 数据读取成功！前3条数据预览：")
        print(df.head(3))  # 打印前3条数据，确认读取正确
        return df
    
    except FileNotFoundError:
        logging.error(f"成绩文件不存在：{file_path}")
        print(f"❌ 错误：文件{file_path}不存在，请检查路径！")
        return None
    
    except Exception as e:
        logging.error(f"读取数据时发生未知错误：{str(e)}", exc_info=True)
        print(f"❌ 未知错误：{str(e)}，请查看日志获取详情！")
        return None

# 调用函数读取数据（确保Excel文件和代码在同一目录）
if __name__ == "__main__":
    score_df = read_score_data("student_scores.xlsx")

运行代码后，若Excel文件正确，会打印前3条数据预览，类似：

2024-06-02 14:30:00,000 - INFO - 开始读取成绩文件：student_scores.xlsx
2024-06-02 14:30:00,000 - INFO - 成功读取数据，共6名学生
✅ 数据读取成功！前3条数据预览：
   姓名  语文  数学  英语  物理  化学
0  小明  92  98  88  95  90
1  小红  85  82  93  80  88
2  小刚  78  65  72  68  70

步骤3：统计分析（计算核心指标）

读取数据后，我们需要计算“各科平均分”“每个学生总分”“及格率”等核心指标，用函数封装逻辑，让代码更清晰。

def analyze_score_data(df):
    """
    分析学生成绩数据，计算核心指标
    参数：df - 读取后的DataFrame数据
    返回：包含所有分析结果的字典
    """
    logging.info("开始分析成绩数据")
    
    # 1. 计算各科成绩指标（平均分、最高分、最低分、及格率）
    subjects = ["语文", "数学", "英语", "物理", "化学"]
    subject_analysis = {}
    
    for subject in subjects:
        # 平均分（保留1位小数）
        avg_score = round(df[subject].mean(), 1)
        # 最高分
        max_score = df[subject].max()
        # 最低分
        min_score = df[subject].min()
        # 及格率（≥60分为及格，保留2位小数）
        pass_rate = round((df[subject] >= 60).sum() / len(df) * 100, 2)
        
        subject_analysis[subject] = {
            "平均分": avg_score,
            "最高分": max_score,
            "最低分": min_score,
            "及格率(%)": pass_rate
        }
    
    # 2. 计算每个学生的总分和平均分（新增列到DataFrame）
    df["总分"] = df[subjects].sum(axis=1)  # axis=1表示按行求和
    df["平均分"] = round(df[subjects].mean(axis=1), 1)
    
    # 3. 按总分排序（从高到低）
    df_sorted = df.sort_values("总分", ascending=False).reset_index(drop=True)
    
    # 4. 统计总分排名前3的学生
    top3_students = df_sorted[["姓名", "总分", "平均分"]].head(3)
    
    # 整理所有分析结果
    analysis_result = {
        "各科指标": subject_analysis,
        "排序后数据": df_sorted,
        "总分前3": top3_students,
        "全班平均分": round(df["平均分"].mean(), 1),
        "全班总分最高": df["总分"].max(),
        "全班总分最低": df["总分"].min()
    }
    
    logging.info("成绩数据分析完成")
    # 打印关键结果
    print("\n" + "="*50)
    print("📊 成绩分析核心结果")
    print("="*50)
    print(f"全班平均分：{analysis_result['全班平均分']}")
    print(f"全班总分最高：{analysis_result['全班总分最高']}（{df[df['总分']==df['总分'].max()]['姓名'].iloc[0]}）")
    print(f"全班总分最低：{analysis_result['全班总分最低']}（{df[df['总分']==df['总分'].min()]['姓名'].iloc[0]}）")
    print("\n🏆 总分前3名：")
    print(analysis_result["总分前3"])
    
    return analysis_result

# 继续在main函数中调用分析函数
if __name__ == "__main__":
    score_df = read_score_data("student_scores.xlsx")
    if score_df is not None:
        analysis_result = analyze_score_data(score_df)

运行后会输出核心分析结果，类似：

==================================================
📊 成绩分析核心结果
==================================================
全班平均分：84.5
全班总分最高：461（小丽）
全班总分最低：383（小强）

🏆 总分前3名：
   姓名   总分  平均分
0  小丽  461   92.2
1  小明  463   92.6
2  小芳  441   88.2

步骤4：可视化（生成3类图表）

分析结果用文字展示不够直观，我们用matplotlib生成3类图表：

1. 各科平均分柱状图：对比各科难度；
2. 学生总分折线图：展示学生成绩分布；
3. 各科及格率饼图：直观看到及格情况。

def plot_score_visualization(analysis_result, df):
    """
    生成成绩可视化图表（柱状图、折线图、饼图）
    参数：analysis_result - 分析结果字典，df - 排序后的DataFrame
    """
    logging.info("开始生成可视化图表")
    subjects = ["语文", "数学", "英语", "物理", "化学"]
    
    # 1. 图1：各科平均分柱状图（对比各科难度）
    plt.figure(figsize=(10, 6))  # 设置图表大小（宽10，高6）
    avg_scores = [analysis_result["各科指标"][subj]["平均分"] for subj in subjects]
    bars = plt.bar(subjects, avg_scores, color=['#FF6B6B', '#4ECDC4', '#45B7D1', '#96CEB4', '#FECA57'])
    
    # 在柱子上添加数值标签
    for bar, score in zip(bars, avg_scores):
        plt.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.5, 
                 str(score), ha='center', va='bottom', fontsize=10)
    
    plt.title("各科平均分对比", fontsize=14, pad=20)  # 标题
    plt.xlabel("科目", fontsize=12)  # x轴标签
    plt.ylabel("平均分", fontsize=12)  # y轴标签
    plt.ylim(0, 100)  # y轴范围（0-100，符合分数逻辑）
    plt.grid(axis='y', alpha=0.3)  # 添加y轴网格线（透明效果）
    plt.savefig("各科平均分柱状图.png", dpi=300, bbox_inches='tight')  # 保存图片（高清300dpi）
    plt.close()  # 关闭当前图表，避免重叠
    logging.info("已生成：各科平均分柱状图.png")

    # 2. 图2：学生总分折线图（展示成绩分布）
    plt.figure(figsize=(10, 6))
    student_names = df["姓名"].tolist()
    student_totals = df["总分"].tolist()
    
    plt.plot(student_names, student_totals, marker='o', linewidth=2, markersize=8, color='#FF6B6B')
    
    # 在每个点上添加总分标签
    for name, total in zip(student_names, student_totals):
        plt.text(student_names.index(name), total + 2, str(total), 
                 ha='center', va='bottom', fontsize=9)
    
    plt.title("学生总分排名分布", fontsize=14, pad=20)
    plt.xlabel("学生姓名", fontsize=12)
    plt.ylabel("总分", fontsize=12)
    plt.grid(True, alpha=0.3)
    plt.xticks(rotation=45)  # 姓名标签旋转45度，避免重叠
    plt.savefig("学生总分折线图.png", dpi=300, bbox_inches='tight')
    plt.close()
    logging.info("已生成：学生总分折线图.png")

    # 3. 图3：各科及格率饼图（直观展示及格情况）
    plt.figure(figsize=(10, 8))
    pass_rates = [analysis_result["各科指标"][subj]["及格率(%)"] for subj in subjects]
    # 设置饼图颜色
    colors = ['#FF6B6B', '#4ECDC4', '#45B7D1', '#96CEB4', '#FECA57']
    # 突出显示及格率最高的科目（explode参数，0.1表示向外突出）
    explode = [0.1 if rate == max(pass_rates) else 0 for rate in pass_rates]
    
    # 绘制饼图（autopct显示百分比，保留1位小数）
    wedges, texts, autotexts = plt.pie(
        pass_rates,
        labels=subjects,
        colors=colors,
        explode=explode,
        autopct='%1.1f%%',
        startangle=90,  # 饼图起始角度
        textprops={'fontsize': 11}
    )
    
    plt.title("各科及格率分布", fontsize=14, pad=20)
    plt.axis('equal')  # 保证饼图是正圆形
    plt.savefig("各科及格率饼图.png", dpi=300, bbox_inches='tight')
    plt.close()
    logging.info("已生成：各科及格率饼图.png")
    
    print("\n✅ 所有可视化图表已生成完成！")
    print("生成的图片文件：")
    print("1. 各科平均分柱状图.png")
    print("2. 学生总分折线图.png")
    print("3. 各科及格率饼图.png")

# 完整main函数：读取→分析→可视化
if __name__ == "__main__":
    print("="*60)
    print("📋 Python学生成绩数据分析与可视化工具")
    print("="*60)
    # 1. 读取数据
    score_df = read_score_data("student_scores.xlsx")
    if score_df is not None:
        # 2. 分析数据
        analysis_result = analyze_score_data(score_df)
        # 3. 生成可视化图表
        plot_score_visualization(analysis_result, analysis_result["排序后数据"])
    print("\n🎉 程序执行完毕！")

三、实战成果与拓展

1. 查看实战成果

运行完整代码后，你会获得：

• 日志输出：记录每一步操作（读取数据、分析、绘图），方便排查问题；
• 文字分析结果：全班平均分、总分排名、各科指标等关键信息；
• 3张可视化图表：保存在项目文件夹中，可直接用于汇报或展示（高清300dpi）。

2. 功能拓展（自己动手试试）

学会基础后，可尝试添加以下功能，巩固知识点：

• 新增“不及格学生提醒”：在分析函数中，筛选出各科不及格的学生，打印提醒；
• 支持CSV文件输入：修改read_score_data函数，用pd.read_csv()读取CSV格式数据；
• 生成分析报告：用open()函数创建TXT文件，将分析结果写入，生成完整报告。

总结

这篇实战项目串联了前九篇的核心知识点：

1. 基础语法：循环（计算各科指标）、条件判断（及格率统计）；
2. 函数封装：将读取、分析、绘图拆分为独立函数，代码更易维护；
3. 异常处理：捕获文件不存在、格式错误等异常，程序更健壮；
4. 模块导入：使用pandas（第三方库）处理数据，matplotlib（第三方库）绘图；
5. 面向对象（可选）：若想进一步优化，可将“分析工具”封装成类（如ScoreAnalyzer），提升代码复用性。

至此，“Python从入门到实战”系列基础篇已全部完成！接下来你可以根据兴趣深入学习——比如用requests做爬虫、用Django开发Web、用TensorFlow做AI，Python的生态非常丰富，只要打好基础，后续学习会更轻松～