在线学习行为数据分析与 AI 问答平台
一款拖拽即用的 Flask Web 应用，为 MOOC 学生会话数据提供描述统计、相关性、聚类、回归、分类分析， 并内置基于当前数据集上下文的大语言模型对话助手。
🌐 在线演示 https://eduanalytics-qpq7.onrender.com/ · 无需本地安装，浏览器打开即用
- 七个分析模块 概览 / 相关性 / 散点 / 分组对比 / 聚类 / 回归 / 分类
- 数据感知 AI 助手 集成 OpenAI 兼容 API，系统提示词自动注入当前数据集的描述统计与分组表
- 配置持久化 API 地址、密钥、模型名写入浏览器
localStorage，刷新后自动恢复 - 响应式可交互图表 基于 Apache ECharts 5，支持悬停、缩放、图例筛选、模型切换
| 模块 | 方法 | 主要产出 |
|---|---|---|
| 数据概览 | 描述性统计 + 三率（及格/优秀/拔尖） | 六张指标卡、成绩直方图、归一化箱线图 |
| 相关性分析 | Pearson 相关系数 | 七阶热力图、与成绩相关系数排序图 |
| 散点图 | OLS 拟合 | 可切换变量 X 轴、实时相关系数显示 |
| 分组对比 | 地区 / 账户状态 / 活跃天数分箱 | 条形-折线双轴图、退课率图 |
| 聚类分析 | K-Means + PCA + 轮廓系数 | 肘部图、二维聚类散点、特征雷达图 |
| 回归分析 | 线性回归 | 系数条形图、实际 vs 预测对角线图、残差直方图 |
| 分类分析 | 逻辑回归 / 决策树 / MLP | 指标对比柱状图、混淆矩阵、特征重要性 |
💡 不想本地安装？ 直接访问线上部署版：https://eduanalytics-qpq7.onrender.com/ （Render 免费实例首次访问可能需 30 秒左右冷启动，请耐心等待）
方式 A：使用 uv（推荐）
uv 是 Astral 出品的极速 Python 包管理器，自带虚拟环境管理、依赖解析与 lockfile，一条命令即可跨平台还原完全一致的环境。
# 克隆仓库
git clone https://github.com/Lee-Eee-Eee/EduAnalytics.git
cd EduAnalytics
# 一键创建虚拟环境并安装锁定的依赖（读取 pyproject.toml + uv.lock）
uv sync
# 启动服务
uv run python app.py没装 uv 的先装一下：
- Linux / macOS：
curl -LsSf https://astral.sh/uv/install.sh | sh - Windows（PowerShell）：
powershell -c "irm https://astral.sh/uv/install.ps1 | iex" - 或通过 pip：
pip install uv
git clone https://github.com/Lee-Eee-Eee/EduAnalytics.git
cd EduAnalytics
# 创建虚拟环境
python -m venv .venv
# 激活虚拟环境
source .venv/bin/activate # Linux / macOS
# .venv\Scripts\activate # Windows (cmd)
# .venv\Scripts\Activate.ps1 # Windows (PowerShell)
# 安装依赖
pip install -r requirements.txt
# 启动服务
python app.py服务默认监听 0.0.0.0:5000，浏览器打开 http://localhost:5000 即可看到上传界面。
如需修改监听端口，可通过 PORT 环境变量启动（与云端部署一致）：
# 例：监听 8080 端口
PORT=8080 python app.py- 上传数据 把符合格式的 CSV 文件拖入页面中央的虚线框，或点击"选择文件"按钮（最大 64 MB）
- 浏览分析 上传成功后页面自动刷新，通过顶部导航栏或滚动浏览七个分析章节
- 配置 AI 助手（可选） 点击右上角"AI 助手"，填写 OpenAI 兼容接口的
base URL、API Key、模型名（首次填写后自动保存至浏览器本地） - 开始对话 输入自然语言问题，助手基于上传的数据集进行回答
- 更换数据集 在顶部"当前数据"栏点击"更换文件"清空当前状态并重新上传
仅 grade 列是必需的，其余字段越齐全分析越丰富。平台会自动识别并使用以下列：
| 列名 | 含义 | 是否必需 |
|---|---|---|
grade |
课程最终成绩（0–100） | ✅ 必需 |
duration |
平台停留总秒数 | 推荐 |
page_views |
浏览页面总次数 | 推荐 |
lecture_item_views |
浏览课件 / 讲义总次数 | 推荐 |
video_views |
观看视频总次数 | 推荐 |
forum_posts_count |
论坛发帖数 | 推荐 |
forum_comments_count |
论坛评论数 | 推荐 |
registration_time / last_access_time |
时间戳，用于派生 active_span（活跃天数） |
可选 |
timezone |
时区，用于提取 region（地区） |
可选 |
deleted |
账户状态（0/1） | 可选 |
grade = 0 的记录被视为退课 / 未参与，全部分析将剔除后进行。
AI 助手通过 /api/chat 将请求代理到任意 OpenAI Chat Completions 兼容 的服务（OpenAI、Azure OpenAI、DeepSeek、Moonshot、本地 vLLM / Ollama 的 /v1 接口等）。支持 SSE 流式响应。
每次请求时，后端会自动把当前数据集的概况、描述统计、相关系数、分组统计与样本行作为 system 消息注入，使助手的回答与当前数据强耦合。
配置三项（填写后自动保存到浏览器 localStorage）：
- API 地址 例如
https://api.openai.com/v1 - API 密钥 例如
sk-... - 模型 例如
gpt-4o-mini、deepseek-chat、qwen-turbo
EduAnalytics/
├── app.py # Flask 后端：路由、数据管线、LLM 代理
├── templates/
│ └── index.html # 单页前端：拖拽上传 · ECharts · 对话面板
├── pyproject.toml # 项目元数据与依赖（uv / pip 均可读）
├── uv.lock # uv 锁定的依赖版本，保证可重现环境
├── requirements.txt # pip 用户的等价依赖清单
├── README.md
└── .gitignore
后端实现简洁：所有分析函数（compute_overview, compute_correlation, compute_scatter, compute_group_analysis, compute_clustering, compute_regression, compute_classification）均为纯函数，接收 DataFrame 返回 JSON 可序列化的结果字典，便于单独测试或复用。
界面参考了 Anthropic Claude 官方网页的视觉语言：
- 背景
#FAF9F5暖米色 - 强调色
#D97757珊瑚橙 - 正文
#3D3929暖近黑 - 字体 Fraunces（衬线标题）/ Inter（正文 UI）/ JetBrains Mono（数值徽章）
ECharts 配色与上述色系保持协调，并为不同系列提供鼠绿、薰衣草紫、琥珀金、玫瑰色等暖色补色，避免饱和度过高导致的视觉疲劳。
本项目为
北京大学 2026 年春季《教育与人工智能》课程
作业成果，感谢课程主讲教师贾积有教授在研究选题、分析方法与平台设计上的悉心指导。
作者 · 李涛 · 清华大学工程物理系
若本项目对你的研究或课程有帮助，欢迎 ⭐ Star 支持。 问题与建议请通过 Issues 反馈。