数据源
数据是excel表格，选用最常用的python进行处理。你可以在这里获取初始数据
数据读取
import pandas as pd
dataset = pd.read_excel(path)
数据预处理
数据区域截取
发现数据的包含了不少空行和空列。于是获取数据的语句改为：
dataset = pd.read_excel("dataset.xlsx", index=false).iloc[:92, :11]
修改列名
表格中的列名过于冗杂，对程序设计带来不便，因此把列名转换为简短的英文是必要的，我作出的修改：
| 原列名 | 现列名 |
|---|---|
| 您现在就读于 | diploma |
| 您目前就读于何地 | location |
| 目前，您的学校采取的是何种管理模式 | measure |
| 您的学校在疫情期间采取了何种措施 | detailed measures |
| 您个人认为您的学校在实行这些措施的时候实行力度如何 | intensity |
| 那您对学校的监管方式及态度是否满意 | evaluation |
| 如果不太满意，那么是什么监管方式或态度导致您不太满意呢 | reason |
| 针对目前的线下教育，您认为出现了哪些问题可能导致教育质量出现下滑 | quality_problem |
| 针对这些问题，学校或老师采取了哪些措施 | education_measures |
| 你认为目前学校采取的这种教育措施是否有效 | education_evaluation |
| 您对改良目前线下教育还有什么意见或建议 | other_advice |
处理空值
由于数据量不够，我准备将表中的空数据进行填充，发现空数据来源于问卷填写人的态度问题，空缺较多，所以将其删除。
指标数字化
由于表格中的内容大部分是中文，不利于结论分析，于是准备将指标数值化。
我们查看diploma列的内容：
>> set(dataset.diploma)
{"小学", "高中", "大学"}
所以我们可以按照年龄大小进行数值化：
d = {"小学": 1, "高中": 2, "大学": 3}
dataset.diploma = [d[x] for x in dataset.diploma]
我们接着对measure，intensity, evaluation和education_evaluation进行类似的操作，数值化规则如下：
| 指标\列名 | diploma | measure | intensity | evaluation | education evaluation |
|---|---|---|---|---|---|
| 0 | 小学 | 不封闭式管理 | 非常松散 | 不满意 | 无效 |
| 1 | 高中 | 半封闭式管理 | 较为松散 | 较不满意 | 较无效 |
| 2 | 大学 | 全封闭式管理 | 一般 | 较满意 | 较有效 |
| 3 | 较为严格 | 满意 | 有效 | ||
| 4 | 非常严格 |
你可以在这里获取初步指标数字化的数据。
数据可视化
我们接下来会对数据处理后的数据进行一些可视化处理和分析，主要用到matplotlib和seaborn。
-
先来看看我们调查对象的地域分布：
由于南京大学的地理位置和人际关系网络的辐射性，大部分调查对象的学校分布在我国东南部地区。
-
防疫措施与采取措施学校数的关系:
我们可以发现“戴口罩”和“出入人员等级”几乎是学校防疫的标配，此外还可以发现，由于执行难度较大以及可能会影响教学质量，能减少或删除人数过多的集中授课的学校不是很多，组织错峰入校的学校更是少之又少。
-
我们调查了学生们对学校防疫措施力度的评价：
(横轴的0~4分别表示非常松散，较为松散，一般，较为严格和非常严格，纵轴表示样本数)令人惊讶的是有不少同学觉得学校的防疫力度是较为松散的，说明全国各地确实零星存在学校管理不周到的问题。
-
我们来看看学生是如何评价学校防疫政策的执行力度，纵轴表示评价的均值：
显然，学生们更喜欢松散一些的管理方案，因为严格的管控措施确实会给学习生活带来一些困扰。
-
在疫情期间，学生由于会长时间“闭门造车”，有些会遇到学习上的问题，我们加以总结，统计结果如下：
发现很多学生都在忏悔自己在家并没有认真学习（笔者也是），无人监管导致的学生自制力下降是一个普遍的问题，从另一角度说明了学校对学生发展的重要性。
-
对此，学校也采取了一些措施来帮助学生克服这些困难：
绝大多数学校增加了线上教育，再次基础上增加了授课时间，此外通过测验和提问加强了对学生的监管
-
我们再来看看学生对学校措施的接纳程度：
认为有效的同学只占$1.1\%$是因为学生普遍是较谦虚的，即使是觉得“有效”也会该填成“较有效”，我们还发现有超$1/4$的学生觉得措施无效，说明学生学习效果的两极分化现象存在。
线下教育的困境
我们在“学生在疫情期间的学习困境”中可以发现，不少学生认为线下教育是难以补上学习上的差距的；与此同时，学生大部分认为学校采取的线上教育措施是较有效的，说明线上教育正在被大众接受和认可。但线下教育的优点体现在有集中的学习时间和高效的监管，但这些优点又因为学生水平的差异而产生分化，比如有些学生更需要属于自己的时间去学习，而不是随大流。虽然如此，线下教育仍是中国教育的主流，新冠肺炎疫情使得这一主流收到了质疑。
