Edellisessä artikkelissani ”Kuinka monta % fysiikan kirjoittaneista kirjoitti kemian ja päinvastoin?” lupasin jakaa laskennassa käytetyn Python koodin. Kommentoin koodia tässä tarinassa. Tässä on mukana koodinpätkä, jonka ChatGPT loi.

Kirjoittaessani tätä artikkelia huomasin, että edellisen jutun koodissa oli valittu mukaan vain sellaiset aineet, joita oli kirjoittanut yli 100 kokelasta.  Tämän artikkelin kuvissa on mukana kaikki sellaiset aineet, joita kirjoitti vähintään yksi ylioppilas.

kemian kirjoittaneiden muut ainevalinnat

Aiemmassa tarinassa kerroin, että kemian kirjoittaneiden muut ainevalinnat näyttävät poikkeavan muiden aineiden kirjoittaneiden valinnoista. Muokkasin koodia sen verran, että sain eroteltua tyttöjen ja poikien valinnat. Tässä muutama huomio.

Kaikista kemian kirjoittaneista 88% kirjoitti myös pitkän matematiikan. Kemian kirjoittaneista tytöistä 85% kirjoitti pitkän matematiikan kun pojista pitkän matematiikan kirjoitti 92%. Vastaavasti kemian kirjoittaneista tytöistä lyhyen matikan kirjoitti 25%, pojilla vastaava suhdeluku oli vain 8%. Biologian ja fysiikan valinnat menivät kemian kirjoittaneilla aika paljon eri tavalla. Tytöistä 79 % kirjoitti biologian, pojista 41%. Fysiikassa luvut ovat lähes päinvastoin. Kemian kirjoittaneilla tytöillä fysiikan kirjoitti 50%, pojilla luku oli jonkin verran suurempi 78%.

aine	KE kaikki	KE tytöt	KE pojat
A	0,87	0,87	0,87
M	0,88	0,85	0,92
N	0,12	0,15	0,08
BI	0,62	0,79	0,41
FY	0,63	0,50	0,78
PS	0,10	0,15	0,03

koodi

Linkki aineparien lukumäärien ja suhteellisten määrien laskemiseen tarvittavaaan Python koodiiin löytyy artikkelin lopusta lähteet-luvusta. Kun avaat Colab-koodisivun, niin vasemman yläkulman valikko avaa sisällysluettelon. Alla kommentoin ”Kuinka monta % pitkän matikan …” -kohtaa.

Riveillä 6-8 ladataan tarvittavat kirjastot: Pandas taulukkojen käsittelyyn, Seaborn ja Matplotlib taulukon värikoodauksen piirtoon.

Riveillä 10 – 18 luetaan kevään 2024 ylioppilaiden tiedot, luodaan niistä df-niminen taulukko, joka toimii Pandaskirjaston DataFrame tietotyyppinä. DataFramet helpottavat isojen taulukoiden käsittelyä.

Dataframe nimeltä df näyttää nyt tältä. Taulukossa on 25027 riviä ja 57 saraketta. Taulukossa näkyy jokaisen keväällä 24 kirjoittaneen opiskelijan tiedot. Arvosanat on koodattu lukuarvoina i = 0, a = 2, …, l = 7. Oppiainekoodit löytyvät artikkelin lopusta.

Rivillä 23  poistetaan kuusi  vasemmanpuolimmaista saraketta:  ”tutkintokerta”, ”koulun_nro”, … ”sukup”. Selite axis = 1 viittaa sarakkeisiin ja axis = 0 riveihin. 

Rivillä 24 poistetaan oikean reunan ”opintotausta”-sarake.

Riveillä 28-33 poistetaan aineet, joissa kirjoittaneiden lukumäärä on 0 kokelasta. Tytöt ja pojat -versiossa on fiksumpi tapa poistaa tyhjät sarakkeet.

Rivillä 28 lasketaan eri aineita kirjoittaneiden määrät: [25027, 21894, 1981, 12, 0, 0, 0, 1139, 16, 11365, 11525, 6545, 1415, 6215, 6272, 6827, 2437, 23, 332, 3285, 4904, 5442, 6878, 790, 7515, 1085, 752, 22867, 190, 299, 80, 368, 1398, 471, 938, 572, 179, 5, 2, 0, 10, 52, 15, 5]. 

Rivien 30-33 for-silmukka lisää indeksi-listaan, niiden maarat-listan jäsenten paikat, jotka ovat nollia: [4, 5, 6, 39] ja rivillä 35 poistetaan ne sarakkeet, joissa ei ole yhtään kirjoittajaa.

Taulukossa on nyt 40 saraketta.

lukumäärät

Rivillä 40 luodaan tyhjä taulukko aineparien lukumäärien laskemista varten. 

Taulukon viisi ylintä riviä näyttää tältä, dftaulukko on kooltaan 40 riviä x 40 saraketta ja se on otsikkoja lukuunottamatta täynnä tyhjiä NaN soluja.

Varsinainen laskenta suoritetaan rivien 44-48 for-silmukoissa.

En itse keksinyt yksinkertaista koodia tämän laskemiseksi. Niinpä pyysin ChatGPT:tä tuottamaan tämän koodin. Tekoälyn tuottama koodi oli selkeästi selitetty ja toimi niin kuin halusinkin. Kokeilin samaa Microsoftin Copilotilla ja Googlen Geminillä. Molemmat tuottivat hyvännäköistä koodia selityksineen, tosin molemmat toimivat väärin.

Rivillä 47 luodaan taulukko kahdesta aineesta df[[sarake1, sarake2]] poistetaan ne aineet, joissa on NaN jommassa kummassa aineessa (tai molemmissa) .dropna()-metodilla ja lasketaan rivien lukumäärä .shape[0]-metodilla.

Otetaan esimerkiksi jokin ainepari for-silmukan sisällä, vaikkapa pohjoissaame Z ja pitkä matematiikka M. 

Rivi df[[’Z’, ’M’]].dropna())  tuottaa 2×3 taulukon, josta näemme, että kolme ylioppilasta kirjoitti sekä pohjoissaamen, että pitkän matikan.

Rivi df[[’Z’, ’M’]].dropna().shape[0] antaa arvoksi luvun 3 eli rivien lukumäärän. Tämä luku tallennetaan rivillä 48 dftaulukon kohtaan rivi = ”Z”, sarake = ”M”.

DataFramen dftaulukko viisi ensimmäistä riviä

Rivillä 55 tallennetaan csv-tiedosto omaan Google Drive -kansioon. Luo tarvittavat kansiot omaan Driveesi korvaamalla nuo kolme pistettä. 

suhteelliset osuudet -taulukko

Suhteellisien osuuksien  laskemiseksi pitää kussakin sarakkeessa oleva luku jakaa vasemmanpuoleisen yht-sarakkeen arvojen kanssa. Pandas Dataframessa matriisien jakolasku onnistuu, jos ne ovat samankokoisia ja niissä on samat otsikot. Katso esimerkki Colab-tiedoston lopusta.

Rivillä 59 lasketaan dftaulukon rivien lukumäärä. Rivillä 62 luodaan jakolaskun nimittäjä (jakoviivan alapuoli) kopioimalla vasemmanpuoleinen sarake oikealle päin.

Dataframe dfnimittaja näyttää tältä

Rivillä 68 – 70 korjataan sarakkeiden otsikot, jotta jakolaskussa otsikkorivit ovat identtisiä.

Rivillä 73 suoritetaan jakolasku.

Jostain kumman syystä jakolasku tuottaa viallisia lukuja. Onneksi Colabin Gemini tekoäly ehdotti rivien 78-79 korjausta, joka poistaa mahdolliset vialliset arvot taulukosta dff.

tallennus ja tulostus

Rivillä 83 tallennetaan dff prosenttitaulukko Driveen ja riveillä 85-90 tulostetaan Seabornin avulla taulukko värikoodeilla.

tytöt ja pojat erikseen

Colab-tiedostossa on mukana koodi, jossa ensin erotellaan tyttöjen ja poikien tulokset omiksi dataframeiksi ja sitten suoritetaan samat laskut. Koodin kommentoinnin pitäisi kertoa miten laskenta tapahtuu.

Näiden avulla laskin alussa olevat kemian kirjoittaneiden taulukot. Alla koodin tuottamat kuvat. 

ainekoodit

koe	aine	ämne	subject
A	Äidinkieli, suomi	Modersmålet, finska	Mother tongue, Finnish
A5	Suomi toisena kielenä	Finska som andraspråk	Finnish as second language
BA	Ruotsi, pitkä oppimäärä	Svenska, lång lärokurs	Sweden, long syllabus
BB	Ruotsi, keskipitkä oppimäärä	Svenska, medellång lärokurs	Sweden, medium length syllabus
BI	Biologia	Biologi	Biology
CA	Suomi, pitkä oppimäärä	Finska, lång lärokurs	Finland, long syllabus
CB	Suomi, keskipitkä oppimäärä	Finska, medellång lärokurs	Finland, medium length syllabus
DC	Pohjoissaame, lyhyt oppimäärä	Nordsamiska, kort lärokurs	Northern Sami, short syllabus
EA	Englanti, pitkä oppimäärä	Engelska, lång lärokurs	English, long syllabus
EC	Englanti, lyhyt oppimäärä	Engelska, kort lärokurs	English, short syllabus
ET	Elämänkatsomustieto	Livsåskådningskunskap	Ethics
FA	Ranska, pitkä oppimäärä	Franska, lång lärokurs	France, a long syllabus
FC	Ranska, lyhyt oppimäärä	Franska, kort lärokurs	French, short syllabus
FF	Filosofia	Filosofi	Philosophy
FY	Fysiikka	Fysik	Physique
GC	Portugali, lyhyt oppimäärä	Portugisiska, kort lärokurs	Portugal, short syllabus
GE	Maantiede	Geografi	Geography
HI	Historia	Historia	History
I	Äidinkieli, inarinsaame	Modersmålet, enaresamiska	Mother tongue, Inari Sami
IC	Inarinsaame, lyhyt oppimäärä	Enaresamiska, kort lärokurs	Inarinasami, a short syllabus
KE	Kemia	Kemi	Chemistry
L1	Latina, lyhyt oppimäärä	Latin, kort lärokurs	Latin, short syllabus
L7	Latina, pidempi oppimäärä	Latin, längre lärokurs	Latin, longer syllabus
M	Matematiikka, pitkä oppimäärä	Matematik, lång lärokurs	Mathematics, a long syllabus
N	Matematiikka, lyhyt oppimäärä	Matematik, kort lärokurs	Mathematics, short syllabus
O	Äidinkieli, ruotsi	Modersmålet, svenska	Mother tongue, Swedish
O5	Ruotsi toisena kielenä	Svenska som andraspråk	Swedish as a second language
PA	Espanja, pitkä oppimäärä	Spanska, lång lärokurs	Spain, a long syllabus
PC	Espanja, lyhyt oppimäärä	Spanska, kort lärokurs	Spanish, a short lesson
PS	Psykologia	Psykologi	Psychology
QC	Koltansaame, lyhyt oppimäärä	Skoltsamiska, kort lärokurs	Koltansáme, a short syllabus
SA	Saksa, pitkä oppimäärä	Tyska, lång lärokurs	Germany, a long syllabus
SC	Saksa, lyhyt oppimäärä	Tyska, kort lärokurs	Germany, short syllabus
TC	Italia, lyhyt oppimäärä	Italienska, kort lärokurs	Italy, short syllabus
TE	Terveystieto	Hälsokunskap	Health information
UE	Evankelis-luterilainen uskonto	Evangelisk-luthersk religion	Evangelical Lutheran religion
UO	Ortodoksi uskonto	Ortodox religion	Orthodox religion
VA	Venäjä, pitkä oppimäärä	Ryska, lång lärokurs	Russia, a long syllabus
VC	Venäjä, lyhyt oppimäärä	Ryska, kort lärokurs	Russia, short syllabus
W	Äidinkieli, koltansaame	Modersmålet, skoltsamiska	Mother tongue, Koltsámi
YH	Yhteiskuntaoppi	Samhällslära	Social studies
Z	Äidinkieli, pohjoissaame	Modersmålet, nordsamiska	Mother tongue, Northern Sami

lähteet

Artikkelissa esitetty koodi Colabissa
https://colab.research.google.com/drive/1Dsv1mQeq6Tw9GCuSaeb8fduotzff50jg?usp=sharing

Edellinen artikkelini ”Kuinka monta % fysiikan kirjoittaneista kirjoitti kemian ja päinvastoin?”
https://mikkorahikka.blog/2024/06/10/kuinka-monta-fysiikan-kirjoittaneista-kirjoitti-kemian-ja-painvastoin/

YTL:n ”OPPILAITOSKOHTAISIA TUNNUSLUKUJA”-sivu
https://www.ylioppilastutkinto.fi/fi/tietopalvelut/tilastot/oppilaitoskohtaisia-tunnuslukuja

aiemmat ylioppilastutkintoon liittyvät artikkelini
https://mikkorahikka.blog/tag/ylioppilaskoe/