One of the most controversial issues in the U.S. educational system is the efficacy of the standardized tests, and whther they’re unfair to certain groups. Investigating the correlation between SAT scores and demographic might be an interesting angle to take. We could correlate SAT scores with factors like race, gender, income, and more.

The SAT, or Scholastic Aptitude Test, is an exam that U.S. high school students take before applying to college. Colleges take the test scores into account when deciding who to admit, so it’s fairly important to perform well on it.

The test consists of three sections, each of which has 800 possible points. The combined score is out of 2,400 possible points (while this number has changed a few times, the data set for our project is based on 2,400 total points). Organizations often rank high schools by their average SAT scores. The scores are also considered a measure of overall school district quality.

New York City makes its data on high school SAT scores available online, as well as the demographics of each high school. The first few rows of the SAT data look like this:

Unfortunately, combining both of the data sets won’t give us all of the demographic information we want to use. We’ll need to supplement our data with other sources to do our full analysis.

The same website has several related data sets covering demographic information and test scores. Here are the links to all of the data sets we’ll be using:

• SAT scores by school - SAT scores for each high school in New York City
• School attendance - Attendance information for each school in New York City
• Class size - Information on class size for each school
• AP test results - Advanced Placement (AP) exam results for each high school (passing an optional AP exam in a particular subject can earn a student college credit in that subject)
• Graduation outcomes - The percentage of students who graduated, and other outcome information
• Demographics - Demographic information for each school
• School survey - Surveys of parents, teachers, and students at each school
  

All of these data sets are interrelated. We’ll need to combine them into a single data set before we can find correlations.

The data is stored in a folder named schools on the local system. We will be reading in all the data into pandas Dataframe except the survey data. As the data is stored in a different format than the rest of the data files.

# Import the necessary libraries

import pandas as pd
import numpy
import re


# A list containing the names of all the .csv files to be read
data_files = [
    "ap_2010.csv",
    "class_size.csv",
    "demographics.csv",
    "graduation.csv",
    "hs_directory.csv",
    "sat_results.csv"
]

data = {} # Empty dictionary

# Loop through data_files to read in the data stored in schools folder
for f in data_files: 

    d = pd.read_csv("schools/{0}".format(f))

# Remove .csv and store the name of the data being read as a key in the dictionary
    data[f.replace(".csv", "")] = d  

Afterwards the data will have the following keys:

• ap_2010
• class_size
• demographics
• graduation
• hs_directory
• sat_results

Each key has the corresponding dataframe as its value. If we look at the first row of the survey file, we will notice that each survey files is tab delimited. The survey files are encoded with Windows-1252 encoding. An encoding defines how a computer stores the contents of a file in binary. The most common encodings are UTF-8 and ASCII. Windows-1252 is rarely used, and can cause errors if we read such a file in without specifying the encoding. We’ll need to specify the encoding and delimiter to the pandas pandas.read_csv()function to ensure it reads the surveys in properly.

# Read in the survey data
all_survey = pd.read_csv("schools/survey_all.txt", delimiter="\t", encoding='windows-1252')
d75_survey = pd.read_csv("schools/survey_d75.txt", delimiter="\t", encoding='windows-1252')

# Combine d75_survey and all_survey into a single dataframe
survey = pd.concat([all_survey, d75_survey], axis=0)


# Display the first few rows of the data
survey.head(5)

	N_p	N_s	N_t	aca_p_11	aca_s_11	aca_t_11	aca_tot_11	bn	com_p_11	com_s_11	com_t_11	com_tot_11	d75	dbn	eng_p_11	eng_s_11	eng_t_11	eng_tot_11	highschool	nr_p	nr_s	nr_t	p_N_q10a	p_N_q10a_1	p_N_q10a_2	p_N_q10a_3	p_N_q10a_4	p_N_q10a_5	p_N_q10b	p_N_q10b_1	p_N_q10b_2	p_N_q10b_3	p_N_q10b_4	p_N_q10b_5	p_N_q10c	p_N_q10c_1	p_N_q10c_2	p_N_q10c_3	p_N_q10c_4	p_N_q10c_5	p_N_q10d	p_N_q10d_1	p_N_q10d_2	p_N_q10d_3	p_N_q10d_4	p_N_q10d_5	p_N_q10e	p_N_q10e_1	p_N_q10e_2	p_N_q10e_3	p_N_q10e_4	p_N_q10e_5	p_N_q10f	p_N_q10f_1	p_N_q10f_2	p_N_q10f_3	p_N_q10f_4	p_N_q10f_5	p_N_q10g	p_N_q10h	p_N_q10i	p_N_q10j	p_N_q10k	p_N_q10l	p_N_q11a_1	p_N_q11a_2	p_N_q11a_3	p_N_q11a_4	p_N_q11a_5	p_N_q11b_1	p_N_q11b_2	p_N_q11b_3	p_N_q11b_4	p_N_q11b_5	p_N_q11c_1	p_N_q11c_2	p_N_q11c_3	p_N_q11c_4	p_N_q11c_5	p_N_q11d_1	p_N_q11d_2	p_N_q11d_3	p_N_q11d_4	p_N_q11d_5	p_N_q11e_1	p_N_q11e_2	p_N_q11e_3	p_N_q11e_4	p_N_q11e_5	p_N_q11f_1	p_N_q11f_2	p_N_q11f_3	p_N_q11f_4	p_N_q12a_1	p_N_q12a_2	p_N_q12a_3	p_N_q12a_4	p_N_q12aa_1	p_N_q12aa_2	p_N_q12aa_3	p_N_q12aa_4	p_N_q12aa_5	p_N_q12ab_1	p_N_q12ab_2	p_N_q12ab_3	p_N_q12ab_4	p_N_q12ab_5	p_N_q12ac_1	p_N_q12ac_2	p_N_q12ac_3	p_N_q12ac_4	p_N_q12ac_5	p_N_q12ad_1	p_N_q12ad_2	p_N_q12ad_3	p_N_q12ad_4	p_N_q12ad_5	p_N_q12b_1	p_N_q12b_2	p_N_q12b_3	p_N_q12b_4	p_N_q12ba_1	p_N_q12ba_2	p_N_q12ba_3	p_N_q12ba_4	p_N_q12ba_5	p_N_q12bb_1	p_N_q12bb_2	p_N_q12bb_3	p_N_q12bb_4	p_N_q12bb_5	p_N_q12bc_1	p_N_q12bc_2	p_N_q12bc_3	p_N_q12bc_4	p_N_q12bc_5	p_N_q12bd_1	p_N_q12bd_2	p_N_q12bd_3	p_N_q12bd_4	p_N_q12bd_5	p_N_q12c_1	p_N_q12c_2	p_N_q12c_3	p_N_q12c_4	p_N_q12d_1	p_N_q12d_2	p_N_q12d_3	p_N_q12d_4	p_N_q12e_1	p_N_q12e_2	p_N_q12e_3	p_N_q12e_4	p_N_q12f_1	p_N_q12f_2	p_N_q12f_3	p_N_q12f_4	p_N_q13a_1	p_N_q13a_2	p_N_q13a_3	p_N_q13a_4	p_N_q13a_5	p_N_q13b_1	p_N_q13b_2	p_N_q13b_3	p_N_q13b_4	p_N_q13b_5	p_N_q13c_1	p_N_q13c_2	p_N_q13c_3	p_N_q13c_4	p_N_q13c_5	p_N_q13d_1	p_N_q13d_2	p_N_q13d_3	p_N_q13d_4	p_N_q13d_5	p_N_q14a_1	p_N_q14a_2	p_N_q14a_3	p_N_q14a_4	p_N_q14a_5	p_N_q14b_1	p_N_q14b_2	p_N_q14b_3	p_N_q14b_4	p_N_q14b_5	p_N_q14c_1	p_N_q14c_2	p_N_q14c_3	p_N_q14c_4	p_N_q14c_5	p_N_q14d_1	p_N_q14d_2	p_N_q14d_3	p_N_q14d_4	p_N_q14d_5	p_N_q1_1	p_N_q1_10	p_N_q1_11	p_N_q1_12	p_N_q1_13	p_N_q1_14	p_N_q1_2	p_N_q1_3	p_N_q1_4	p_N_q1_5	p_N_q1_6	p_N_q1_7	p_N_q1_8	p_N_q1_9	p_N_q1a_1	p_N_q1a_2	p_N_q1a_3	p_N_q1a_4	p_N_q1a_5	p_N_q1b_1	p_N_q1b_2	p_N_q1b_3	p_N_q1b_4	p_N_q1b_5	p_N_q1c_1	p_N_q1c_2	p_N_q1c_3	p_N_q1c_4	p_N_q1c_5	p_N_q1d_1	p_N_q1d_2	p_N_q1d_3	p_N_q1d_4	p_N_q1d_5	p_N_q1e_1	p_N_q1e_2	p_N_q1e_3	p_N_q1e_4	p_N_q1e_5	p_N_q1f_1	p_N_q1f_2	p_N_q1f_3	p_N_q1f_4	p_N_q1f_5	p_N_q1g_1	p_N_q1g_2	p_N_q1g_3	p_N_q1g_4	p_N_q1g_5	p_N_q2a_1	p_N_q2a_2	p_N_q2a_3	p_N_q2a_4	p_N_q2a_5	p_N_q2b_1	p_N_q2b_2	p_N_q2b_3	p_N_q2b_4	p_N_q2b_5	p_N_q2c_1	p_N_q2c_2	p_N_q2c_3	p_N_q2c_4	p_N_q2c_5	p_N_q2d_1	p_N_q2d_2	p_N_q2d_3	p_N_q2d_4	p_N_q2d_5	p_N_q2e_1	p_N_q2e_2	p_N_q2e_3	p_N_q2e_4	p_N_q2e_5	p_N_q2f_1	p_N_q2f_2	p_N_q2f_3	p_N_q2f_4	p_N_q2f_5	p_N_q2g_1	p_N_q2g_2	p_N_q2g_3	p_N_q2g_4	p_N_q2g_5	p_N_q2h_1	p_N_q2h_2	p_N_q2h_3	p_N_q2h_4	p_N_q2h_5	p_N_q3a_1	p_N_q3a_2	p_N_q3a_3	p_N_q3a_4	p_N_q3a_5	p_N_q3b_1	p_N_q3b_2	p_N_q3b_3	p_N_q3b_4	p_N_q3b_5	p_N_q3c_1	p_N_q3c_2	p_N_q3c_3	p_N_q3c_4	p_N_q3c_5	p_N_q3d_1	p_N_q3d_2	p_N_q3d_3	p_N_q3d_4	p_N_q3d_5	p_N_q3e_1	p_N_q3e_2	p_N_q3e_3	p_N_q3e_4	p_N_q3e_5	p_N_q4a_1	p_N_q4a_2	p_N_q4a_3	p_N_q4a_4	p_N_q4a_5	p_N_q4b_1	p_N_q4b_2	p_N_q4b_3	p_N_q4b_4	p_N_q4b_5	p_N_q4c_1	p_N_q4c_2	p_N_q4c_3	p_N_q4c_4	p_N_q4c_5	p_N_q4d_1	p_N_q4d_2	p_N_q4d_3	p_N_q4d_4	p_N_q4d_5	p_N_q4e_1	p_N_q4e_2	p_N_q4e_3	p_N_q4e_4	p_N_q4e_5	p_N_q5a	p_N_q5b	p_N_q5c	p_N_q5d	p_N_q5e	p_N_q5f	p_N_q5g	p_N_q5h	p_N_q5i	p_N_q5j	p_N_q5k	p_N_q5l	p_N_q5m	p_N_q5n	p_N_q6a_1	p_N_q6a_2	p_N_q6a_3	p_N_q6a_4	p_N_q6a_5	p_N_q6b_1	p_N_q6b_2	p_N_q6b_3	p_N_q6b_4	p_N_q6b_5	p_N_q6c_1	p_N_q6c_2	p_N_q6c_3	p_N_q6c_4	p_N_q6c_5	p_N_q6d_1	p_N_q6d_2	p_N_q6d_3	p_N_q6d_4	p_N_q6d_5	p_N_q6e_1	p_N_q6e_2	p_N_q6e_3	p_N_q6e_4	p_N_q6e_5	p_N_q6f_1	p_N_q6f_2	p_N_q6f_3	p_N_q6f_4	p_N_q6f_5	p_N_q6g_1	p_N_q6g_2	p_N_q6g_3	p_N_q6g_4	p_N_q6g_5	p_N_q6h_1	p_N_q6h_2	p_N_q6h_3	p_N_q6h_4	p_N_q6h_5	p_N_q7a	p_N_q7a_1	p_N_q7a_2	p_N_q7a_3	p_N_q7a_4	p_N_q7a_5	p_N_q7b	p_N_q7b_1	p_N_q7b_2	p_N_q7b_3	p_N_q7b_4	p_N_q7b_5	p_N_q7c	p_N_q7c_1	p_N_q7c_2	p_N_q7c_3	p_N_q7c_4	p_N_q7c_5	p_N_q7d	p_N_q7d_1	p_N_q7d_2	p_N_q7d_3	p_N_q7d_4	p_N_q7d_5	p_N_q7e	p_N_q7f	p_N_q7g	p_N_q7h	p_N_q7i	p_N_q7j	p_N_q7k	p_N_q7l	p_N_q7m	p_N_q7n	p_N_q8a_1	p_N_q8a_2	p_N_q8a_3	p_N_q8a_4	p_N_q8a_5	p_N_q8b_1	p_N_q8b_2	p_N_q8b_3	p_N_q8b_4	p_N_q8b_5	p_N_q8c_1	p_N_q8c_2	p_N_q8c_3	p_N_q8c_4	p_N_q8c_5	p_N_q8d_1	p_N_q8d_2	p_N_q8d_3	p_N_q8d_4	p_N_q8d_5	p_N_q8e_1	p_N_q8e_2	p_N_q8e_3	p_N_q8e_4	p_N_q8e_5	p_N_q8f_1	p_N_q8f_2	p_N_q8f_3	p_N_q8f_4	p_N_q8f_5	p_N_q9_1	p_N_q9_10	p_N_q9_11	p_N_q9_12	p_N_q9_13	p_N_q9_14	p_N_q9_15	p_N_q9_2	p_N_q9_3	p_N_q9_4	p_N_q9_5	p_N_q9_6	p_N_q9_7	p_N_q9_8	p_N_q9_9	p_q1	p_q10	p_q10a	p_q10a_1	p_q10a_2	p_q10a_3	p_q10a_4	p_q10a_5	p_q10b	p_q10b_1	p_q10b_2	p_q10b_3	p_q10b_4	p_q10b_5	p_q10c	p_q10c_1	p_q10c_2	p_q10c_3	p_q10c_4	p_q10c_5	p_q10d	p_q10d_1	p_q10d_2	p_q10d_3	p_q10d_4	p_q10d_5	p_q10e	p_q10e_1	p_q10e_2	p_q10e_3	p_q10e_4	p_q10e_5	p_q10f	p_q10f_1	p_q10f_2	p_q10f_3	p_q10f_4	p_q10f_5	p_q10g	p_q10h	p_q10i	p_q10j	p_q10k	p_q10l	p_q11a	p_q11a_1	p_q11a_2	p_q11a_3	p_q11a_4	p_q11a_5	p_q11b	p_q11b_1	p_q11b_2	p_q11b_3	p_q11b_4	p_q11b_5	p_q11c	p_q11c_1	p_q11c_2	p_q11c_3	p_q11c_4	p_q11c_5	p_q11d	p_q11d_1	p_q11d_2	p_q11d_3	p_q11d_4	p_q11d_5	p_q11e	p_q11e_1	p_q11e_2	p_q11e_3	p_q11e_4	p_q11e_5	p_q11f	p_q11f_1	p_q11f_2	p_q11f_3	p_q11f_4	p_q12a	p_q12a_1	p_q12a_2	p_q12a_3	p_q12a_4	p_q12aa	p_q12aa_1	p_q12aa_2	p_q12aa_3	p_q12aa_4	p_q12aa_5	p_q12ab	p_q12ab_1	p_q12ab_2	p_q12ab_3	p_q12ab_4	p_q12ab_5	p_q12ac	p_q12ac_1	p_q12ac_2	p_q12ac_3	p_q12ac_4	p_q12ac_5	p_q12ad	p_q12ad_1	p_q12ad_2	p_q12ad_3	p_q12ad_4	p_q12ad_5	p_q12b	p_q12b_1	p_q12b_2	p_q12b_3	p_q12b_4	p_q12ba	p_q12ba_1	p_q12ba_2	p_q12ba_3	p_q12ba_4	p_q12ba_5	p_q12bb	p_q12bb_1	p_q12bb_2	p_q12bb_3	p_q12bb_4	p_q12bb_5	p_q12bc	p_q12bc_1	p_q12bc_2	p_q12bc_3	p_q12bc_4	p_q12bc_5	p_q12bd	p_q12bd_1	p_q12bd_2	p_q12bd_3	p_q12bd_4	p_q12bd_5	p_q12c	p_q12c_1	p_q12c_2	p_q12c_3	p_q12c_4	p_q12d	p_q12d_1	p_q12d_2	p_q12d_3	p_q12d_4	p_q12e	p_q12e_1	p_q12e_2	p_q12e_3	p_q12e_4	p_q12f	p_q12f_1	p_q12f_2	p_q12f_3	p_q12f_4	p_q13a	p_q13a_1	p_q13a_2	p_q13a_3	p_q13a_4	p_q13a_5	p_q13b	p_q13b_1	p_q13b_2	p_q13b_3	p_q13b_4	p_q13b_5	p_q13c	p_q13c_1	p_q13c_2	p_q13c_3	p_q13c_4	p_q13c_5	p_q13d	p_q13d_1	p_q13d_2	p_q13d_3	p_q13d_4	p_q13d_5	p_q14a	p_q14a_1	p_q14a_2	p_q14a_3	p_q14a_4	p_q14a_5	p_q14b	p_q14b_1	p_q14b_2	p_q14b_3	p_q14b_4	p_q14b_5	p_q14c	p_q14c_1	p_q14c_2	p_q14c_3	p_q14c_4	p_q14c_5	p_q14d	p_q14d_1	p_q14d_2	p_q14d_3	p_q14d_4	p_q14d_5	p_q1_1	p_q1_10	p_q1_11	p_q1_12	p_q1_13	p_q1_14	p_q1_2	p_q1_3	p_q1_4	p_q1_5	p_q1_6	p_q1_7	p_q1_8	p_q1_9	p_q1a	p_q1a_1	p_q1a_2	p_q1a_3	p_q1a_4	p_q1a_5	p_q1b	p_q1b_1	p_q1b_2	p_q1b_3	p_q1b_4	p_q1b_5	p_q1c	p_q1c_1	p_q1c_2	p_q1c_3	p_q1c_4	p_q1c_5	p_q1d	p_q1d_1	p_q1d_2	p_q1d_3	p_q1d_4	p_q1d_5	p_q1e	p_q1e_1	p_q1e_2	p_q1e_3	p_q1e_4	p_q1e_5	p_q1f	p_q1f_1	p_q1f_2	p_q1f_3	p_q1f_4	p_q1f_5	p_q1g	p_q1g_1	p_q1g_2	p_q1g_3	p_q1g_4	p_q1g_5	p_q2a	p_q2a_1	p_q2a_2	p_q2a_3	p_q2a_4	p_q2a_5	p_q2b	p_q2b_1	p_q2b_2	p_q2b_3	p_q2b_4	p_q2b_5	p_q2c	p_q2c_1	p_q2c_2	p_q2c_3	p_q2c_4	p_q2c_5	p_q2d	p_q2d_1	p_q2d_2	p_q2d_3	p_q2d_4	p_q2d_5	p_q2e	p_q2e_1	p_q2e_2	p_q2e_3	p_q2e_4	p_q2e_5	p_q2f	p_q2f_1	p_q2f_2	p_q2f_3	p_q2f_4	p_q2f_5	p_q2g	p_q2g_1	p_q2g_2	p_q2g_3	p_q2g_4	p_q2g_5	p_q2h	p_q2h_1	p_q2h_2	p_q2h_3	p_q2h_4	p_q2h_5	p_q3a	p_q3a_1	p_q3a_2	p_q3a_3	p_q3a_4	p_q3a_5	p_q3b	p_q3b_1	p_q3b_2	p_q3b_3	p_q3b_4	p_q3b_5	p_q3c	p_q3c_1	p_q3c_2	p_q3c_3	p_q3c_4	p_q3c_5	p_q3d	p_q3d_1	p_q3d_2	p_q3d_3	p_q3d_4	p_q3d_5	p_q3e	p_q3e_1	p_q3e_2	p_q3e_3	p_q3e_4	p_q3e_5	p_q4a	p_q4a_1	p_q4a_2	p_q4a_3	p_q4a_4	p_q4a_5	p_q4b	p_q4b_1	p_q4b_2	p_q4b_3	p_q4b_4	p_q4b_5	p_q4c	p_q4c_1	p_q4c_2	p_q4c_3	p_q4c_4	p_q4c_5	p_q4d	p_q4d_1	p_q4d_2	p_q4d_3	p_q4d_4	p_q4d_5	p_q4e	p_q4e_1	p_q4e_2	p_q4e_3	p_q4e_4	p_q4e_5	p_q5	p_q5a	p_q5b	p_q5c	p_q5d	p_q5e	p_q5f	p_q5g	p_q5h	p_q5i	p_q5j	p_q5k	p_q5l	p_q5m	p_q5n	p_q6a	p_q6a_1	p_q6a_2	p_q6a_3	p_q6a_4	p_q6a_5	p_q6b	p_q6b_1	p_q6b_2	p_q6b_3	p_q6b_4	p_q6b_5	p_q6c	p_q6c_1	p_q6c_2	p_q6c_3	p_q6c_4	p_q6c_5	p_q6d	p_q6d_1	p_q6d_2	p_q6d_3	p_q6d_4	p_q6d_5	p_q6e	p_q6e_1	p_q6e_2	p_q6e_3	p_q6e_4	p_q6e_5	p_q6f	p_q6f_1	p_q6f_2	p_q6f_3	p_q6f_4	p_q6f_5	p_q6g	p_q6g_1	p_q6g_2	p_q6g_3	p_q6g_4	p_q6g_5	p_q6h	p_q6h_1	p_q6h_2	p_q6h_3	p_q6h_4	p_q6h_5	p_q7	p_q7a	p_q7a_1	p_q7a_2	p_q7a_3	p_q7a_4	p_q7a_5	p_q7b	p_q7b_1	p_q7b_2	p_q7b_3	p_q7b_4	p_q7b_5	p_q7c	p_q7c_1	p_q7c_2	p_q7c_3	p_q7c_4	p_q7c_5	p_q7d	p_q7d_1	p_q7d_2	p_q7d_3	p_q7d_4	p_q7d_5	p_q7e	p_q7f	p_q7g	p_q7h	p_q7i	p_q7j	p_q7k	p_q7l	p_q7m	p_q7n	p_q8a	p_q8a_1	p_q8a_2	p_q8a_3	p_q8a_4	p_q8a_5	p_q8b	p_q8b_1	p_q8b_2	p_q8b_3	p_q8b_4	p_q8b_5	p_q8c	p_q8c_1	p_q8c_2	p_q8c_3	p_q8c_4	p_q8c_5	p_q8d	p_q8d_1	p_q8d_2	p_q8d_3	p_q8d_4	p_q8d_5	p_q8e	p_q8e_1	p_q8e_2	p_q8e_3	p_q8e_4	p_q8e_5	p_q8f	p_q8f_1	p_q8f_2	p_q8f_3	p_q8f_4	p_q8f_5	p_q9	p_q9_1	p_q9_10	p_q9_11	p_q9_12	p_q9_13	p_q9_14	p_q9_15	p_q9_2	p_q9_3	p_q9_4	p_q9_5	p_q9_6	p_q9_7	p_q9_8	p_q9_9	rr_p	rr_s	rr_t	s_N_q10a_1	s_N_q10a_2	s_N_q10a_3	s_N_q10b_1	s_N_q10b_2	s_N_q10b_3	s_N_q10c_1	s_N_q10c_2	s_N_q10c_3	s_N_q10d_1	s_N_q10d_2	s_N_q10d_3	s_N_q10e_1	s_N_q10e_2	s_N_q10e_3	s_N_q10f_1	s_N_q10f_2	s_N_q10f_3	s_N_q10g_1	s_N_q10g_2	s_N_q10g_3	s_N_q10h_1	s_N_q10h_2	s_N_q10h_3	s_N_q11_1	s_N_q11_2	s_N_q11_3	s_N_q11_4	s_N_q12a_1	s_N_q12a_2	s_N_q12a_3	s_N_q12a_4	s_N_q12b_1	s_N_q12b_2	s_N_q12b_3	s_N_q12b_4	s_N_q12c_1	s_N_q12c_2	s_N_q12c_3	s_N_q12c_4	s_N_q13a_1	s_N_q13a_2	s_N_q13a_3	s_N_q13a_4	s_N_q13b_1	s_N_q13b_2	s_N_q13b_3	s_N_q13b_4	s_N_q13c_1	s_N_q13c_2	s_N_q13c_3	s_N_q13c_4	s_N_q13d_1	s_N_q13d_2	s_N_q13d_3	s_N_q13d_4	s_N_q13e_1	s_N_q13e_2	s_N_q13e_3	s_N_q13e_4	s_N_q13f_1	s_N_q13f_2	s_N_q13f_3	s_N_q13f_4	s_N_q13g_1	s_N_q13g_2	s_N_q13g_3	s_N_q13g_4	s_N_q14a_1	s_N_q14a_2	s_N_q14a_3	s_N_q14a_4	s_N_q14b_1	s_N_q14b_2	s_N_q14b_3	s_N_q14b_4	s_N_q14c_1	s_N_q14c_2	s_N_q14c_3	s_N_q14c_4	s_N_q14d_1	s_N_q14d_2	s_N_q14d_3	s_N_q14d_4	s_N_q14e_1	s_N_q14e_2	s_N_q14e_3	s_N_q14e_4	s_N_q14f_1	s_N_q14f_2	s_N_q14f_3	s_N_q14f_4	s_N_q14g_1	s_N_q14g_2	s_N_q14g_3	s_N_q14g_4	s_N_q1_1	s_N_q1_2	s_N_q1_3	s_N_q1_4	s_N_q1_5	s_N_q1_6	s_N_q1_7	s_N_q2a_1	s_N_q2a_2	s_N_q2a_3	s_N_q2a_4	s_N_q2b_1	s_N_q2b_2	s_N_q2b_3	s_N_q2b_4	s_N_q2c_1	s_N_q2c_2	s_N_q2c_3	s_N_q2c_4	s_N_q3a_1	s_N_q3a_2	s_N_q3a_3	s_N_q3a_4	s_N_q3b_1	s_N_q3b_2	s_N_q3b_3	s_N_q3b_4	s_N_q3c_1	s_N_q3c_2	s_N_q3c_3	s_N_q3c_4	s_N_q3d_1	s_N_q3d_2	s_N_q3d_3	s_N_q3d_4	s_N_q3e_1	s_N_q3e_2	s_N_q3e_3	s_N_q3e_4	s_N_q3f_1	s_N_q3f_2	s_N_q3f_3	s_N_q3f_4	s_N_q3g_1	s_N_q3g_2	s_N_q3g_3	s_N_q3g_4	s_N_q3h_1	s_N_q3h_2	s_N_q3h_3	s_N_q3h_4	s_N_q3i_1	s_N_q3i_2	s_N_q3i_3	s_N_q3i_4	s_N_q4a_1	s_N_q4a_2	s_N_q4a_3	s_N_q4a_4	s_N_q4b_1	s_N_q4b_2	s_N_q4b_3	s_N_q4b_4	s_N_q5a_1	s_N_q5a_2	s_N_q5a_3	s_N_q5a_4	s_N_q5b_1	s_N_q5b_2	s_N_q5b_3	s_N_q5b_4	s_N_q6a_1	s_N_q6a_2	s_N_q6a_3	s_N_q6a_4	s_N_q6a_5	s_N_q6b_1	s_N_q6b_2	s_N_q6b_3	s_N_q6b_4	s_N_q6b_5	s_N_q6c_1	s_N_q6c_2	s_N_q6c_3	s_N_q6c_4	s_N_q6c_5	s_N_q6d_1	s_N_q6d_2	s_N_q6d_3	s_N_q6d_4	s_N_q6d_5	s_N_q6e_1	s_N_q6e_2	s_N_q6e_3	s_N_q6e_4	s_N_q6e_5	s_N_q6f_1	s_N_q6f_2	s_N_q6f_3	s_N_q6f_4	s_N_q6f_5	s_N_q6g_1	s_N_q6g_2	s_N_q6g_3	s_N_q6g_4	s_N_q6g_5	s_N_q6h_1	s_N_q6h_2	s_N_q6h_3	s_N_q6h_4	s_N_q6h_5	s_N_q7a_1	s_N_q7a_2	s_N_q7a_3	s_N_q7a_4	s_N_q7b_1	s_N_q7b_2	s_N_q7b_3	s_N_q7b_4	s_N_q8a_1	s_N_q8a_2	s_N_q8a_3	s_N_q8a_4	s_N_q8a_5	s_N_q8b_1	s_N_q8b_2	s_N_q8b_3	s_N_q8b_4	s_N_q8b_5	s_N_q8c_1	s_N_q8c_2	s_N_q8c_3	s_N_q8c_4	s_N_q8c_5	s_N_q8d_1	s_N_q8d_2	s_N_q8d_3	s_N_q8d_4	s_N_q8d_5	s_N_q9a_1	s_N_q9a_2	s_N_q9a_3	s_N_q9b_1	s_N_q9b_2	s_N_q9b_3	s_N_q9c_1	s_N_q9c_2	s_N_q9c_3	s_N_q9d_1	s_N_q9d_2	s_N_q9d_3	s_N_q9e_1	s_N_q9e_2	s_N_q9e_3	s_N_q9f_1	s_N_q9f_2	s_N_q9f_3	s_N_q9g_1	s_N_q9g_2	s_N_q9g_3	s_N_q9h_1	s_N_q9h_2	s_N_q9h_3	s_q1	s_q10	s_q10_1	s_q10_2	s_q10_3	s_q10_4	s_q10a_1	s_q10a_2	s_q10a_3	s_q10b_1	s_q10b_2	s_q10b_3	s_q10c_1	s_q10c_2	s_q10c_3	s_q10d_1	s_q10d_2	s_q10d_3	s_q10e_1	s_q10e_2	s_q10e_3	s_q10f_1	s_q10f_2	s_q10f_3	s_q10g_1	s_q10g_2	s_q10g_3	s_q10h_1	s_q10h_2	s_q10h_3	s_q11	s_q11_1	s_q11_2	s_q11_3	s_q11_4	s_q11a	s_q11a_1	s_q11a_2	s_q11a_3	s_q11a_4	s_q11b	s_q11b_1	s_q11b_2	s_q11b_3	s_q11b_4	s_q11c	s_q11c_1	s_q11c_2	s_q11c_3	s_q11c_4	s_q12a	s_q12a_1	s_q12a_2	s_q12a_3	s_q12a_4	s_q12b	s_q12b_1	s_q12b_2	s_q12b_3	s_q12b_4	s_q12c	s_q12c_1	s_q12c_2	s_q12c_3	s_q12c_4	s_q12d	s_q12d_1	s_q12d_2	s_q12d_3	s_q12d_4	s_q12e	s_q12e_1	s_q12e_2	s_q12e_3	s_q12e_4	s_q12f	s_q12f_1	s_q12f_2	s_q12f_3	s_q12f_4	s_q12g	s_q12g_1	s_q12g_2	s_q12g_3	s_q12g_4	s_q13a	s_q13a_1	s_q13a_2	s_q13a_3	s_q13a_4	s_q13b	s_q13b_1	s_q13b_2	s_q13b_3	s_q13b_4	s_q13c	s_q13c_1	s_q13c_2	s_q13c_3	s_q13c_4	s_q13d	s_q13d_1	s_q13d_2	s_q13d_3	s_q13d_4	s_q13e	s_q13e_1	s_q13e_2	s_q13e_3	s_q13e_4	s_q13f	s_q13f_1	s_q13f_2	s_q13f_3	s_q13f_4	s_q13g	s_q13g_1	s_q13g_2	s_q13g_3	s_q13g_4	s_q14	s_q14_1	s_q14_10	s_q14_11	s_q14_2	s_q14_3	s_q14_4	s_q14_5	s_q14_6	s_q14_7	s_q14_8	s_q14_9	s_q14a	s_q14a_1	s_q14a_2	s_q14a_3	s_q14a_4	s_q14b	s_q14b_1	s_q14b_2	s_q14b_3	s_q14b_4	s_q14c	s_q14c_1	s_q14c_2	s_q14c_3	s_q14c_4	s_q14d	s_q14d_1	s_q14d_2	s_q14d_3	s_q14d_4	s_q14e	s_q14e_1	s_q14e_2	s_q14e_3	s_q14e_4	s_q14f	s_q14f_1	s_q14f_2	s_q14f_3	s_q14f_4	s_q14g	s_q14g_1	s_q14g_2	s_q14g_3	s_q14g_4	s_q1_1	s_q1_2	s_q1_3	s_q1_4	s_q1_5	s_q1_6	s_q1_7	s_q1a	s_q1a_1	s_q1a_2	s_q1a_3	s_q1a_4	s_q1b	s_q1b_1	s_q1b_2	s_q1b_3	s_q1b_4	s_q1c	s_q1c_1	s_q1c_2	s_q1c_3	s_q1c_4	s_q2a	s_q2a_1	s_q2a_2	s_q2a_3	s_q2a_4	s_q2b	s_q2b_1	s_q2b_2	s_q2b_3	s_q2b_4	s_q2c	s_q2c_1	s_q2c_2	s_q2c_3	s_q2c_4	s_q2d	s_q2d_1	s_q2d_2	s_q2d_3	s_q2d_4	s_q2e	s_q2e_1	s_q2e_2	s_q2e_3	s_q2e_4	s_q2f	s_q2f_1	s_q2f_2	s_q2f_3	s_q2f_4	s_q2g	s_q2g_1	s_q2g_2	s_q2g_3	s_q2g_4	s_q3a	s_q3a_1	s_q3a_2	s_q3a_3	s_q3a_4	s_q3b	s_q3b_1	s_q3b_2	s_q3b_3	s_q3b_4	s_q3c	s_q3c_1	s_q3c_2	s_q3c_3	s_q3c_4	s_q3d	s_q3d_1	s_q3d_2	s_q3d_3	s_q3d_4	s_q3e	s_q3e_1	s_q3e_2	s_q3e_3	s_q3e_4	s_q3f	s_q3f_1	s_q3f_2	s_q3f_3	s_q3f_4	s_q3g	s_q3g_1	s_q3g_2	s_q3g_3	s_q3g_4	s_q3h	s_q3h_1	s_q3h_2	s_q3h_3	s_q3h_4	s_q3i	s_q3i_1	s_q3i_2	s_q3i_3	s_q3i_4	s_q4a	s_q4a_1	s_q4a_2	s_q4a_3	s_q4a_4	s_q4b	s_q4b_1	s_q4b_2	s_q4b_3	s_q4b_4	s_q5a	s_q5a_1	s_q5a_2	s_q5a_3	s_q5a_4	s_q5a_5	s_q5b	s_q5b_1	s_q5b_2	s_q5b_3	s_q5b_4	s_q5b_5	s_q5c	s_q5c_1	s_q5c_2	s_q5c_3	s_q5c_4	s_q5c_5	s_q5d	s_q5d_1	s_q5d_2	s_q5d_3	s_q5d_4	s_q5d_5	s_q5e	s_q5e_1	s_q5e_2	s_q5e_3	s_q5e_4	s_q5e_5	s_q5f	s_q5f_1	s_q5f_2	s_q5f_3	s_q5f_4	s_q5f_5	s_q5g	s_q5g_1	s_q5g_2	s_q5g_3	s_q5g_4	s_q5g_5	s_q6a	s_q6a_1	s_q6a_2	s_q6a_3	s_q6a_4	s_q6a_5	s_q6b	s_q6b_1	s_q6b_2	s_q6b_3	s_q6b_4	s_q6b_5	s_q6c	s_q6c_1	s_q6c_2	s_q6c_3	s_q6c_4	s_q6c_5	s_q6d	s_q6d_1	s_q6d_2	s_q6d_3	s_q6d_4	s_q6d_5	s_q6e	s_q6e_1	s_q6e_2	s_q6e_3	s_q6e_4	s_q6e_5	s_q6f	s_q6f_1	s_q6f_2	s_q6f_3	s_q6f_4	s_q6f_5	s_q6g	s_q6g_1	s_q6g_2	s_q6g_3	s_q6g_4	s_q6g_5	s_q6h	s_q6h_1	s_q6h_2	s_q6h_3	s_q6h_4	s_q6h_5	s_q7a	s_q7a_1	s_q7a_2	s_q7a_3	s_q7a_4	s_q7a_5	s_q7b	s_q7b_1	s_q7b_2	s_q7b_3	s_q7b_4	s_q7b_5	s_q7c	s_q7c_1	s_q7c_2	s_q7c_3	s_q7c_4	s_q7c_5	s_q7d	s_q7d_1	s_q7d_2	s_q7d_3	s_q7d_4	s_q7d_5	s_q8	s_q8a	s_q8a_1	s_q8a_2	s_q8a_3	s_q8a_4	s_q8a_5	s_q8b	s_q8b_1	s_q8b_2	s_q8b_3	s_q8b_4	s_q8b_5	s_q8c	s_q8c_1	s_q8c_2	s_q8c_3	s_q8c_4	s_q8c_5	s_q8d	s_q8d_1	s_q8d_2	s_q8d_3	s_q8d_4	s_q8d_5	s_q8e_1	s_q8e_2	s_q8e_3	s_q8f_1	s_q8f_2	s_q8f_3	s_q8g_1	s_q8g_2	s_q8g_3	s_q8h_1	s_q8h_2	s_q8h_3	s_q8i_1	s_q8i_2	s_q8i_3	s_q8j_1	s_q8j_2	s_q8j_3	s_q8k_1	s_q8k_2	s_q8k_3	s_q8l_1	s_q8l_2	s_q8l_3	s_q9	s_q9a_1	s_q9a_2	s_q9a_3	s_q9b_1	s_q9b_2	s_q9b_3	s_q9c_1	s_q9c_2	s_q9c_3	s_q9d_1	s_q9d_2	s_q9d_3	s_q9e_1	s_q9e_2	s_q9e_3	s_q9f_1	s_q9f_2	s_q9f_3	s_q9g_1	s_q9g_2	s_q9g_3	s_q9h_1	s_q9h_2	s_q9h_3	s_q9i_1	s_q9i_2	s_q9i_3	s_q9j_1	s_q9j_2	s_q9j_3	s_q9k_1	s_q9k_2	s_q9k_3	s_q9l_1	s_q9l_2	s_q9l_3	saf_p_11	saf_s_11	saf_t_11	saf_tot_11	schoolname	schooltype	studentssurveyed	t_N_q10_1	t_N_q10_2	t_N_q10_3	t_N_q10_4	t_N_q10_5	t_N_q10a_1	t_N_q10a_2	t_N_q10a_3	t_N_q10a_4	t_N_q10a_5	t_N_q10a_6	t_N_q10b_1	t_N_q10b_2	t_N_q10b_3	t_N_q10b_4	t_N_q10b_5	t_N_q10b_6	t_N_q10c_1	t_N_q10c_2	t_N_q10c_3	t_N_q10c_4	t_N_q10c_5	t_N_q10c_6	t_N_q10d_1	t_N_q10d_2	t_N_q10d_3	t_N_q10d_4	t_N_q10d_5	t_N_q10d_6	t_N_q10e_1	t_N_q10e_2	t_N_q10e_3	t_N_q10e_4	t_N_q10e_5	t_N_q10e_6	t_N_q11a_1	t_N_q11a_2	t_N_q11a_3	t_N_q11a_4	t_N_q11a_5	t_N_q11b_1	t_N_q11b_2	t_N_q11b_3	t_N_q11b_4	t_N_q11b_5	t_N_q11c_1	t_N_q11c_2	t_N_q11c_3	t_N_q11c_4	t_N_q11c_5	t_N_q11d_1	t_N_q11d_2	t_N_q11d_3	t_N_q11d_4	t_N_q11d_5	t_N_q11e_1	t_N_q11e_2	t_N_q11e_3	t_N_q11e_4	t_N_q11f_1	t_N_q11f_2	t_N_q11f_3	t_N_q11f_4	t_N_q11g_1	t_N_q11g_2	t_N_q11g_3	t_N_q11g_4	t_N_q11h_1	t_N_q11h_2	t_N_q11h_3	t_N_q11h_4	t_N_q11i_1	t_N_q11i_2	t_N_q11i_3	t_N_q11i_4	t_N_q11j_1	t_N_q11j_2	t_N_q11j_3	t_N_q11j_4	t_N_q11k_1	t_N_q11k_2	t_N_q11k_3	t_N_q11k_4	t_N_q11l_1	t_N_q11l_2	t_N_q11l_3	t_N_q11l_4	t_N_q11m_1	t_N_q11m_2	t_N_q11m_3	t_N_q11m_4	t_N_q11n_1	t_N_q11n_2	t_N_q11n_3	t_N_q11n_4	t_N_q11o_1	t_N_q11o_2	t_N_q11o_3	t_N_q11o_4	t_N_q12_1	t_N_q12_2	t_N_q12_3	t_N_q12_4	t_N_q12_5	t_N_q12_6	t_N_q12a_1	t_N_q12a_2	t_N_q12a_3	t_N_q12a_4	t_N_q12a_5	t_N_q12b_1	t_N_q12b_2	t_N_q12b_3	t_N_q12b_4	t_N_q12b_5	t_N_q12c_1	t_N_q12c_2	t_N_q12c_3	t_N_q12c_4	t_N_q12c_5	t_N_q12d_1	t_N_q12d_2	t_N_q12d_3	t_N_q12d_4	t_N_q12d_5	t_N_q13a_1	t_N_q13a_2	t_N_q13a_3	t_N_q13a_4	t_N_q13a_5	t_N_q13b_1	t_N_q13b_2	t_N_q13b_3	t_N_q13b_4	t_N_q13b_5	t_N_q13c_1	t_N_q13c_2	t_N_q13c_3	t_N_q13c_4	t_N_q13c_5	t_N_q13d_1	t_N_q13d_2	t_N_q13d_3	t_N_q13d_4	t_N_q13d_5	t_N_q13e_1	t_N_q13e_2	t_N_q13e_3	t_N_q13e_4	t_N_q13f_1	t_N_q13f_2	t_N_q13f_3	t_N_q13f_4	t_N_q13g_1	t_N_q13g_2	t_N_q13g_3	t_N_q13g_4	t_N_q13h_1	t_N_q13h_2	t_N_q13h_3	t_N_q13h_4	t_N_q13i_1	t_N_q13i_2	t_N_q13i_3	t_N_q13i_4	t_N_q13j_1	t_N_q13j_2	t_N_q13j_3	t_N_q13j_4	t_N_q13k_1	t_N_q13k_2	t_N_q13k_3	t_N_q13k_4	t_N_q13l_1	t_N_q13l_2	t_N_q13l_3	t_N_q13l_4	t_N_q13m_1	t_N_q13m_2	t_N_q13m_3	t_N_q13m_4	t_N_q13n_1	t_N_q13n_2	t_N_q13n_3	t_N_q13n_4	t_N_q14_1	t_N_q14_2	t_N_q14_3	t_N_q14_4	t_N_q14_5	t_N_q14_6	t_N_q15a_1	t_N_q15a_2	t_N_q15a_3	t_N_q15a_4	t_N_q15a_5	t_N_q15b_1	t_N_q15b_2	t_N_q15b_3	t_N_q15b_4	t_N_q15b_5	t_N_q15c_1	t_N_q15c_2	t_N_q15c_3	t_N_q15c_4	t_N_q15c_5	t_N_q15d_1	t_N_q15d_2	t_N_q15d_3	t_N_q15d_4	t_N_q15d_5	t_N_q15e_1	t_N_q15e_2	t_N_q15e_3	t_N_q15e_4	t_N_q15f_1	t_N_q15f_2	t_N_q15f_3	t_N_q15f_4	t_N_q16a_1	t_N_q16a_2	t_N_q16a_3	t_N_q16a_4	t_N_q16a_5	t_N_q16b_1	t_N_q16b_2	t_N_q16b_3	t_N_q16b_4	t_N_q16b_5	t_N_q16c_1	t_N_q16c_2	t_N_q16c_3	t_N_q16c_4	t_N_q16c_5	t_N_q16d_1	t_N_q16d_2	t_N_q16d_3	t_N_q16d_4	t_N_q16d_5	t_N_q17a_1	t_N_q17a_2	t_N_q17a_3	t_N_q17a_4	t_N_q17b_1	t_N_q17b_2	t_N_q17b_3	t_N_q17b_4	t_N_q17c_1	t_N_q17c_2	t_N_q17c_3	t_N_q17c_4	t_N_q17d_1	t_N_q17d_2	t_N_q17d_3	t_N_q17d_4	t_N_q17e_1	t_N_q17e_2	t_N_q17e_3	t_N_q17e_4	t_N_q17f_1	t_N_q17f_2	t_N_q17f_3	t_N_q17f_4	t_N_q1a_1	t_N_q1a_2	t_N_q1a_3	t_N_q1a_4	t_N_q1b_1	t_N_q1b_2	t_N_q1b_3	t_N_q1b_4	t_N_q1c_1	t_N_q1c_2	t_N_q1c_3	t_N_q1c_4	t_N_q1d_1	t_N_q1d_2	t_N_q1d_3	t_N_q1d_4	t_N_q1e_1	t_N_q1e_2	t_N_q1e_3	t_N_q1e_4	t_N_q1f_1	t_N_q1f_2	t_N_q1f_3	t_N_q1f_4	t_N_q1g_1	t_N_q1g_2	t_N_q1g_3	t_N_q1g_4	t_N_q2a_1	t_N_q2a_2	t_N_q2a_3	t_N_q2a_4	t_N_q2b_1	t_N_q2b_2	t_N_q2b_3	t_N_q2b_4	t_N_q2c_1	t_N_q2c_2	t_N_q2c_3	t_N_q2c_4	t_N_q2d_1	t_N_q2d_2	t_N_q2d_3	t_N_q2d_4	t_N_q2e_1	t_N_q2e_2	t_N_q2e_3	t_N_q2e_4	t_N_q2f_1	t_N_q2f_2	t_N_q2f_3	t_N_q2f_4	t_N_q3a_1	t_N_q3a_2	t_N_q3a_3	t_N_q3b_1	t_N_q3b_2	t_N_q3b_3	t_N_q3c_1	t_N_q3c_2	t_N_q3c_3	t_N_q3d_1	t_N_q3d_2	t_N_q3d_3	t_N_q3e_1	t_N_q3e_2	t_N_q3e_3	t_N_q3f_1	t_N_q3f_2	t_N_q3f_3	t_N_q3g_1	t_N_q3g_2	t_N_q3g_3	t_N_q3h_1	t_N_q3h_2	t_N_q3h_3	t_N_q3i_1	t_N_q3i_2	t_N_q3i_3	t_N_q3j_1	t_N_q3j_2	t_N_q3j_3	t_N_q3k_1	t_N_q3k_2	t_N_q3k_3	t_N_q3l_1	t_N_q3l_2	t_N_q3l_3	t_N_q4_1	t_N_q4_2	t_N_q4_3	t_N_q4_4	t_N_q5a_1	t_N_q5a_2	t_N_q5a_3	t_N_q5a_4	t_N_q5a_5	t_N_q5b_1	t_N_q5b_2	t_N_q5b_3	t_N_q5b_4	t_N_q5b_5	t_N_q5c_1	t_N_q5c_2	t_N_q5c_3	t_N_q5c_4	t_N_q5c_5	t_N_q6a_1	t_N_q6a_2	t_N_q6a_3	t_N_q6a_4	t_N_q6b_1	t_N_q6b_2	t_N_q6b_3	t_N_q6b_4	t_N_q6c_1	t_N_q6c_2	t_N_q6c_3	t_N_q6c_4	t_N_q6d_1	t_N_q6d_2	t_N_q6d_3	t_N_q6d_4	t_N_q6e_1	t_N_q6e_2	t_N_q6e_3	t_N_q6e_4	t_N_q6f_1	t_N_q6f_2	t_N_q6f_3	t_N_q6f_4	t_N_q6g_1	t_N_q6g_2	t_N_q6g_3	t_N_q6g_4	t_N_q6h_1	t_N_q6h_2	t_N_q6h_3	t_N_q6h_4	t_N_q6i_1	t_N_q6i_2	t_N_q6i_3	t_N_q6i_4	t_N_q6j_1	t_N_q6j_2	t_N_q6j_3	t_N_q6j_4	t_N_q6k_1	t_N_q6k_2	t_N_q6k_3	t_N_q6k_4	t_N_q6l_1	t_N_q6l_2	t_N_q6l_3	t_N_q6l_4	t_N_q6m_1	t_N_q6m_2	t_N_q6m_3	t_N_q6m_4	t_N_q7a_1	t_N_q7a_2	t_N_q7a_3	t_N_q7a_4	t_N_q7a_5	t_N_q7b_1	t_N_q7b_2	t_N_q7b_3	t_N_q7b_4	t_N_q7b_5	t_N_q7c_1	t_N_q7c_2	t_N_q7c_3	t_N_q7c_4	t_N_q7c_5	t_N_q7d_1	t_N_q7d_2	t_N_q7d_3	t_N_q7d_4	t_N_q7d_5	t_N_q7e_1	t_N_q7e_2	t_N_q7e_3	t_N_q7e_4	t_N_q7e_5	t_N_q7f_1	t_N_q7f_2	t_N_q7f_3	t_N_q7f_4	t_N_q7f_5	t_N_q8a_1	t_N_q8a_2	t_N_q8a_3	t_N_q8a_4	t_N_q8b_1	t_N_q8b_2	t_N_q8b_3	t_N_q8b_4	t_N_q8c_1	t_N_q8c_2	t_N_q8c_3	t_N_q8c_4	t_N_q9_1	t_N_q9_2	t_N_q9_3	t_N_q9_4	t_N_q9_5	t_q10	t_q10_1	t_q10_2	t_q10_3	t_q10_4	t_q10_5	t_q10a	t_q10a_1	t_q10a_2	t_q10a_3	t_q10a_4	t_q10a_5	t_q10a_6	t_q10b	t_q10b_1	t_q10b_2	t_q10b_3	t_q10b_4	t_q10b_5	t_q10b_6	t_q10c	t_q10c_1	t_q10c_2	t_q10c_3	t_q10c_4	t_q10c_5	t_q10c_6	t_q10d	t_q10d_1	t_q10d_2	t_q10d_3	t_q10d_4	t_q10d_5	t_q10d_6	t_q10e	t_q10e_1	t_q10e_2	t_q10e_3	t_q10e_4	t_q10e_5	t_q10e_6	t_q11a	t_q11a_1	t_q11a_2	t_q11a_3	t_q11a_4	t_q11a_5	t_q11b	t_q11b_1	t_q11b_2	t_q11b_3	t_q11b_4	t_q11b_5	t_q11c	t_q11c_1	t_q11c_2	t_q11c_3	t_q11c_4	t_q11c_5	t_q11d	t_q11d_1	t_q11d_2	t_q11d_3	t_q11d_4	t_q11d_5	t_q11e	t_q11e_1	t_q11e_2	t_q11e_3	t_q11e_4	t_q11f	t_q11f_1	t_q11f_2	t_q11f_3	t_q11f_4	t_q11g	t_q11g_1	t_q11g_2	t_q11g_3	t_q11g_4	t_q11h	t_q11h_1	t_q11h_2	t_q11h_3	t_q11h_4	t_q11i	t_q11i_1	t_q11i_2	t_q11i_3	t_q11i_4	t_q11j	t_q11j_1	t_q11j_2	t_q11j_3	t_q11j_4	t_q11k	t_q11k_1	t_q11k_2	t_q11k_3	t_q11k_4	t_q11l	t_q11l_1	t_q11l_2	t_q11l_3	t_q11l_4	t_q11m	t_q11m_1	t_q11m_2	t_q11m_3	t_q11m_4	t_q11n	t_q11n_1	t_q11n_2	t_q11n_3	t_q11n_4	t_q11o	t_q11o_1	t_q11o_2	t_q11o_3	t_q11o_4	t_q12	t_q12_1	t_q12_2	t_q12_3	t_q12_4	t_q12_5	t_q12_6	t_q12a	t_q12a_1	t_q12a_2	t_q12a_3	t_q12a_4	t_q12a_5	t_q12b	t_q12b_1	t_q12b_2	t_q12b_3	t_q12b_4	t_q12b_5	t_q12c	t_q12c_1	t_q12c_2	t_q12c_3	t_q12c_4	t_q12c_5	t_q12d	t_q12d_1	t_q12d_2	t_q12d_3	t_q12d_4	t_q12d_5	t_q13a	t_q13a_1	t_q13a_2	t_q13a_3	t_q13a_4	t_q13a_5	t_q13b	t_q13b_1	t_q13b_2	t_q13b_3	t_q13b_4	t_q13b_5	t_q13c	t_q13c_1	t_q13c_2	t_q13c_3	t_q13c_4	t_q13c_5	t_q13d	t_q13d_1	t_q13d_2	t_q13d_3	t_q13d_4	t_q13d_5	t_q13e	t_q13e_1	t_q13e_2	t_q13e_3	t_q13e_4	t_q13f	t_q13f_1	t_q13f_2	t_q13f_3	t_q13f_4	t_q13g	t_q13g_1	t_q13g_2	t_q13g_3	t_q13g_4	t_q13h	t_q13h_1	t_q13h_2	t_q13h_3	t_q13h_4	t_q13i	t_q13i_1	t_q13i_2	t_q13i_3	t_q13i_4	t_q13j	t_q13j_1	t_q13j_2	t_q13j_3	t_q13j_4	t_q13k	t_q13k_1	t_q13k_2	t_q13k_3	t_q13k_4	t_q13l	t_q13l_1	t_q13l_2	t_q13l_3	t_q13l_4	t_q13m	t_q13m_1	t_q13m_2	t_q13m_3	t_q13m_4	t_q13n	t_q13n_1	t_q13n_2	t_q13n_3	t_q13n_4	t_q14	t_q14_1	t_q14_2	t_q14_3	t_q14_4	t_q14_5	t_q14_6	t_q15a	t_q15a_1	t_q15a_2	t_q15a_3	t_q15a_4	t_q15a_5	t_q15b	t_q15b_1	t_q15b_2	t_q15b_3	t_q15b_4	t_q15b_5	t_q15c	t_q15c_1	t_q15c_2	t_q15c_3	t_q15c_4	t_q15c_5	t_q15d	t_q15d_1	t_q15d_2	t_q15d_3	t_q15d_4	t_q15d_5	t_q15e	t_q15e_1	t_q15e_2	t_q15e_3	t_q15e_4	t_q15f	t_q15f_1	t_q15f_2	t_q15f_3	t_q15f_4	t_q16a	t_q16a_1	t_q16a_2	t_q16a_3	t_q16a_4	t_q16a_5	t_q16b	t_q16b_1	t_q16b_2	t_q16b_3	t_q16b_4	t_q16b_5	t_q16c	t_q16c_1	t_q16c_2	t_q16c_3	t_q16c_4	t_q16c_5	t_q16d	t_q16d_1	t_q16d_2	t_q16d_3	t_q16d_4	t_q16d_5	t_q17a	t_q17a_1	t_q17a_2	t_q17a_3	t_q17a_4	t_q17b	t_q17b_1	t_q17b_2	t_q17b_3	t_q17b_4	t_q17c	t_q17c_1	t_q17c_2	t_q17c_3	t_q17c_4	t_q17d	t_q17d_1	t_q17d_2	t_q17d_3	t_q17d_4	t_q17e	t_q17e_1	t_q17e_2	t_q17e_3	t_q17e_4	t_q17f	t_q17f_1	t_q17f_2	t_q17f_3	t_q17f_4	t_q1a	t_q1a_1	t_q1a_2	t_q1a_3	t_q1a_4	t_q1b	t_q1b_1	t_q1b_2	t_q1b_3	t_q1b_4	t_q1c	t_q1c_1	t_q1c_2	t_q1c_3	t_q1c_4	t_q1d	t_q1d_1	t_q1d_2	t_q1d_3	t_q1d_4	t_q1e	t_q1e_1	t_q1e_2	t_q1e_3	t_q1e_4	t_q1f	t_q1f_1	t_q1f_2	t_q1f_3	t_q1f_4	t_q1g	t_q1g_1	t_q1g_2	t_q1g_3	t_q1g_4	t_q2a	t_q2a_1	t_q2a_2	t_q2a_3	t_q2a_4	t_q2b	t_q2b_1	t_q2b_2	t_q2b_3	t_q2b_4	t_q2c	t_q2c_1	t_q2c_2	t_q2c_3	t_q2c_4	t_q2d	t_q2d_1	t_q2d_2	t_q2d_3	t_q2d_4	t_q2e	t_q2e_1	t_q2e_2	t_q2e_3	t_q2e_4	t_q2f	t_q2f_1	t_q2f_2	t_q2f_3	t_q2f_4	t_q3_1	t_q3_2	t_q3a_1	t_q3a_2	t_q3a_3	t_q3b_1	t_q3b_2	t_q3b_3	t_q3c_1	t_q3c_2	t_q3c_3	t_q3d_1	t_q3d_2	t_q3d_3	t_q3e_1	t_q3e_2	t_q3e_3	t_q3f_1	t_q3f_2	t_q3f_3	t_q3g_1	t_q3g_2	t_q3g_3	t_q3h_1	t_q3h_2	t_q3h_3	t_q3i_1	t_q3i_2	t_q3i_3	t_q3j_1	t_q3j_2	t_q3j_3	t_q3k_1	t_q3k_2	t_q3k_3	t_q3l_1	t_q3l_2	t_q3l_3	t_q4	t_q4_1	t_q4_2	t_q4_3	t_q4_4	t_q5a	t_q5a_1	t_q5a_2	t_q5a_3	t_q5a_4	t_q5a_5	t_q5b	t_q5b_1	t_q5b_2	t_q5b_3	t_q5b_4	t_q5b_5	t_q5c	t_q5c_1	t_q5c_2	t_q5c_3	t_q5c_4	t_q5c_5	t_q6a	t_q6a_1	t_q6a_2	t_q6a_3	t_q6a_4	t_q6b	t_q6b_1	t_q6b_2	t_q6b_3	t_q6b_4	t_q6c	t_q6c_1	t_q6c_2	t_q6c_3	t_q6c_4	t_q6d	t_q6d_1	t_q6d_2	t_q6d_3	t_q6d_4	t_q6e	t_q6e_1	t_q6e_2	t_q6e_3	t_q6e_4	t_q6f	t_q6f_1	t_q6f_2	t_q6f_3	t_q6f_4	t_q6g	t_q6g_1	t_q6g_2	t_q6g_3	t_q6g_4	t_q6h	t_q6h_1	t_q6h_2	t_q6h_3	t_q6h_4	t_q6i	t_q6i_1	t_q6i_2	t_q6i_3	t_q6i_4	t_q6j	t_q6j_1	t_q6j_2	t_q6j_3	t_q6j_4	t_q6k	t_q6k_1	t_q6k_2	t_q6k_3	t_q6k_4	t_q6l	t_q6l_1	t_q6l_2	t_q6l_3	t_q6l_4	t_q6m	t_q6m_1	t_q6m_2	t_q6m_3	t_q6m_4	t_q7a	t_q7a_1	t_q7a_2	t_q7a_3	t_q7a_4	t_q7a_5	t_q7b	t_q7b_1	t_q7b_2	t_q7b_3	t_q7b_4	t_q7b_5	t_q7c	t_q7c_1	t_q7c_2	t_q7c_3	t_q7c_4	t_q7c_5	t_q7d	t_q7d_1	t_q7d_2	t_q7d_3	t_q7d_4	t_q7d_5	t_q7e	t_q7e_1	t_q7e_2	t_q7e_3	t_q7e_4	t_q7e_5	t_q7f	t_q7f_1	t_q7f_2	t_q7f_3	t_q7f_4	t_q7f_5	t_q8a	t_q8a_1	t_q8a_2	t_q8a_3	t_q8a_4	t_q8b	t_q8b_1	t_q8b_2	t_q8b_3	t_q8b_4	t_q8c	t_q8c_1	t_q8c_2	t_q8c_3	t_q8c_4	t_q9	t_q9_1	t_q9_2	t_q9_3	t_q9_4	t_q9_5
0	90	nan	22	7.8	nan	7.9	7.9	M015	7.6	nan	7.8	7.7	0	01M015	7.5	nan	7.6	7.5	0	150	0	25	56	nan	nan	nan	nan	nan	30	nan	nan	nan	nan	nan	6	nan	nan	nan	nan	nan	49	nan	nan	nan	nan	nan	3	nan	nan	nan	nan	nan	2	nan	nan	nan	nan	nan	56	11	6	33	1	1	50	36	3	1	nan	33	42	10	1	nan	38	38	11	2	nan	37	42	9	1	nan	38	41	8	2	nan	41	38	5	4	nan	nan	nan	nan	12	27	13	2	14	14	21	7	2	19	13	31	6	2	13	14	29	4	2	13	nan	nan	nan	nan	12	19	9	4	20	10	20	7	4	20	11	22	6	4	19	12	21	6	5	18	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	6	0	0	0	0	0	8	12	16	12	16	14	0	1	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	42	43	5	0	0	34	43	8	0	1	33	45	7	3	0	46	37	1	2	0	39	40	4	2	0	40	41	4	0	3	38	30	14	2	2	42	37	5	1	1	32	31	14	7	4	26	29	13	12	5	38	27	13	7	1	29	31	19	6	2	nan	nan	nan	nan	nan	31	47	4	2	5	29	43	12	0	3	32	46	7	0	3	28	38	11	1	5	nan	nan	nan	nan	nan	31	16	19	5	0	33	6	47	12	31	nan	nan	nan	nan	18	40	19	5	6	13	31	4	0	33	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	35	49	2	1	3	nan	34	51	2	0	2	nan	28	44	4	5	5	nan	31	36	3	1	1	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	27	27	9	8	14	53	15	2	3	14	60	4	1	0	20	52	12	1	4	18	70	2	0	0	13	70	3	0	0	11	5	0	nan	nan	nan	nan	nan	12	11	6	3	4	3	3	5	nan	nan	62	nan	nan	nan	nan	nan	33	nan	nan	nan	nan	nan	7	nan	nan	nan	nan	nan	54	nan	nan	nan	nan	nan	3	nan	nan	nan	nan	nan	2	nan	nan	nan	nan	nan	62	12	7	37	1	1	8.3	56	40	3	1	nan	7.5	38	49	12	1	nan	7.5	43	43	12	2	nan	7.6	42	47	10	1	nan	7.6	43	46	9	2	nan	7.7	47	43	6	5	nan	nan	nan	nan	nan	nan	18	40	19	3	21	nan	22	33	11	3	30	nan	20	48	9	3	20	nan	23	47	6	3	21	nan	nan	nan	nan	nan	nan	19	30	14	6	31	nan	16	33	11	7	33	nan	18	35	10	6	31	nan	19	34	10	8	29	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	7	0	0	0	0	0	9	14	19	14	19	16	0	1	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	8	47	48	6	0	0	7.7	40	50	9	0	1	7.4	38	51	8	3	0	8.3	53	43	1	2	0	7.9	46	47	5	2	0	8.1	45	47	5	0	3	7.5	44	35	16	2	2	8	49	43	6	1	1	7.3	36	35	16	8	5	6.7	31	34	15	14	6	8.7	44	31	15	8	1	nan	33	36	22	7	2	nan	nan	nan	nan	nan	nan	7.8	35	53	4	2	6	7.6	33	49	14	0	3	7.9	36	52	8	0	3	7.4	34	46	13	1	6	nan	nan	nan	nan	nan	nan	7.4	34	18	21	6	0	37	7	52	13	34	nan	nan	nan	nan	6.3	20	45	22	6	7	6.6	16	38	5	0	41	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	8.2	39	54	2	1	3	8.3	38	57	2	0	2	7.5	33	51	5	6	6	7.9	43	50	4	1	1	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	6.8	32	32	11	9	16	8.7	61	17	2	3	16	9.7	71	5	1	0	24	8.7	60	14	1	5	21	9.9	82	2	0	0	15	9.9	83	4	0	0	13	nan	10	0	nan	nan	nan	nan	nan	23	21	12	6	8	6	6	10	60	nan	88	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	8.5	nan	7.5	8	P.S. 015 Roberto Clemente	Elementary School	No	nan	nan	nan	nan	nan	13	3	3	1	0	1	4	2	9	4	0	2	6	5	5	3	1	1	3	4	10	3	0	1	1	7	8	2	1	2	1	14	5	0	nan	3	13	5	0	nan	9	11	1	0	nan	0	4	12	5	nan	0	11	8	2	0	1	10	10	1	17	2	0	3	16	2	0	12	9	0	0	0	0	4	16	0	1	13	7	5	15	0	0	0	0	10	11	7	14	0	0	10	7	0	0	nan	nan	nan	nan	nan	nan	1	5	2	2	11	0	6	1	3	11	0	6	2	3	10	0	5	3	3	10	0	4	4	7	6	0	1	6	8	6	0	2	5	7	7	0	3	6	7	5	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	0	3	10	5	2	nan	7	12	1	1	nan	10	9	1	0	nan	6	12	2	0	nan	11	10	0	0	nan	12	9	0	0	12	9	0	0	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	13	7	1	0	13	7	1	0	13	5	3	0	8	12	0	0	10	9	2	0	9	10	2	0	10	9	2	0	8	12	1	0	6	14	1	0	9	12	0	0	8	10	3	0	11	9	1	0	nan	nan	nan	nan	10	6	4	1	3	13	8	6	5	6	7	6	0	0	18	11	3	7	6	2	13	21	0	0	0	7	13	11	13	0	nan	nan	nan	nan	nan	nan	2	12	7	0	14	4	3	0	0	0	0	0	0	21	13	6	2	0	0	7	12	1	0	14	7	0	0	14	6	1	0	11	9	1	0	7	12	0	0	9	9	1	0	10	10	1	0	7	11	3	0	16	5	0	0	9	11	0	0	16	3	1	0	15	5	0	0	13	8	0	0	7	12	1	1	0	5	9	6	1	0	5	12	4	0	0	3	12	5	0	1	4	15	1	1	0	nan	nan	nan	nan	nan	6	10	4	0	4	14	2	0	6	14	1	0	1	3	11	5	1	nan	nan	nan	nan	nan	nan	nan	62	14	14	5	0	5	7	19	10	43	19	0	10	nan	29	24	24	14	5	5	7.3	14	19	48	14	0	5	7.4	5	33	38	10	5	10	6	5	70	25	0	nan	6.3	14	62	24	0	nan	7.9	43	52	5	0	nan	6.8	0	19	57	24	nan	5.2	0	52	38	10	8.1	0	5	48	48	6.5	5	85	10	0	6.8	14	76	10	0	8.6	57	43	0	0	9.3	0	0	20	80	7.6	0	5	62	33	7.5	25	75	0	0	8.4	0	0	48	52	7.8	33	67	0	0	8.6	59	41	0	0	nan	nan	nan	nan	nan	nan	nan	nan	5	24	10	10	52	nan	0	29	5	14	52	nan	0	29	10	14	48	nan	0	24	14	14	48	nan	0	19	19	33	29	nan	0	5	29	38	29	nan	0	10	24	33	33	nan	0	14	29	33	24	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	0	15	50	25	10	nan	nan	33	57	5	5	nan	nan	50	45	5	0	nan	nan	30	60	10	0	nan	nan	52	48	0	0	nan	nan	57	43	0	0	nan	57	43	0	0	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	8.6	62	33	5	0	8.6	62	33	5	0	8.3	62	24	14	0	8	40	60	0	0	7.9	48	43	10	0	7.8	43	48	10	0	7.9	48	43	10	0	7.8	38	57	5	0	7.5	29	67	5	0	8.1	43	57	0	0	7.5	38	48	14	0	8.3	52	43	5	0	nan	nan	nan	nan	nan	8.8	6.7	45	27	18	5	14	59	36	27	23	27	32	27	0	0	82	50	14	32	27	9	59	95	0	0	0	32	59	50	59	0	nan	nan	nan	nan	nan	nan	5.9	10	57	33	0	8.4	67	19	14	0	0	nan	0	0	0	0	100	8.4	62	29	10	0	0	7.7	35	60	5	0	8.9	67	33	0	0	8.7	67	29	5	0	8.3	52	43	5	0	7.9	37	63	0	0	8.1	47	47	5	0	8.1	48	48	5	0	7.3	33	52	14	0	9.2	76	24	0	0	8.2	45	55	0	0	9.2	80	15	5	0	9.2	75	25	0	0	nan	62	38	0	0	7.3	33	57	5	5	0	6.2	24	43	29	5	0	6.8	24	57	19	0	0	6.3	14	57	24	0	5	6.8	19	71	5	5	0	nan	nan	nan	nan	nan	nan	7	30	50	20	0	7	20	70	10	0	7.5	29	67	5	0	nan	5	14	52	24	5
1	161	nan	34	7.8	nan	9.1	8.4	M019	7.6	nan	8.5	8.1	0	01M019	7.6	nan	8.9	8.2	0	269	0	33	76	nan	nan	nan	nan	nan	105	nan	nan	nan	nan	nan	22	nan	nan	nan	nan	nan	99	nan	nan	nan	nan	nan	23	nan	nan	nan	nan	nan	16	nan	nan	nan	nan	nan	75	33	18	83	4	2	89	59	7	2	nan	66	72	16	3	nan	62	74	19	3	nan	68	70	20	1	nan	69	75	13	1	nan	70	72	15	2	nan	nan	nan	nan	21	49	25	6	36	20	49	15	8	45	24	55	19	5	34	29	50	23	4	31	nan	nan	nan	nan	16	37	30	8	42	14	37	26	10	45	15	45	23	7	43	19	37	27	7	41	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	17	1	0	0	0	0	25	23	24	25	17	26	1	0	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	71	69	14	7	0	68	68	19	4	2	63	57	31	6	4	80	73	5	0	2	71	76	8	3	1	55	65	2	2	34	63	59	23	8	4	65	66	9	5	8	55	47	34	19	6	51	54	29	14	10	68	62	18	8	3	56	37	44	21	3	nan	nan	nan	nan	nan	58	79	17	2	5	62	80	14	1	2	79	69	9	1	3	56	77	6	4	16	nan	nan	nan	nan	nan	62	97	20	12	4	100	17	104	26	52	nan	nan	nan	nan	43	57	39	9	10	27	41	2	0	82	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	64	75	11	5	1	nan	70	68	10	5	4	nan	52	67	17	5	16	nan	49	43	13	1	10	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	39	53	10	18	36	92	20	5	4	36	106	7	5	1	35	86	13	4	7	45	110	0	0	0	43	106	1	1	0	46	11	1	nan	nan	nan	nan	nan	16	21	15	11	9	2	25	12	nan	nan	47	nan	nan	nan	nan	nan	65	nan	nan	nan	nan	nan	14	nan	nan	nan	nan	nan	61	nan	nan	nan	nan	nan	14	nan	nan	nan	nan	nan	10	nan	nan	nan	nan	nan	47	20	11	52	2	1	8.3	57	38	4	1	nan	7.6	42	46	10	2	nan	7.4	39	47	12	2	nan	7.6	43	44	13	1	nan	7.8	44	47	8	1	nan	7.7	44	45	9	1	nan	nan	nan	nan	nan	nan	15	36	18	4	26	nan	15	36	11	6	33	nan	18	40	14	4	25	nan	21	36	17	3	23	nan	nan	nan	nan	nan	nan	12	28	23	6	32	nan	11	28	20	8	34	nan	11	34	17	5	32	nan	15	28	21	5	31	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	11	1	0	0	0	0	16	14	15	16	11	16	1	0	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	7.6	44	43	9	4	0	7.5	42	42	12	2	1	7.1	39	35	19	4	2	8.2	50	46	3	0	1	7.9	45	48	5	2	1	8	35	41	1	1	22	7.2	40	38	15	5	3	7.7	42	43	6	3	5	7	34	29	21	12	4	6.9	32	34	18	9	6	9	43	39	11	5	2	nan	35	23	27	13	2	nan	nan	nan	nan	nan	nan	7.7	36	49	11	1	3	8	39	50	9	1	1	8.4	49	43	6	1	2	7.8	35	48	4	3	10	nan	nan	nan	nan	nan	nan	8.6	39	60	12	7	2	62	11	65	16	32	nan	nan	nan	nan	6.4	27	36	25	6	6	6.5	18	27	1	0	54	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	7.9	41	48	7	3	1	8	45	43	6	3	3	7.3	33	43	11	3	10	7.7	42	37	11	1	9	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	6.5	25	34	6	12	23	8.8	59	13	3	3	23	9.4	69	5	3	1	23	8.7	55	8	3	5	29	10	72	0	0	0	28	9.9	69	1	1	0	30	nan	9	1	nan	nan	nan	nan	nan	13	17	12	9	7	2	20	10	60	nan	100	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	8.4	nan	8.6	8.5	P.S. 019 Asher Levy	Elementary School	No	nan	nan	nan	nan	nan	25	7	1	0	0	1	8	11	12	2	0	1	13	6	11	2	0	2	7	4	16	5	0	2	7	4	15	4	1	3	17	14	3	0	nan	21	10	1	1	nan	25	8	1	0	nan	1	2	12	19	nan	0	4	18	12	1	1	5	27	13	14	5	2	10	20	3	1	29	3	1	1	0	0	2	32	0	1	10	23	23	8	1	2	0	0	2	32	25	8	0	1	21	6	2	0	nan	nan	nan	nan	nan	nan	6	6	3	4	15	6	6	3	5	14	7	7	2	5	13	6	6	3	5	14	3	4	6	11	10	3	5	5	11	10	3	6	5	11	9	2	5	7	11	9	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	2	1	18	3	9	nan	16	15	0	3	nan	24	7	0	3	nan	21	10	0	3	nan	30	4	0	0	nan	30	3	1	0	29	4	1	0	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	29	4	0	1	31	1	1	1	23	8	1	2	28	5	0	0	27	4	0	3	27	4	1	2	23	9	0	2	30	3	1	0	30	3	0	0	30	2	1	0	28	5	0	1	29	3	1	1	nan	nan	nan	nan	3	22	8	30	2	1	2	6	25	16	0	16	0	0	33	32	1	0	20	0	13	33	0	0	1	7	25	19	16	2	nan	nan	nan	nan	nan	nan	16	14	2	1	29	2	2	1	0	30	2	1	0	0	30	3	1	0	0	24	7	2	1	25	5	3	1	25	7	1	1	29	5	0	0	26	7	1	0	27	6	1	0	26	6	1	0	23	8	0	2	29	2	1	1	30	2	1	0	30	2	1	0	31	2	0	0	28	3	2	0	23	7	1	1	1	22	5	3	2	1	24	6	0	2	1	22	8	2	0	1	22	7	3	0	1	nan	nan	nan	nan	nan	23	10	1	0	25	8	1	0	25	7	2	0	1	2	1	25	3	nan	nan	nan	nan	nan	nan	nan	74	21	3	0	0	3	8.4	24	32	35	6	0	3	nan	38	18	32	6	0	6	7.3	21	12	47	15	0	6	7.2	21	12	44	12	3	9	8	50	41	9	0	nan	8.5	64	30	3	3	nan	9	74	24	3	0	nan	8.1	3	6	35	56	nan	7.5	0	12	53	35	9	3	3	15	79	7.1	38	41	15	6	7.2	29	59	9	3	9.2	85	9	3	3	9.8	0	0	6	94	8.8	0	3	29	68	8.4	68	24	3	6	9.8	0	0	6	94	8.9	74	24	0	3	8.9	72	21	7	0	nan	nan	nan	nan	nan	nan	nan	nan	18	18	9	12	44	nan	18	18	9	15	41	nan	21	21	6	15	38	nan	18	18	9	15	41	nan	9	12	18	32	29	nan	9	15	15	32	29	nan	9	18	15	32	26	nan	6	15	21	32	26	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	6	3	55	9	27	nan	nan	47	44	0	9	nan	nan	71	21	0	9	nan	nan	62	29	0	9	nan	nan	88	12	0	0	nan	nan	88	9	3	0	nan	85	12	3	0	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	9.3	85	12	0	3	9.4	91	3	3	3	8.4	68	24	3	6	9.5	85	15	0	0	8.7	79	12	0	9	8.8	79	12	3	6	8.5	68	26	0	6	9.5	88	9	3	0	9.7	91	9	0	0	9.6	91	6	3	0	9.2	82	15	0	3	9.2	85	9	3	3	nan	nan	nan	nan	nan	9.8	5.8	9	65	24	88	6	3	6	18	74	47	0	47	0	0	97	94	3	0	59	0	38	97	0	0	3	21	74	56	47	6	nan	nan	nan	nan	nan	nan	7.9	48	42	6	3	9.1	85	6	6	3	0	9.6	91	6	3	0	0	9.5	88	9	3	0	0	8.6	71	21	6	3	8.6	74	15	9	3	8.8	74	21	3	3	9.5	85	15	0	0	9.1	76	21	3	0	9.2	79	18	3	0	9.2	79	18	3	0	8.6	70	24	0	6	9.3	88	6	3	3	9.6	91	6	3	0	9.6	91	6	3	0	9.8	94	6	0	0	nan	85	9	6	0	8.8	70	21	3	3	3	8.2	67	15	9	6	3	8.8	73	18	0	6	3	8.8	67	24	6	0	3	8.6	67	21	9	0	3	nan	nan	nan	nan	nan	nan	8.8	68	29	3	0	9	74	24	3	0	8.9	74	21	6	0	nan	3	6	3	78	9
2	367	nan	42	8.6	nan	7.5	8	M020	8.3	nan	6.3	7.3	0	01M020	8.3	nan	6.8	7.5	0	505	0	48	176	nan	nan	nan	nan	nan	173	nan	nan	nan	nan	nan	40	nan	nan	nan	nan	nan	219	nan	nan	nan	nan	nan	43	nan	nan	nan	nan	nan	36	nan	nan	nan	nan	nan	210	65	48	203	16	13	246	105	6	0	nan	193	147	12	1	nan	195	146	6	3	nan	201	140	9	1	nan	191	149	4	1	nan	202	140	5	0	nan	nan	nan	nan	70	118	37	12	55	58	130	29	5	65	65	149	26	4	45	78	141	26	4	40	nan	nan	nan	nan	58	118	24	21	60	42	122	26	14	69	50	123	29	14	59	49	129	25	13	57	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	33	0	0	0	0	0	62	68	37	47	42	58	0	0	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	230	128	1	0	1	192	158	3	1	1	177	170	9	0	0	230	118	2	0	1	205	144	6	0	0	168	150	4	3	25	161	163	19	4	6	162	170	10	2	10	154	106	64	24	8	136	122	51	29	19	144	137	44	16	11	131	118	71	28	6	nan	nan	nan	nan	nan	188	153	8	2	8	181	165	5	2	3	198	140	10	1	6	178	146	11	1	14	nan	nan	nan	nan	nan	216	113	180	40	44	192	52	234	63	103	nan	nan	nan	nan	126	187	22	3	19	78	104	16	3	129	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	197	152	4	2	2	nan	204	140	4	2	0	nan	176	148	4	4	17	nan	150	117	5	1	11	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	107	113	25	6	77	229	34	9	4	45	238	9	8	7	60	222	28	7	7	59	274	2	3	4	38	265	6	2	6	46	7	2	nan	nan	nan	nan	nan	37	50	32	23	12	11	59	26	nan	nan	48	nan	nan	nan	nan	nan	47	nan	nan	nan	nan	nan	11	nan	nan	nan	nan	nan	60	nan	nan	nan	nan	nan	12	nan	nan	nan	nan	nan	10	nan	nan	nan	nan	nan	57	18	13	55	4	4	8.9	69	29	2	0	nan	8.4	55	42	3	0	nan	8.4	56	42	2	1	nan	8.5	57	40	3	0	nan	8.5	55	43	1	0	nan	8.6	58	40	1	0	nan	nan	nan	nan	nan	nan	24	40	13	4	19	nan	20	45	10	2	23	nan	22	52	9	1	16	nan	27	49	9	1	14	nan	nan	nan	nan	nan	nan	21	42	9	7	21	nan	15	45	10	5	25	nan	18	45	11	5	21	nan	18	47	9	5	21	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	10	0	0	0	0	0	18	20	11	14	12	17	0	0	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	8.8	64	36	0	0	0	8.4	54	45	1	0	0	8.2	50	48	3	0	0	8.8	66	34	1	0	0	8.5	58	41	2	0	0	8.3	48	43	1	1	7	8	46	46	5	1	2	8.1	46	48	3	1	3	7.6	43	30	18	7	2	7.3	38	34	14	8	5	8.8	41	39	13	5	3	nan	37	33	20	8	2	nan	nan	nan	nan	nan	nan	8.6	52	43	2	1	2	8.6	51	46	1	1	1	8.7	56	39	3	0	2	8.5	51	42	3	0	4	nan	nan	nan	nan	nan	nan	8.7	59	31	49	11	12	52	14	64	17	28	nan	nan	nan	nan	7.9	35	52	6	1	5	6.8	24	32	5	1	39	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	8.8	55	43	1	1	1	8.9	58	40	1	1	0	8.5	50	42	1	1	5	8.4	53	41	2	0	4	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	7.6	33	34	8	2	23	9.2	71	11	3	1	14	9.4	74	3	2	2	19	9.2	69	9	2	2	18	9.8	85	1	1	1	12	9.7	82	2	1	2	14	nan	3	1	nan	nan	nan	nan	nan	14	19	12	9	5	4	23	10	73	nan	88	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	8.9	nan	7.6	8.2	P.S. 020 Anna Silver	Elementary School	No	nan	nan	nan	nan	nan	19	7	8	4	0	2	7	6	9	17	1	0	12	11	9	6	2	0	2	9	9	12	3	5	5	9	12	9	1	4	10	20	6	4	nan	7	18	8	4	nan	20	16	3	0	nan	0	1	11	26	nan	1	9	20	9	1	2	20	16	13	25	0	0	9	29	0	0	17	21	1	0	0	1	7	31	1	6	10	22	10	22	3	4	1	1	5	31	33	5	0	0	16	10	0	2	nan	nan	nan	nan	nan	nan	2	11	13	5	9	2	14	11	3	10	1	17	10	3	9	1	20	7	4	8	0	9	14	10	7	0	9	15	8	8	0	12	13	9	6	0	11	13	8	8	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	2	3	17	5	10	nan	8	13	12	7	nan	10	24	5	1	nan	5	19	14	2	nan	14	22	4	0	nan	12	23	4	0	14	23	3	0	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	14	18	3	7	15	15	6	6	12	19	5	6	12	21	4	2	14	18	6	4	17	14	4	7	16	10	9	7	20	17	4	1	22	17	0	0	17	20	2	0	12	27	3	0	13	22	6	0	nan	nan	nan	nan	38	3	0	1	8	30	23	13	7	4	9	26	11	2	27	38	1	0	4	4	31	38	2	0	4	32	5	14	26	3	nan	nan	nan	nan	nan	nan	10	25	4	0	13	17	5	7	0	11	17	8	6	0	16	22	3	0	1	13	17	5	7	14	16	7	5	22	17	1	2	13	24	5	0	7	23	11	1	13	20	8	1	15	20	3	1	11	15	10	3	15	16	6	2	19	15	1	4	13	26	0	0	15	23	1	0	11	23	5	0	6	19	11	2	0	10	22	2	3	1	11	23	2	1	1	7	20	10	1	0	9	21	7	1	0	nan	nan	nan	nan	nan	9	21	8	2	9	21	7	3	13	14	8	5	1	2	6	26	2	nan	nan	nan	nan	nan	nan	nan	48	18	20	10	0	5	6.2	18	15	23	43	3	0	nan	30	28	23	15	5	0	6	5	23	23	30	8	13	6.9	13	23	30	23	3	10	6.3	25	50	15	10	nan	5.9	19	49	22	11	nan	8.1	51	41	8	0	nan	8.9	0	3	29	68	nan	6.5	3	23	51	23	7.7	3	5	51	41	7.8	34	66	0	0	7.5	24	76	0	0	8	44	54	3	0	9.2	0	3	18	79	7.9	3	15	26	56	6.6	26	56	8	10	9.1	3	3	13	82	9.6	87	13	0	0	8.1	57	36	0	7	nan	nan	nan	nan	nan	nan	nan	nan	5	28	33	13	23	nan	5	35	28	8	25	nan	3	43	25	8	23	nan	3	50	18	10	20	nan	0	23	35	25	18	nan	0	23	38	20	20	nan	0	30	33	23	15	nan	0	28	33	20	20	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	5	8	46	14	27	nan	nan	20	33	30	18	nan	nan	25	60	13	3	nan	nan	13	48	35	5	nan	nan	35	55	10	0	nan	nan	31	59	10	0	nan	35	58	8	0	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	6.4	33	43	7	17	6.4	36	36	14	14	6.3	29	45	12	14	7	31	54	10	5	6.7	33	43	14	10	6.6	40	33	10	17	6.1	38	24	21	17	7.8	48	40	10	2	8.5	56	44	0	0	7.9	44	51	5	0	7.4	29	64	7	0	7.2	32	54	15	0	nan	nan	nan	nan	nan	9.9	6.8	90	7	0	2	19	71	55	31	17	10	21	62	26	5	64	90	2	0	10	10	74	90	5	0	10	76	12	33	62	7	nan	nan	nan	nan	nan	nan	7.2	26	64	10	0	6.2	31	40	12	17	0	6	26	40	19	14	0	7.7	38	52	7	0	2	6.2	31	40	12	17	6.4	33	38	17	12	8	52	40	2	5	7.3	31	57	12	0	6.2	17	55	26	2	6.9	31	48	19	2	7.5	38	51	8	3	6.2	28	38	26	8	7.1	38	41	15	5	7.5	49	38	3	10	7.8	33	67	0	0	7.9	38	59	3	0	nan	28	59	13	0	5.9	16	50	29	5	0	6.8	26	58	5	8	3	7.3	29	61	5	3	3	6.2	18	53	26	3	0	6.7	24	55	18	3	0	nan	nan	nan	nan	nan	nan	6.4	23	52	20	5	6.3	23	52	18	8	6.3	33	35	20	13	nan	3	5	16	70	5
3	151	145	29	8.5	7.4	7.8	7.9	M034	8.2	5.9	6.2	6.7	0	01M034	8	6.5	6.8	7.1	0	301	163	40	95	nan	nan	nan	nan	nan	74	nan	nan	nan	nan	nan	19	nan	nan	nan	nan	nan	79	nan	nan	nan	nan	nan	17	nan	nan	nan	nan	nan	15	nan	nan	nan	nan	nan	102	42	16	74	4	5	97	45	5	0	nan	78	56	9	0	nan	79	54	7	0	nan	75	55	10	0	nan	73	64	4	0	nan	82	54	6	0	nan	nan	nan	nan	35	53	11	2	15	31	53	7	2	19	34	53	7	4	11	39	48	7	2	12	nan	nan	nan	nan	22	40	15	5	23	19	38	13	6	24	22	41	11	5	20	22	39	12	5	20	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	7	13	0	1	0	0	13	10	16	9	15	18	20	19	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	85	61	2	1	1	79	68	2	1	0	71	67	7	1	0	92	52	2	1	1	81	59	3	3	1	66	67	5	1	6	64	59	20	2	0	68	63	6	2	4	63	47	17	8	9	65	48	14	8	11	68	48	10	11	7	56	48	26	10	5	nan	nan	nan	nan	nan	79	57	3	0	5	81	58	5	1	1	80	51	5	1	4	73	55	9	1	5	nan	nan	nan	nan	nan	34	93	25	10	35	64	10	64	34	32	nan	nan	nan	nan	49	64	18	5	7	31	41	5	1	56	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	72	67	3	1	3	nan	83	56	2	1	0	nan	72	53	7	3	7	nan	60	48	2	1	5	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	43	53	9	6	32	88	18	2	2	30	95	7	3	2	32	94	13	4	3	27	103	2	2	0	33	105	2	2	1	33	6	0	nan	nan	nan	nan	nan	9	18	18	17	8	3	17	8	nan	nan	63	nan	nan	nan	nan	nan	49	nan	nan	nan	nan	nan	13	nan	nan	nan	nan	nan	52	nan	nan	nan	nan	nan	11	nan	nan	nan	nan	nan	10	nan	nan	nan	nan	nan	68	28	11	49	3	3	8.8	66	31	3	0	nan	8.3	55	39	6	0	nan	8.4	56	39	5	0	nan	8.2	54	39	7	0	nan	8.3	52	45	3	0	nan	8.5	58	38	4	0	nan	nan	nan	nan	nan	nan	30	46	9	2	13	nan	28	47	6	2	17	nan	31	49	6	4	10	nan	36	44	6	2	11	nan	nan	nan	nan	nan	nan	21	38	14	5	22	nan	19	38	13	6	24	nan	22	41	11	5	20	nan	22	40	12	5	20	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	5	9	0	1	0	0	9	7	11	6	11	13	14	13	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	8.5	57	41	1	1	1	8.3	53	45	1	1	0	8.1	49	46	5	1	0	8.7	62	35	1	1	1	8.3	55	40	2	2	1	8.1	46	46	3	1	4	7.6	44	41	14	1	0	8.1	48	44	4	1	3	7.6	44	33	12	6	6	7.5	45	33	10	5	8	8.8	47	33	7	8	5	nan	39	33	18	7	3	nan	nan	nan	nan	nan	nan	8.7	55	40	2	0	3	8.6	55	40	3	1	1	8.6	57	36	4	1	3	8.3	51	38	6	1	3	nan	nan	nan	nan	nan	nan	8	23	62	17	7	23	42	7	42	23	21	nan	nan	nan	nan	7.3	34	45	13	3	5	6.8	23	31	4	1	42	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	8.5	49	46	2	1	2	8.8	58	39	1	1	0	8.2	51	37	5	2	5	8.3	52	41	2	1	4	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	7.3	30	37	6	4	22	9.2	63	13	1	1	21	9.4	68	5	2	1	23	9.1	67	9	3	2	19	9.8	74	1	1	0	24	9.7	73	1	1	1	23	nan	6	0	nan	nan	nan	nan	nan	9	17	17	16	8	3	16	8	50	89	73	33	26	73	93	19	23	32	44	56	43	25	63	60	13	58	84	21	26	75	37	21	44	29	57	25	63	29	18	12	67	34	28	36	68	27	9	14	59	32	35	120	18	4	0	51	54	19	16	24	74	20	24	21	50	26	45	76	35	14	17	100	30	6	4	89	28	9	12	32	68	21	16	23	60	32	25	43	66	19	12	39	68	18	16	35	70	20	16	23	54	33	29	31	46	16	8	42	46	50	0	0	0	0	32	84	15	8	41	77	18	3	32	68	25	12	42	84	8	6	60	63	11	5	90	44	2	3	23	64	35	16	41	65	28	5	47	66	20	6	62	52	11	7	nan	nan	nan	nan	nan	nan	nan	nan	26	35	37	37	34	36	38	25	23	42	37	35	31	39	37	29	29	54	26	17	12	16	51	30	32	8	49	62	7	9	11	27	40	16	10	45	41	53	11	9	23	42	57	19	10	9	48	62	17	9	1	25	57	24	18	13	6	42	41	52	8	48	46	37	7	15	43	50	25	8	29	63	26	12	14	25	38	27	35	14	67	37	10	10	28	18	87	107	17	15	36	46	53	55	11	72	83	8	46	101	20	19	20	16	96	108	16	16	nan	7.7	nan	nan	nan	nan	25	20	55	69	14	17	24	33	42	33	19	48	46	10	44	64	16	20	56	28	16	34	22	44	5.7	19	47	21	13	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	4.8	9	48	24	20	3.5	26	49	19	6	4.6	10	42	23	25	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	9.4	85	13	3	0	6.7	36	39	14	11	5.6	17	52	14	17	4.4	15	35	18	32	7.3	54	25	10	12	8.7	71	21	4	3	8	64	20	7	9	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	6.2	23	50	15	12	5.3	16	43	23	18	6.7	31	47	14	9	6.4	28	48	13	11	6.3	25	50	14	11	5	17	39	24	21	6.6	31	46	16	8	30	33	36	0	0	0	0	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	6.7	23	60	11	6	7.1	29	55	13	2	6.3	23	50	18	9	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	7.2	30	60	6	4	7.6	43	45	8	4	8.6	65	32	1	2	5.6	17	46	25	12	6.7	29	47	20	4	7	34	47	14	4	7.6	47	39	8	5	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	5.4	19	26	27	27	4.7	26	27	29	19	5.4	17	31	27	26	nan	4.9	23	29	27	21	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	5.9	21	39	19	12	9	4.8	12	37	22	23	6	7.4	36	45	5	7	8	6.1	20	29	12	7	33	6.9	30	39	8	7	17	6.9	31	42	14	7	7	7.2	35	45	12	7	1	5.9	18	42	18	13	9	8.1	4	30	29	37	nan	7.7	6	35	33	27	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	5	11	31	36	18	6.5	6	21	46	19	9	6.9	10	18	27	19	25	4.9	10	49	27	7	7	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	8.7	21	14	65	77	12	11	27	34	39	40	8	52	61	6	34	72	14	14	15	12	73	77	11	11	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	8.8	6.2	7	7.3	P.S. 034 Franklin D. Roosevelt	Elementary / Middle School	Yes	nan	nan	nan	nan	nan	12	8	6	2	0	1	2	4	13	10	0	0	7	8	11	1	2	0	2	4	16	3	2	2	2	5	12	8	1	1	2	14	12	1	nan	6	7	14	1	nan	9	17	2	1	nan	0	3	16	10	nan	0	14	8	7	1	4	12	12	2	15	9	3	2	19	6	2	10	15	3	1	0	2	12	15	0	3	13	13	6	18	5	0	0	0	12	17	18	9	2	0	4	12	5	0	nan	nan	nan	nan	nan	nan	1	13	8	4	3	1	11	5	5	6	1	13	5	6	4	2	10	4	7	5	1	7	12	8	1	1	6	9	8	4	1	6	9	10	2	1	6	11	7	3	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	1	5	14	3	5	nan	2	11	10	6	nan	8	15	2	4	nan	3	15	7	4	nan	13	16	0	0	nan	14	14	1	0	13	12	4	0	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	9	14	3	3	9	13	5	2	6	12	5	6	11	17	0	0	9	12	6	2	8	13	4	4	7	15	1	6	12	14	3	0	17	10	1	0	15	10	3	0	16	11	2	0	14	11	4	0	nan	nan	nan	nan	1	10	16	28	11	0	17	12	5	4	7	15	26	0	2	26	8	1	7	2	18	28	5	0	7	23	0	14	23	1	nan	nan	nan	nan	nan	nan	8	13	5	1	6	13	6	4	0	9	11	6	3	0	19	7	3	0	0	8	15	4	2	9	14	3	3	13	12	0	4	15	13	1	0	10	14	3	2	13	13	2	1	4	21	2	1	4	15	6	3	12	12	4	0	10	13	3	2	15	10	3	0	13	15	0	0	12	13	3	0	11	11	3	2	1	9	13	5	1	0	12	14	2	0	0	11	10	3	3	1	10	12	3	1	2	nan	nan	nan	nan	nan	3	14	12	0	4	13	9	2	6	13	8	2	0	5	9	11	3	nan	nan	nan	nan	nan	nan	nan	41	28	21	7	0	3	6.2	7	14	45	34	0	0	nan	24	28	38	3	7	0	6.5	7	14	55	10	7	7	6.3	7	17	41	28	3	3	5.3	7	48	41	3	nan	5.5	21	25	50	4	nan	7.2	31	59	7	3	nan	7.5	0	10	55	34	nan	5.9	0	48	28	24	7.4	3	14	41	41	5.2	7	52	31	10	5.7	7	66	21	7	7.2	34	52	10	3	8.2	0	7	41	52	7.8	0	10	45	45	6.8	21	62	17	0	8.6	0	0	41	59	8.5	62	31	7	0	6.5	19	57	24	0	nan	nan	nan	nan	nan	nan	nan	nan	3	45	28	14	10	nan	4	39	18	18	21	nan	3	45	17	21	14	nan	7	36	14	25	18	nan	3	24	41	28	3	nan	4	21	32	29	14	nan	4	21	32	36	7	nan	4	21	39	25	11	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	4	18	50	11	18	nan	nan	7	38	34	21	nan	nan	28	52	7	14	nan	nan	10	52	24	14	nan	nan	45	55	0	0	nan	nan	48	48	3	0	nan	45	41	14	0	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	6.7	31	48	10	10	6.7	31	45	17	7	5.4	21	41	17	21	8	39	61	0	0	6.6	31	41	21	7	6.2	28	45	14	14	6	24	52	3	21	7.7	41	48	10	0	8.6	61	36	4	0	8.1	54	36	11	0	8.3	55	38	7	0	7.8	48	38	14	0	nan	nan	nan	nan	nan	10	8.6	3	34	55	97	38	0	59	41	17	14	24	52	90	0	7	90	28	3	24	7	62	97	17	0	24	79	0	48	79	3	nan	nan	nan	nan	nan	nan	6.8	30	48	19	4	5.7	21	45	21	14	0	6.3	31	38	21	10	0	8.5	66	24	10	0	0	6.7	28	52	14	7	6.7	31	48	10	10	7.2	45	41	0	14	8.3	52	45	3	0	7	34	48	10	7	7.7	45	45	7	3	6.7	14	75	7	4	5.7	14	54	21	11	7.6	43	43	14	0	7	36	46	11	7	8.1	54	36	11	0	8.2	46	54	0	0	nan	43	46	11	0	7.2	39	39	11	7	4	6.9	32	46	18	4	0	7.9	43	50	7	0	0	6.9	39	36	11	11	4	7.3	36	43	11	4	7	nan	nan	nan	nan	nan	nan	5.6	10	48	41	0	5.6	14	46	32	7	6	21	45	28	7	nan	0	18	32	39	11
4	90	nan	23	7.9	nan	8.1	8	M063	7.9	nan	7.3	7.6	0	01M063	8.1	nan	7.8	7.9	0	151	0	23	45	nan	nan	nan	nan	nan	54	nan	nan	nan	nan	nan	13	nan	nan	nan	nan	nan	57	nan	nan	nan	nan	nan	14	nan	nan	nan	nan	nan	13	nan	nan	nan	nan	nan	63	24	13	59	3	0	49	34	5	2	nan	40	38	8	4	nan	43	36	8	2	nan	44	35	9	1	nan	41	42	6	1	nan	44	33	8	4	nan	nan	nan	nan	7	30	12	3	11	6	29	9	1	14	5	32	8	4	10	9	35	6	4	9	nan	nan	nan	nan	5	17	15	3	19	4	16	13	3	20	4	16	12	4	20	4	17	12	4	18	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	3	0	0	0	0	0	16	7	16	11	8	25	0	0	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	51	33	1	4	0	36	45	3	4	0	46	36	2	1	2	52	30	2	1	0	46	35	4	3	0	40	33	3	1	7	38	35	9	5	1	39	39	3	2	2	39	25	19	4	1	34	28	14	5	7	50	25	8	2	2	40	25	19	4	0	nan	nan	nan	nan	nan	43	37	3	3	2	38	42	6	2	0	39	35	6	3	4	37	39	3	5	4	nan	nan	nan	nan	nan	62	69	22	7	1	31	20	56	27	20	nan	nan	nan	nan	32	41	10	5	1	23	27	0	4	28	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	40	45	1	2	1	nan	42	45	1	0	0	nan	36	43	3	3	2	nan	34	27	2	3	4	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	15	35	10	4	23	58	7	3	4	12	70	3	3	0	11	57	11	1	0	19	74	0	0	0	13	74	0	0	0	14	3	0	nan	nan	nan	nan	nan	11	15	2	4	2	6	10	9	nan	nan	50	nan	nan	nan	nan	nan	60	nan	nan	nan	nan	nan	14	nan	nan	nan	nan	nan	63	nan	nan	nan	nan	nan	16	nan	nan	nan	nan	nan	14	nan	nan	nan	nan	nan	70	27	14	66	3	0	8.1	54	38	6	2	nan	7.6	44	42	9	4	nan	7.8	48	40	9	2	nan	7.9	49	39	10	1	nan	7.9	46	47	7	1	nan	7.7	49	37	9	4	nan	nan	nan	nan	nan	nan	11	48	19	5	17	nan	10	49	15	2	24	nan	8	54	14	7	17	nan	14	56	10	6	14	nan	nan	nan	nan	nan	nan	8	29	25	5	32	nan	7	29	23	5	36	nan	7	29	21	7	36	nan	7	31	22	7	33	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	3	0	0	0	0	0	19	8	19	13	9	29	0	0	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	8.2	57	37	1	4	0	7.6	41	51	3	5	0	8.3	53	41	2	1	2	8.5	61	35	2	1	0	8	52	40	5	3	0	8.2	48	39	4	1	8	7.4	43	40	10	6	1	8	46	46	4	2	2	7.8	44	28	22	5	1	7.2	39	32	16	6	8	9.2	57	29	9	2	2	nan	45	28	22	5	0	nan	nan	nan	nan	nan	nan	8.2	49	42	3	3	2	8.1	43	48	7	2	0	7.9	45	40	7	3	5	7.8	42	44	3	6	5	nan	nan	nan	nan	nan	nan	8.8	69	77	24	8	1	34	22	62	30	22	nan	nan	nan	nan	7.4	36	46	11	6	1	7	28	33	0	5	34	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	8.4	45	51	1	2	1	8.6	48	51	1	0	0	8	41	49	3	3	2	8	49	39	3	4	6	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	6.5	17	40	11	5	26	8.8	69	8	4	5	14	9.6	80	3	3	0	13	9.4	65	13	1	0	22	10	85	0	0	0	15	10	84	0	0	0	16	nan	5	0	nan	nan	nan	nan	nan	18	24	3	6	3	10	16	15	60	nan	100	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	8.7	nan	8.4	8.5	P.S. 063 William McKinley	Elementary School	No	nan	nan	nan	nan	nan	11	6	3	0	1	1	5	6	8	2	0	1	11	5	4	0	2	0	3	8	9	1	0	1	7	6	5	2	1	1	13	5	4	0	nan	12	7	0	0	nan	16	5	1	0	nan	0	2	3	17	nan	1	4	12	5	0	0	8	14	8	12	1	1	8	12	2	0	15	6	1	0	0	0	2	20	0	0	5	17	16	5	1	0	0	0	1	21	14	6	0	1	6	4	3	2	nan	nan	nan	nan	nan	nan	2	7	1	2	10	2	4	3	3	10	2	5	3	2	10	1	6	3	2	10	0	5	4	8	5	0	3	4	9	6	0	4	5	8	5	0	4	5	7	6	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	1	3	11	2	3	nan	11	5	5	1	nan	10	9	3	0	nan	9	8	4	1	nan	16	6	0	0	nan	15	7	0	0	15	6	0	0	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	9	12	0	1	8	13	1	0	7	12	3	1	10	9	2	0	7	13	2	1	7	9	3	4	5	10	4	4	18	5	0	0	17	4	0	0	16	5	0	0	15	6	2	0	14	7	2	0	nan	nan	nan	nan	19	0	2	20	1	0	11	8	3	0	1	19	0	0	20	4	11	6	14	0	7	21	0	0	2	16	3	7	13	2	nan	nan	nan	nan	nan	nan	10	8	1	1	11	6	2	2	1	0	1	0	0	22	17	3	2	0	0	4	12	5	2	7	13	2	1	10	11	2	0	12	10	1	0	14	8	0	1	14	8	1	0	11	6	4	0	5	9	5	2	8	11	1	1	10	10	0	1	11	7	1	2	15	6	0	0	15	6	0	0	10	7	2	1	0	8	9	3	0	0	11	7	2	0	0	12	7	1	0	0	9	8	2	1	0	nan	nan	nan	nan	nan	7	11	4	0	10	11	1	0	13	8	1	0	2	1	2	12	3	nan	nan	nan	nan	nan	nan	nan	50	27	14	0	5	5	8.1	23	27	36	9	0	5	nan	50	23	18	0	9	0	8.3	14	36	41	5	0	5	8.1	32	27	23	9	5	5	8	59	23	18	0	nan	8.8	63	37	0	0	nan	8.9	73	23	5	0	nan	8.9	0	9	14	77	nan	6.5	5	18	55	23	8.8	0	0	36	64	7.4	36	55	5	5	7.6	36	55	9	0	8.8	68	27	5	0	9.7	0	0	9	91	9.2	0	0	23	77	8.9	73	23	5	0	9.8	0	0	5	95	8.6	67	29	0	5	6.4	40	27	20	13	nan	nan	nan	nan	nan	nan	nan	nan	9	32	5	9	45	nan	9	18	14	14	45	nan	9	23	14	9	45	nan	5	27	14	9	45	nan	0	23	18	36	23	nan	0	14	18	41	27	nan	0	18	23	36	23	nan	0	18	23	32	27	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	5	15	55	10	15	nan	nan	50	23	23	5	nan	nan	45	41	14	0	nan	nan	41	36	18	5	nan	nan	73	27	0	0	nan	nan	68	32	0	0	nan	71	29	0	0	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	nan	7.7	41	55	0	5	7.7	36	59	5	0	7	30	52	13	4	7.9	48	43	10	0	7.1	30	57	9	4	6.1	30	39	13	17	5.7	22	43	17	17	9.3	78	22	0	0	9.4	81	19	0	0	9.2	76	24	0	0	8.6	65	26	9	0	8.4	61	30	9	0	nan	nan	nan	nan	nan	9.8	7.1	83	0	9	87	4	0	48	35	13	0	4	83	0	0	87	17	48	26	61	0	30	91	0	0	9	70	13	30	57	9	nan	nan	nan	nan	nan	nan	7.8	50	40	5	5	7.5	50	27	9	9	5	6.7	0	4	0	0	96	8.9	77	14	9	0	0	5.9	17	52	22	9	7.1	30	57	9	4	7.8	43	48	9	0	8.3	52	43	4	0	8.4	61	35	0	4	8.6	61	35	4	0	7.8	52	29	19	0	6	24	43	24	10	7.5	38	52	5	5	7.9	48	48	0	5	7.6	52	33	5	10	9	71	29	0	0	nan	71	29	0	0	7.7	50	35	10	5	0	7.5	40	45	15	0	0	8.2	55	35	10	0	0	8.5	60	35	5	0	0	7.5	45	40	10	5	0	nan	nan	nan	nan	nan	nan	7.1	32	50	18	0	8	45	50	5	0	8.5	59	36	5	0	nan	10	5	10	60	15

There are two immediate facts that we can see in the data:

• There are over 2000 columns, nearly all of which we don’t need. We’ll have to filter the data to remove the unnecessary ones. Working with fewer columns will make it easier to print the dataframe out and find correlations within it.

• The survey data has a dbn column that we’ll want to convert to uppercase (DBN). The conversion will make the column name consistent with the other data sets.

First, we’ll need to filter the columns to remove the ones we don’t need. Luckily, there’s a data dictionary at the original data download location. The dictionary tells us what each column represents. Based on our knowledge of the problem and the analysis we’re trying to do, we can use the data dictionary to determine which columns to use.

Based on the dictionary, it looks like these are the relevant columns:

["dbn", "rr_s", "rr_t", "rr_p", "N_s", "N_t", "N_p", "saf_p_11", "com_p_11", "eng_p_11", "aca_p_11", "saf_t_11", "com_t_11", "eng_t_11", "aca_t_11", "saf_s_11", "com_s_11", "eng_s_11", "aca_s_11", "saf_tot_11", "com_tot_11", "eng_tot_11", "aca_tot_11"]

These columns will give us aggregate survey data about how parents, teachers, and students feel about school safety, academic performance, and more. It will also give us the DBN, which allows us to uniquely identify the school.

Before we filter columns out, we’ll want to copy the data from the dbn column into a new column called DBN.

# Copy the data from the dbn column into a new column called DBN
survey["DBN"] = survey["dbn"]

survey_fields = [
    "DBN", 
    "rr_s", 
    "rr_t", 
    "rr_p", 
    "N_s", 
    "N_t", 
    "N_p", 
    "saf_p_11", 
    "com_p_11", 
    "eng_p_11", 
    "aca_p_11", 
    "saf_t_11", 
    "com_t_11", 
    "eng_t_11", 
    "aca_t_11", 
    "saf_s_11", 
    "com_s_11", 
    "eng_s_11", 
    "aca_s_11", 
    "saf_tot_11", 
    "com_tot_11", 
    "eng_tot_11", 
    "aca_tot_11",
]

# Filter the survey data to only select columns
survey = survey.loc[:,survey_fields]

# Store the survey data with 'survey' as key in the data dictionary
data["survey"] = survey

We notice that class_size and hs_directory don’t have a column named DBN. However, hs_directory has a column named dbn, so we can just rename it. class_size on the other hand doesn’t appear to have the column at all. The first three rows of class_size are displayed below.

	CSD	BOROUGH	SCHOOL CODE	SCHOOL NAME	GRADE	PROGRAM TYPE	CORE SUBJECT (MS CORE and 9-12 ONLY)	CORE COURSE (MS CORE and 9-12 ONLY)	SERVICE CATEGORY(K-9* ONLY)	NUMBER OF STUDENTS / SEATS FILLED	NUMBER OF SECTIONS	AVERAGE CLASS SIZE	SIZE OF SMALLEST CLASS	SIZE OF LARGEST CLASS	DATA SOURCE	SCHOOLWIDE PUPIL-TEACHER RATIO
0	1	M	M015	P.S. 015 Roberto Clemente	0K	GEN ED	-	-	-	19	1	19	19	19	ATS	nan
1	1	M	M015	P.S. 015 Roberto Clemente	0K	CTT	-	-	-	21	1	21	21	21	ATS	nan
2	1	M	M015	P.S. 015 Roberto Clemente	01	GEN ED	-	-	-	17	1	17	17	17	ATS	nan

From looking at sat_results data which does have a DBN column, we can tell that the DBN is just a combination of the CSD and SCHOOL CODE columns in the class_size data. The main difference is that the DBN is padded, so that the CSD portion of it always consists of two digits. That means we’ll need to add a leading 0 to the CSD if the CSD is less than two digits long. We can accomplish this using the pandas.Series.apply() method, along with a custom function that:

• Takes in a number.
  • Converts the number to a string using the str() function.
  • Check the length of the string using the len() function.
    • If the string is two digits long, returns the string.
    • If the string is one digit long, adds a 0 to the front of the string, then returns it.
      • You can use the string method zfill() to do this.

# Copy the dbn column in hs_directory into a new column called DBN
data["hs_directory"]["DBN"] = data["hs_directory"]["dbn"]

# A custom function that pads the csd column
def pad_csd(num):
    string_representation = str(num)
    if len(string_representation) > 1:
        return string_representation
    else:
        return "0" + string_representation
    
data["class_size"]["padded_csd"] = data["class_size"]["CSD"].apply(pad_csd)

# Create a DBN column in the class_size data
data["class_size"]["DBN"] = data["class_size"]["padded_csd"] + data["class_size"]["SCHOOL CODE"]

We need to create a column that totals up the SAT scores for the different sections of the exam. This will make it much easier to correlate scores with demographic factors because we’ll be working with a single number, rather than three different ones.

Before we can generate this column, we’ll need to convert the SAT Math Avg. Score, SAT Critical Reading Avg. Score, and SAT Writing Avg. Score columns in the sat_results data set from the object (string) data type to a numeric data type. We can use the pandas.to_numeric() method for the conversion. If we don’t convert the values, we won’t be able to add the columns together.

cols = ['SAT Math Avg. Score', 'SAT Critical Reading Avg. Score', 'SAT Writing Avg. Score']

# Convert the chosen columns to numeric in a loop
# errors = "coerce" argument ensures  that pandas treats any invalid strings it can't convert to numbers as missing values instead

for c in cols:
    data["sat_results"][c] = pd.to_numeric(data["sat_results"][c], errors="coerce")

# Create a column called sat_score that holds the combined SAT score 
data['sat_results']['sat_score'] = data['sat_results'][cols[0]] + data['sat_results'][cols[1]] + data['sat_results'][cols[2]]

Next, we’ll want to parse the latitude and longitude coordinates for each school. This will enable us to map the schools and uncover any geographic patterns in the data. The coordinates are currently in the text field Location 1 in the hs_directory data set.

Location 1 field contains a lot of information we don’t need. We want to extract the coordinates, which are in parentheses at the end of the field. We can do the extraction with a regular expression.

We will write a function that: * Takes in a string * Uses the regular expression above to extract the coordinates * Uses string manipulation functions to pull out the latitude * Returns the latitude

# A function that extracts the latitude from the data
def find_lat(loc):
    coords = re.findall("\(.+, .+\)", loc)
    lat = coords[0].split(",")[0].replace("(", "")
    return lat

# A function that extracts the longitude from the data
def find_lon(loc):
    coords = re.findall("\(.+, .+\)", loc)
    lon = coords[0].split(",")[1].replace(")", "").strip()
    return lon

# Apply function using series.apply() method and assign result to lat and lon column of hs_directory
data["hs_directory"]["lat"] = data["hs_directory"]["Location 1"].apply(find_lat)
data["hs_directory"]["lon"] = data["hs_directory"]["Location 1"].apply(find_lon)

# Convert the co-ordinates to numeric values
data["hs_directory"]["lat"] = pd.to_numeric(data["hs_directory"]["lat"], errors="coerce")
data["hs_directory"]["lon"] = pd.to_numeric(data["hs_directory"]["lon"], errors="coerce")

The first few rows in the class_size data pertain to the same school, which is why the DBN appears more than once. It looks like each school has multiple values for GRADE, PROGRAM TYPE, CORE SUBJECT (MS CORE and 9-12 ONLY), and CORE COURSE (MS CORE and 9-12 ONLY).

If we look at the unique values for GRADE, we get the following:

array(['0K', '01', '02', '03', '04', '05', '0K-09', nan, '06', '07', '08',
       'MS Core', '09-12', '09'], dtype=object)

Because we’re dealing with high schools, we’re only concerned with grades 9 through 12. That means we only want to pick rows where the value in the GRADE column is 09-12.

If we look at the unique values for PROGRAM TYPE, we get the following:

array(['GEN ED', 'CTT', 'SPEC ED', nan, 'G&T'], dtype=object)

Each school can have multiple program types. Because GEN ED is the largest category by far, let’s only select rows where PROGRAM TYPE is GEN ED.

In the case of demographics data, the only column that prevents a given DBN from being unique is schoolyear. We only want to select rows where schoolyear is 20112012.

In graduation data the Demographic and Cohort columns are what prevent DBN from being unique in the graduation data. A Cohort appears to refer to the year the data represents, and the Demographic appears to refer to a specific demographic group. In this case, we want to pick data from the most recent Cohort available, which is 2006. We also want data from the full cohort, so we’ll only pick rows where Demographic is Total Cohort.

# Create a new variable called class_size, and assign the value of data["class_size"] to it

class_size = data["class_size"]

# Filter class_size so the GRADE  column only contains the value 09-12
class_size = class_size[class_size["GRADE "] == "09-12"]

# Filter class_size so that the PROGRAM TYPE column only contains the value GEN ED
class_size = class_size[class_size["PROGRAM TYPE"] == "GEN ED"]

# Group class_size by DBN and assign the result back to class_size
class_size = class_size.groupby("DBN").agg(numpy.mean)

# Reset the index to make DBN a column again
class_size.reset_index(inplace=True)

# Assign class_size back to class_size key of the data dictionary
data["class_size"] = class_size

# Filter demographics data such that the schoolyear is 20112012.
data["demographics"] = data["demographics"][data["demographics"]["schoolyear"] == 20112012]

# Select rows where the Cohort column is 2006 and Demographic column is Total Cohort
data["graduation"] = data["graduation"][data["graduation"]["Cohort"] == "2006"]
data["graduation"] = data["graduation"][data["graduation"]["Demographic"] == "Total Cohort"]

We’re almost ready to combine all of the data sets. The only remaining thing to do is convert the Advanced Placement (AP) test scores from strings to numeric values.

cols = ['AP Test Takers ', 'Total Exams Taken', 'Number of Exams with scores 3 4 or 5']

for col in cols:
    data["ap_2010"][col] = pd.to_numeric(data["ap_2010"][col], errors="coerce")

Both the ap_2010 and the graduation data sets have many missing DBN values, so we’ll use a left join when we merge the sat_results data set with them. Because we’re using a left join, our final dataframe will have all of the same DBN values as the original sat_results dataframe. After performing left joins, we still have to merge class_size, demographics, survey, and hs_directory into combined. Because these files contain information that’s more valuable to our analysis and also have fewer missing DBN values, we’ll use the inner join type.

# Assign sat_results to combined
combined = data["sat_results"]

# Left join ap_2010 and graduation to combined
combined = combined.merge(data["ap_2010"], on="DBN", how="left")
combined = combined.merge(data["graduation"], on="DBN", how="left")

# Create a list containing the name of the remaining dataframes
to_merge = ["class_size", "demographics", "survey", "hs_directory"]

# Combine each data using a loop
for m in to_merge:
    combined = combined.merge(data[m], on="DBN", how="inner")

# Fill the missing values with mean of the respective columns
combined = combined.fillna(combined.mean())

# Fill null or NAN values with 0
combined = combined.fillna(0)

We will map the statistics out on a school district level and analyze them. Adding a column to the data set that specifies the school district will help us accomplish this. The school district is just the first two characters of the DBN column. We can apply a function over the DBN column of combined that pulls out the first two letters.

# A function that extracts the first two characters of a string
def get_first_two_chars(dbn):
    return dbn[0:2]

# Apply it to the DBN to get the school district for each observation
combined["school_dist"] = combined["DBN"].apply(get_first_two_chars)

Because we’re interested in exploring the fairness of the SAT, a strong positive or negative correlation between a demographic factor like race or gender and SAT score would be an interesting result meriting investigation. If men tended to score higher on the SAT, for example, that would indicate that the SAT is potentially unfair to women, and vice-versa.

# Calculate the correlation between all columns
correlations = combined.corr()

# Filter correlation so that it only shows the correlation with sat_score
correlations = correlations["sat_score"]
print(correlations)

SAT Critical Reading Avg. Score         0.986820
SAT Math Avg. Score                     0.972643
SAT Writing Avg. Score                  0.987771
sat_score                               1.000000
AP Test Takers                          0.523140
Total Exams Taken                       0.514333
Number of Exams with scores 3 4 or 5    0.463245
Total Cohort                            0.325144
CSD                                     0.042948
NUMBER OF STUDENTS / SEATS FILLED       0.394626
NUMBER OF SECTIONS                      0.362673
AVERAGE CLASS SIZE                      0.381014
SIZE OF SMALLEST CLASS                  0.249949
SIZE OF LARGEST CLASS                   0.314434
SCHOOLWIDE PUPIL-TEACHER RATIO               NaN
schoolyear                                   NaN
fl_percent                                   NaN
frl_percent                            -0.722225
total_enrollment                        0.367857
ell_num                                -0.153778
ell_percent                            -0.398750
sped_num                                0.034933
sped_percent                           -0.448170
asian_num                               0.475445
asian_per                               0.570730
black_num                               0.027979
black_per                              -0.284139
hispanic_num                            0.025744
hispanic_per                           -0.396985
white_num                               0.449559
                                          ...   
rr_p                                    0.047925
N_s                                     0.423463
N_t                                     0.291463
N_p                                     0.421530
saf_p_11                                0.122913
com_p_11                               -0.115073
eng_p_11                                0.020254
aca_p_11                                0.035155
saf_t_11                                0.313810
com_t_11                                0.082419
eng_t_11                                0.036906
aca_t_11                                0.132348
saf_s_11                                0.337639
com_s_11                                0.187370
eng_s_11                                0.213822
aca_s_11                                0.339435
saf_tot_11                              0.318753
com_tot_11                              0.077310
eng_tot_11                              0.100102
aca_tot_11                              0.190966
grade_span_max                               NaN
expgrade_span_max                            NaN
zip                                    -0.063977
total_students                          0.407827
number_programs                         0.117012
priority08                                   NaN
priority09                                   NaN
priority10                                   NaN
lat                                    -0.121029
lon                                    -0.132222
Name: sat_score, Length: 67, dtype: float64

Unsurprisingly, SAT Critical Reading Avg. Score, SAT Math Avg. Score, and SAT Writing Avg. Score are strongly correlated with sat_score.

We can also see that:

• total_enrollment has a strong positive correlation with sat_score. This is surprising because we’d expect smaller schools where students receive more attention to have higher scores. However, it looks like the opposite is true – larger schools tend to do better on the SAT.

  • Other columns that are proxies for enrollment correlate similarly. These include total_students, N_s, N_p, N_t, AP Test Takers, Total Exams Taken, and NUMBER OF SECTIONS.
    

• Both the percentage of females (female_per) and number of females (female_num) at a school correlate positively with SAT score, whereas the percentage of males (male_per) and the number of males (male_num) correlate negatively. This could indicate that women do better on the SAT than men.

• Teacher and student ratings of school safety (saf_t_11, and saf_s_11) correlate with sat_score.

• Student ratings of school academic standards (aca_s_11) correlate with sat_score, but this does not hold for ratings from teachers and parents (aca_p_11 and aca_t_11).

• There is significant racial inequality in SAT scores (white_per, asian_per, black_per, hispanic_per).

• The percentage of English language learners at the school (ell_percent, frl_percent) has a strong negative correlation with SAT scores.

# Remove DBN since it's a unique identifier, not a useful numerical value for correlation.
survey_fields.remove("DBN")

There are several fields in combined that originally came from a survey of parents, teachers, and students. Let’s make a bar plot of the correlations between these fields and sat_score.

There are high correlations between N_s, N_t, N_p and sat_score. Since these columns are correlated with total_enrollment, it makes sense that they would be high.

It is more interesting that rr_s, the student response rate, or the percentage of students that completed the survey, correlates with sat_score. This might make sense because students who are more likely to fill out surveys may be more likely to also be doing well academically.

How students and teachers percieved safety (saf_t_11 and saf_s_11) correlate with sat_score. This make sense, as it’s hard to teach or learn in an unsafe environment.

The last interesting correlation is the aca_s_11, which indicates how the student perceives academic standards, correlates with sat_score, but this is not true for aca_t_11, how teachers perceive academic standards, or aca_p_11, how parents perceive academic standards.

Let’s make a scatter plot of total_enrollment vs. sat_score.

Judging from the plot we just created, it doesn’t appear that there’s an extremely strong correlation between sat_score and total_enrollment. If there was a very strong correlation, we’d expect all of the points to line up. Instead, there’s a large cluster of schools, and then a few others going off in three different directions.

However, there’s an interesting cluster of points at the bottom left where total_enrollment and sat_score are both low. This cluster may be what’s making the r value so high.

Upon further investigation we figured out that most of the high schools with low total enrollment and low SAT scores have high percentages of English language learners. This indicates that it’s actually ell_percent that correlates strongly with sat_score, rather than total_enrollment. To explore this relationship further, let’s plot out ell_percent vs sat_score.

It looks like ell_percent correlates with sat_score more strongly, because the scatterplot is more linear. However, there’s still the cluster of schools that have very high ell_percent values and low sat_score values. This cluster represents the same group of international high schools we investigated earlier. In order to explore this relationship, we’ll map out ell_percent by school district. The map will show us which areas of the city have a lot of English language learners.

Unfortunately, due to the number of schools, it’s hard to interpret the map we made on the last screen. It looks like uptown Manhattan and parts of Queens have a higher ell_percent, but we can’t be sure. One way to make very granular statistics easier to read is to aggregate them. In this case, we can aggregate by district, which will enable us to plot ell_percent district-by-district instead of school-by-school.

There are a few columns that indicate the percentage of each race at a given school:

• white_per
• asian_per
• black_per
• hispanic_per

By plotting out the correlations between these columns and sat_score, we can determine whether there are any racial differences in SAT performance.

It looks like a higher percentage of white or asian students at a school correlates positively with sat score, whereas a higher percentage of black or hispanic students correlates negatively with sat score. This may be due to a lack of funding for schools in certain areas, which are more likely to have a higher percentage of black or hispanic students. Let us explore schools with low SAT scores and high values for hispanic_per.

It appears there is a negative correlation between the percentage of Hispanic students and sat scores. In schools, that have only hispanic students, the sat score is less than 1200. Let us look at schools where the percentage of hispanic students is greater than 95%.

print(combined[combined["hispanic_per"] > 95]["SCHOOL NAME"])

44                         MANHATTAN BRIDGES HIGH SCHOOL
82      WASHINGTON HEIGHTS EXPEDITIONARY LEARNING SCHOOL
89     GREGORIO LUPERON HIGH SCHOOL FOR SCIENCE AND M...
125                  ACADEMY FOR LANGUAGE AND TECHNOLOGY
141                INTERNATIONAL SCHOOL FOR LIBERAL ARTS
176     PAN AMERICAN INTERNATIONAL HIGH SCHOOL AT MONROE
253                            MULTICULTURAL HIGH SCHOOL
286               PAN AMERICAN INTERNATIONAL HIGH SCHOOL
Name: SCHOOL NAME, dtype: object

The schools listed above appear to primarily be geared towards recent immigrants to the US. These schools have a lot of students who are learning English, which would explain the lower SAT scores. Also, let’s explore the schools with SAT score greater than 1800 and having less than 10% of Hispanic students.

print(combined[(combined["hispanic_per"] < 10) & (combined['sat_score'] > 1800)]["SCHOOL NAME"])

37                                STUYVESANT HIGH SCHOOL
151                         BRONX HIGH SCHOOL OF SCIENCE
187                       BROOKLYN TECHNICAL HIGH SCHOOL
327    QUEENS HIGH SCHOOL FOR THE SCIENCES AT YORK CO...
356                  STATEN ISLAND TECHNICAL HIGH SCHOOL
Name: SCHOOL NAME, dtype: object

Many of the schools above appear to be specialized science and technology schools that receive extra funding, and only admit students who pass an entrance exam. This doesn’t explain the low hispanic_per, but it does explain why their students tend to do better on the SAT – they are students from all over New York City who did well on a standardized test.

Let’s investigate gender differences in SAT scores.

In the plot above, we can see that a high percentage of females at a school positively correlates with SAT score, whereas a high percentage of males at a school negatively correlates with SAT score. Neither correlation is extremely strong.

Based on the scatterplot, there doesn’t seem to be any real correlation between sat_score and female_per. However, there is a cluster of schools with a high percentage of females (60 to 80), and high SAT scores.

print(combined[(combined["female_per"] > 60) & (combined['sat_score'] > 1700)]["SCHOOL NAME"])

5                         BARD HIGH SCHOOL EARLY COLLEGE
26                         ELEANOR ROOSEVELT HIGH SCHOOL
60                                    BEACON HIGH SCHOOL
61     FIORELLO H. LAGUARDIA HIGH SCHOOL OF MUSIC & A...
302                          TOWNSEND HARRIS HIGH SCHOOL
Name: SCHOOL NAME, dtype: object

These schools appears to be very selective liberal arts schools that have high academic standards.