每年分班季，教务处的电脑前总是围着一圈人。有人盯着名单眉头紧锁，有人举着成绩单来回比对，还有人在纠结那个老问题：怎么分才能让每个班都“看起来差不多”？我见过不少学校直接抓阄，结果开学第一周就有家长拿着各种“证据”来质疑，说某班尖子生多、某班男生扎堆、某班住宿生全凑一起了。要解决这些争议，核心办法就是做2+X平行分班。
所谓“2”，指的是分班时必须优先把控的两个主维度——通常是性别结构和综合学业水平；所谓“X”，则是学校根据自身情况追加的若干个均衡维度，比如生源地、是否住宿、特长类型、选科倾向等。把这件事做成一套可执行、可复现、可解释的流程，就是这篇内容想帮你解决的问题。无论你是教务员、年级组长还是信息化老师，下面这套从Excel手工操作到Python自动求解的完整方案，应该都能直接拿来用。
1. 分班本质：把“均衡”这道题拆成可计算的规则
1.1 先弄清楚2+X里的“2”和“X”分别指什么
很多学校一听“平行分班”就觉得是把学生成绩平均一下，其实远没那么简单。只看总分平均分是典型的“一叶障目”：
两个班平均分相同，但一个班男生18人、女生12人，另一个班正好反过来，班主任管理风格完全不一样；又或者两个班平均分相同，可前10名全在1班，家长一眼就能看出问题。所以真正意义上的均衡，必须同时看多个维度，这就是2+X的结构来源。
“2”基本上是普适的，包括：
- 性别比例：班级管理中纪律、体育、心理辅导都与性别结构有关，男生或女生过于集中都会带来额外压力。
- 综合学业水平：这里指的通常不是单科，而是语文、数学、英语等主科的总分或综合素养评分，用于保证各班学情底子接近。
“X”则是灵活的，常见的有：
- 生源地或毕业学校：避免同一个幼儿园或小学出来的孩子全扎堆到一班，形成“小团体”。
- 住宿/走读：很多寄宿制学校必须保证每个班住宿生数量接近，否则晚自习管理差异很大。
- 特长类型：艺术、体育、科技类特长生需分散到各班，避免活动竞赛资源过分集中。
- 特殊关注对象：个别需要特别照顾的学生，每班分配上限要设为1人，这属于隐性约束。
把2和X列出来之后，分班就不是“凭感觉随机”，而是变成了一道有明确变量的分配题。每多一个X维度，分配的复杂度就上一个台阶，这也是为什么后面需要算法介入。
1.2 把分班目标写成约束清单：硬约束在前，软约束在后
在实际操作中，我会建议所有参与分班的人先达成一个共识：哪些条件是“必须满足”的，哪些是“尽量满足”的。这一步看似简单，却是避免后期扯皮的关键。否则两个维度发生冲突时，你根本不知道该怎么妥协。
我通常会把约束条件分成两级：
| 约束级别 | 典型项目 | 常见阈值 |
|---|---|---|
| 硬约束 | 班容量 | 每班人数差≤1，通常是45±1 |
| 硬约束 | 性别数量 | 每班男女生人数差≤1 |
| 硬约束 | 特殊关注对象上限 | 每班不超过1人 |
| 软约束 | 平均分极差 | 班级间总分均值极差≤0.3分 |
| 软约束 | 成绩离散度 | 各班标准差尽量接近 |
| 软约束 | 生源地分布 | 每班同源学生不超过3人 |
| 软约束 | 住宿生数量 | 各班差≤2人 |
这个表不是死标准，但有两个原则值得记住。第一，硬约束必须先满足，因为班级人数和性别比例不符合要求会直接导致开学后的管理问题，这种问题很难靠事后调整补救。第二，软约束看极差而不是看单一值，比如平均分差，目标不是让所有班都等于同一个分数（那也不可能），而是让最大和最小之间的差距控制在一个可接受范围内。
有了这张约束清单，下面无论用Excel还是写程序，思路都会很清晰：先保证硬约束不破，再在软约束上做优化。很多学校分班失败，不是技术跟不上，而是压根没把“均衡”的定义写明白。
2. 不依赖程序：Excel手工均衡分班的完整套路
2.1 S形轮转分配：不写代码也能把平均分压平
如果你面对的是6-8个班级、四五百名学生，其实Excel完全可以胜任，关键要掌握S形轮转法（也叫蛇形分配）。这个方法的原理很简单，但效果出奇地好。
假设有6个班，先把全体学生按性别分成两组，女生一组、男生一组。然后分别在组内按综合成绩从高到低排序。接下来从第1名开始：
- 第1名放进1班，第2名进2班，第3名进3班，第4名进4班，第5名进5班，第6名进6班；
- 第7名反着来：进6班，第8名进5班，第9名进4班，第10名进3班，第11名进2班，第12名进1班；
- 第13名又正着来：进1班，第14名进2班……如此循环直到分配结束。
为什么S形比直线轮流更均衡？直线轮流（1、2、3、4、5、6、1、2、3……）的问题是第1名和第12名会分到同一个班，一个最头一个最尾，平均分被拉平了，但中间段的尖子生容易扎堆。S形等于把成绩排队时“从头到尾”和“从尾到头”交替进行，像折线一样把各段位的学生均匀撒进每个班。
实际操作时，直接在Excel里加一个辅助列：先用RANK函数给综合成绩排名，再写一个轮转序号公式，比如：
=IF(MOD(INT((排名-1)/6),2)=0, MOD(排名-1,6)+1, 6-MOD(排名-1,6))不过公式不是重点，重点是分配完成后立刻做两件事：用数据透视表统计每个班的平均分和男女人数，看看极差是否在预算内。如果平均分极差超过0.5分，多半是年级总人数太少或者极端分值太突出，这时需要人工干预，把两个班的头尾学生做一次同层交换，后面章节会细说。
2.2 加入随机数与辅助列：解决X维度的均衡问题
S形轮转只能解决“2”里的成绩均衡，X维度的均衡它管不了。这时需要用到Excel的随机函数和辅助列技巧。
方法一：分层随机法。假如“是否住宿”是一个X维度，做法是先按住宿状态拆成两个列表，再在每个列表内部按成绩排序做S形。这等于把一个维度直接当成硬约束来处理，结果通常比较稳。如果X维度不止一个，可以按优先级逐层套用。
方法二：随机种子微调法。在名单旁插入一列，输入公式=RAND()，生成0到1之间的随机数。然后把随机数作为次要关键字参与排序，这样同一个成绩段内学生的顺序是随机的，分班结果既有均衡性，又有随机性，能避免“1班总排前面”这类不必要的标签感。调整X维度时，可以筛选某一类学生，比如筛选出所有“小学来自某校”的学生，看看他们在各班的人数分布，再用条件格式按班级编号标色，发现某班扎堆了，就把其中一两个学生和另一班同成绩段的学生互换。
这套方法完全可逆、可追溯，也很容易向家长解释。很多学校看起来“很高端”的分班流程，本质就是Excel里的排序+轮转+人工微调。
2.3 Excel分班最容易踩的三个坑
第一，RAND()函数会随时刷新。只要表格里任何一个单元格被改动，所有随机数都会重新计算，之前微调好的名单瞬间“变脸”。对策很简单：完成分班后，选中整列随机数，复制，再用“选择性粘贴—数值”把它锁死，从此它就是一个普通数字。
第二，机械S形会把“熟人”集中到班里。同一所小学毕业的孩子，成绩往往接近，S形排序后他们可能被分到相邻的班级编号里，虽然不在同一个班，但同段位扎堆的感觉仍然存在。解决方式是在S形基础上，对同段位的学生做一次随机排序，破坏源校顺序。
第三，只盯平均分，不看分布。平均分压到0.2分以内并不难，但最高分和最低分的分布可能很不均衡——某个班集中了前10名里的5个人，另一个班一个都没有。建议每次调整完都做一次“成绩分段统计”，把每班前10%、中段、后段人数列成表，任何一段出现明显偏差都要继续调。
3. 用代码自动化：模拟退火与整数规划，两条路怎么选
3.1 模拟退火为什么适合分班这种组合优化问题
当班级数超过10个、X维度超过3个时，Excel手工调整会非常痛苦，一个维度动了，另一个维度就失衡，按下葫芦浮起瓢。这时候就值得写代码了。
分班本质上是一个组合优化问题：把N个学生分到M个班里，使目标函数最小。N足够大时，穷举所有方案根本不可能，所以需要用启发式搜索。模拟退火是我最常用的方案，它实现简单、结果稳定、对“差不多就行”的分班场景特别合适。
模拟退火的核心逻辑，可以类比成“把一堆方案在锅里慢慢降温”：
- 先随机生成一个初始分班方案；
- 每次随机挑两个学生，交换他们的班级，得到一个新方案；
- 比较新旧方案的目标函数值，如果新方案更好就接受；如果更差，也以一定概率接受（这个概率随着迭代次数增加而降低，就像温度从高到低）；
- 迭代成千上万次，温度越来越低，方案越来越稳定，最终收敛到一个较优解。
目标函数就是把第1章那些软约束翻译成数学公式。我给一个常用的三项目标函数：
score = w1 * 平均分极差 + w2 * 性别比例偏差平方和 + w3 * X维度分布散度每一项的含义都很直观：平均分极差是所有班级平均分中最大减最小；性别比例偏差是每个班男女差与理想值的偏差平方和；X维度分布散度可以用各班级某类别人数比例与总比例之差的平方累加。w1、w2、w3就是权重，下一章会讲怎么调。
下面是一个可运行的简化版核心代码，思路清晰，可以直接在此基础上扩展：
import pandas as pd import numpy as np import random # 读取学生名单，字段按需调整 df = pd.read_excel("sample_students.xlsx") class Solution: def __init__(self, df, n_class): self.df = df.copy() self.n_class = n_class # 随机初始化班级编号 self.df["class"] = np.random.randint(0, n_class, len(df)) # 硬约束：每班人数尽量接近 self.balance_size() def balance_size(self): counts = self.df["class"].value_counts() # 这里只做简单示意，实际可用循环调整多余人数 def score(self): # 计算平均分极差 means = self.df.groupby("class")["score"].mean() mean_diff = means.max() - means.min() # 计算性别偏差平方和 sex_ratio = self.df.groupby("class")["gender"].apply(lambda x: (x == "男").sum() / len(x)) sex_diff = ((sex_ratio - 0.5) ** 2).sum() return 10 * mean_diff + sex_diff # 权重示例 def swap_and_eval(sol): idx = random.sample(range(len(sol.df)), 2) # 交换两个学生的班级编号 sol.df.loc[idx[0], "class"], sol.df.loc[idx[1], "class"] = \ sol.df.loc[idx[1], "class"], sol.df.loc[idx[0], "class"] return sol.score() def simulated_annealing(df, n_class, iterations=5000): cur = Solution(df, n_class) cur_score = cur.score() temp = 1.0 for t in range(iterations): nxt = cur nxt_score = swap_and_eval(nxt) delta = nxt_score - cur_score if delta < 0 or random.random() < np.exp(-delta / temp): cur, cur_score = nxt, nxt_score temp *= 0.999 return cur.df这段代码省略了很多细节，比如硬约束的精准控制、X维度统计，但整体框架就是这个样子。实际使用时，把学生数据读进来，调整权重，跑完看统计表，不满意就换个随机种子再来一遍。
3.2 更严谨的路线：用0-1整数规划一次求解
如果学校信息化基础比较好，安装了解算器，也可以选择0-1整数规划。这种方法比模拟退火更“正统”，能保证在给定约束下找到最优解，缺点是建模有门槛。
建模思路是这样的：把每个学生 i 分到班级 j 定义为变量 x(i,j)，取值0或1。约束条件包括：
- 每个学生只进一个班：所有j的x(i,j)之和等于1；
- 每班人数固定：所有i的x(i,j)之和等于目标班容量；
- 性别约束：每班男生数量在上下限之间；
- 生源地约束：每班同源学生数不超过上限。
目标函数则把软约束写成最小化的惩罚项：班级平均分与总体平均分的偏差平方、各类别占比的偏差平方，再加权求和。
用Python的pulp库可以这样写核心片段：
from pulp import LpProblem, LpMinimize, LpVariable, lpSum, LpStatus prob = LpProblem("FenBan", LpMinimize) x = {(i, j): LpVariable(f"x_{i}_{j}", cat="Binary") for i in students for j in range(n_class)} # 每个学生只能分到一个班 for i in students: prob += lpSum([x[i, j] for j in range(n_class)]) == 1 # 每班人数固定 for j in range(n_class): prob += lpSum([x[i, j] for i in students]) == class_size # 目标函数：示例为最小化平均分偏差 objective = lpSum([ (lpSum([x[i, j] * df.loc[i, "score"] for i in students]) / class_size - overall_mean) ** 2 for j in range(n_class) ]) prob += objective0-1整数规划在几百人规模下求解很快，而且结果确定性高、有最优性保证。但它也有明显的短板：模型一旦复杂，比如加入十来个X维度，建模语句会很长，调试成本高；另外对学校老师来说，pulp求解器的安装和调试本身就是一道门槛。
3.3 工具选型建议：多少班多少维度才值得写代码
我自己的判断标准很简单：
- 12个班以内、X维度在3个以内：Excel完全够用，多花点时间人工微调反而更灵活；
- 12个班以上、X维度超过3个，或者每年都要分班：强烈建议写Python脚本，一次开发，每年只改数据文件位置就能复用；
- 对“最优性”有执念的学校：选0-1整数规划，适合有信息技术老师参与的情况；
- 只求快速出结果、结果可解释：模拟退火最合适，代码量小，逻辑容易向家长说明。
模拟退火比整数规划更“容错”，因为它不要求约束完全线性化，你甚至可以在目标函数里加入“某班不要同时出现两个某类特长生”这种口语化规则。这一点在真实教务场景里非常实用。
4. 数据、参数与校验：让分班结果经得起“回头看”
4.1 数据表字段别乱凑：这七个字段最常用
想清楚用什么算法之前，先把数据表准备好。我见过太多案例因为数据字段不全，导致后期想加约束加不了，只能返工重分。
一份合格的分班数据表，至少要有以下字段（用学校系统导出即可）：
| 字段名 | 说明 | 示例 |
|---|---|---|
| 学号 | 唯一标识，用于合并与去重 | 20250001 |
| 姓名 | 分班名单显示用 | A同学 |
| 性别 | 男/女 | 男 |
| 综合得分 | 总分或综合素质评价分 | 285.5 |
| 生源地 | 毕业学校编号或名称 | S001 |
| 是否住宿 | 是/否 | 否 |
| 特长类型 | 可选项，也可能为无 | 篮球 |
数据清洗时注意三点：第一，删除重复学号，这是最低级也最容易犯的错。第二，处理缺考或异常分数，如果有人缺考导致综合得分为0，他会被算法当成“学困生”塞到某个班，严重影响平均分计算，这种特殊情况要单独拎出来，先分配，再统计。第三，敏感字段不要出现在工作表中，比如家庭困难情况用编号代替，不要把具体原因写进分班表。
4.2 权重怎么定：从“试跑5次”开始调参
权重是整个算法里最“玄学”也最关键的部分。权重设得不好，算法跑出来的结果可能比Excel手动分还差。
我的建议是不要上来就调权重，而是先跑5次固定随机种子的实验，观察输出的平均分极差和性别比例极差。具体步骤：
- 权重初始值设为 w1=10、w2=5、w3=1（成绩最重要、性别其次、附加维度最后）；
- 跑5次，取结果的中间值；
- 如果平均分极差大于0.3分，提高w1到20，继续试；
- 如果性别比例经常超差，把性别从软约束改成硬约束，在初始分配时就固定每班男女人数；
- 如果生源地分布很集中，提高w3，但w3一般不要超过w2，否则容易出现为了均衡生源地而牺牲成绩均衡的情况。
这里有一个很容易踩的坑：权重之间的数值范围差异。如果成绩是百分制（0-100），而X维度是0/1标记（0或1），那么即使w3只有1，它产生的目标函数波动也可能和成绩维度相当，导致算法被X维度带偏。解决办法是先统一归一化：成绩除以100，比例为0-1，再用权重表达相对重要性。
4.3 结果达标与否，看这四张统计表就够了
程序跑完不是结束，而是“校验复查”的开始。我每次分班都会生成四张统计表，不动这四张表就发布名单，风险极高。
| 表格 | 用途 | 关注指标 |
|---|---|---|
| 表1：各班基本信息 | 人数、男女、平均分 | 平均分极差≤0.3，男女人数差≤1 |
| 表2：X维度交叉表 | 班 × 生源地/住宿/特长 | 同源学生≤3人，住宿生差≤2 |
| 表3：成绩分布表 | 各班各分数段人数 | 前10%、中间段、后10%分布均衡 |
| 表4：异常标记表 | 标记特殊学生分布 | 每班特殊关注对象≤1 |
校验的时候，发现哪个班的数据“亮红灯”，不要手动去菜单里改，而是回退到程序里调整参数，重新跑。手动改一次就会引入不可追溯的差异，后面家长质疑时你无法解释。
5. 常见问题与实战排查速查
5.1 高频问题排查表：症状、原因、对策一次说清
分班过程中遇到的问题来来回回就那几类，我把它们整理成一张速查表。
| 症状 | 常见原因 | 对策 |
|---|---|---|
| 平均分极差超过0.5分 | 成绩数据含异常值，权重过低 | 先剔除缺考0分，再提高w1，并考虑用标准分替代原始分 |
| 男女比例失衡 | 性别被当成软约束且权重不足 | 改成硬约束，固定每班男女人数 |
| 同小学熟人扎堆 | 生源地维度未纳入X | 加入生源地字段，目标函数里加对应惩罚项 |
| 每次跑出来的结果差很远 | 随机种子未固定 | 固定random.seed(42)，用同一种子复现结果 |
| 住宿生集中在少数班 | 住宿维度漏配置 | 在初始分配时按“住宿/走读”先分层 |
| 程序运行很久但分数无变化 | 目标函数数值尺度不统一 | 检查数据是否归一化，调整权重量级 |
| 剩余学生无法调配 | 先把特殊池学生和普通学生混分了 | 先分特殊关注学生，再分普通学生 |
| Excel名单一变就“乱” | 随机公式未转数值 | 用选择性粘贴为数值锁死随机列 |
这8个问题里，最隐蔽的是“数值尺度不统一”。我见过某学校用类似算法时，把体重、视力这类完全不同的数字混进目标函数，结果算法为了拉平某个体重指标，把分数搞得乱七八糟。做这件事之前务必想清楚：每个维度是否已经映射到同一个量纲上。
5.2 程序结果必须过人工：“缓冲池”和“同层交换”兜底
无论算法多科学，我都不建议直接拿程序输出名单去发布。原因很简单：程序不懂“人情世故”——它不知道某两个学生家长有矛盾，也不知道某个班主任带过某个特别难管的孩子。所以人工作业是最后一道闸门。
我常用的两招：第一招叫缓冲池，把个别特殊学生（比如需要避开某些班级的学生）先从大名单里拿出，分配完成后再根据实际情况插入，插入的同时从目标班换出一个中段成绩的学生到另一个班，保持人数和平均分不变。第二招叫同层交换，如果发现某两个班在生源地上扎堆，可以从同一个成绩段里各找一个人交换。只要换的是成绩在5分以内、性别相同的两个人，平均分变化微乎其微，但分布结构可能瞬间改善。
这套“程序初分 + 人工微调”的模式，既能发挥算法批量处理优势，又保留了教务人员的专业判断，比“完全靠人”和“完全靠算法”都靠谱。
5.3 名单发布前的检查清单，少一步都容易出争议
发布分班名单前一晚，我建议按这个清单过一遍，任何一项不满足就暂缓发布：
- 是否已经取消Excel的筛选状态并转为普通区域？避免打印时只打印出筛选后的部分。
- 所有随机公式是否都已粘贴为数值？是否备份了一份原始算法配置？
- 学号、姓名是否去重？班级人数是否都在预设范围内？
- 是否已生成四张统计表并确认极差可接受？
- 是否打印了分班依据（约束清单、权重配置、随机种子）存档，方便日后解释？
- 班级编号是否已经随机打散？避免“1班”总给人一种“头等班”的感觉。
第6条特别容易被忽略。很多学校用S形分配时，成绩第1名顺理成章进了1班，从此1班就被贴上“重点班”标签。解决方式很简单：分班结束后，把班级编号整体洗一次牌，比如1班变5班，2班变1班，这样所有班级的构成完全不变，但“1班是尖子班”的错觉被彻底打破。这个细节，懂的学校早就用上了。
写在最后的经验
我做过不少次分班，最大的体会是：好的分班不在于用了什么高级算法，而在于你是否把“均衡”这件事想清楚了。Excel的S形轮转、Python的模拟退火、0-1整数规划，本质上都是把同一个问题翻译成不同工具能理解的语言。第一次做程序分班的老师，建议先用Excel跑一遍S形，建立起“均衡分布长什么样”的直觉，再去写代码，很多参数设置就能凭手感定下来。
另一个小经验是：保存分班配置时，连同随机种子和权重设置一起存档，而不是只存最终名单。如果明年有人问“你们当时有没有考虑某类学生”，你能立刻打开配置复盘，而不是翻遍通讯记录去找答案。分班看似是开学前的一件小事，但每年开学后的班主任会、家长会，都会围绕这份名单展开。把流程做得严谨、透明、可解释，比任何嘴上承诺都管用。
命令详解：消息队列、调用频率与界面保活实践)
