🧑 博主简介：曾任某智慧城市类企业
算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）
💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。
【数据可视化-10】国防科技大学录取分数线可视化分析
- 一、引言
- 二、数据准备
- 三、Pyecharts简介
- 四、数据可视化分析
- 4.1 省份理科一本线分布图
- 4.2 工程技术类录取分数分布图
- 4.3 学历教育合训类录取分数分布图
- 4.4 分数结合地图的展示
- 4.4.1 地图热力图
- 4.4.2 3D地图+3D柱状图工程技术类录取最高分情况
- 五、结论
一、引言
在当今信息爆炸的时代，数据可视化成为了一种强有力的工具，能够帮助我们直观地理解和分析复杂的数据集。本文将利用Python的Pyecharts库，对国防科技大学2016年的录取分数数据进行可视化分析。通过图表展示，我们可以清晰地看到不同省份的录取分数分布情况，为考生和家长提供有价值的参考信息。
二、数据准备
首先，我们需要准备好国防科技大学2016年的录取分数数据。数据包含以下字段：省份、理科一本线、工程技术类最高分、工程技术类最低分、工程技术类平均分、学历教育合训类最高分、学历教育合训类最低分、学历教育合训类平均分。以下是部分数据示例：
| 省份 | 理科一本线 | 工程技术类最高分 | 工程技术类最低分 | 工程技术类平均分 | 学历教育合训类最高分 | 学历教育合训类最低分 | 学历教育合训类平均分 |
|---|---|---|---|---|---|---|---|
| 北京 | 548 | 662 | 607 | 629 | 613 | 570 | 592 |
| 天津 | 512 | 659 | 634 | 649 | 600 | 537 | 567 |
| 河北 | 525 | 682 | 654 | 667 | 669 | 640 | 649 |
| 山西 | 519 | 639 | 617 | 625 | 638 | 579 | 599 |
| 内蒙古 | 484 | 641 | 615 | 627 | 623 | 558 | 597 |
| 辽宁 | 498 | 660 | 624 | 637 | 641 | 607 | 621 |
| 吉林 | 530 | 658 | 639 | 649 | 634 | 599 | 615 |
| 黑龙江 | 486 | 667 | 623 | 641 | 628 | 580 | 600 |
详细数据参考国防科技大学招生官网国防科技大学招生官网 或者联系我。
三、Pyecharts简介
Pyecharts是一个用于生成Echarts图表的Python库。Echarts是一个使用JavaScript实现的开源可视化库，能够生成丰富的交互式图表。Pyecharts通过将Echarts的图表转化为Python代码，使得在Python环境下也能方便地生成高质量的图表。
四、数据可视化分析
接下来，我们将使用Pyecharts库对国防科技大学2016年的录取分数数据进行可视化分析。
首先导入数据并对数据中的异常值进行清洗，具体代码如下：
import numpy as np
import pandas as pddata = pd.read_excel("data.xlsx")def replace_mean(df,col='A'):"col列中的'/'用这一列的均值来替换"df[col] = df[col].replace('/', np.nan)mean_A = df[col].mean(skipna=True)df[col].fillna(mean_A, inplace=True)for col in ['学历教育合训类最高分','学历教育合训类最低分','学历教育合训类平均分']:replace_mean(data,col)
4.1 省份理科一本线分布图
首先，我们绘制一个柱状图，展示不同省份的理科一本线分布情况。
from pyecharts import options as opts
from pyecharts.charts import Barc = (Bar().add_xaxis(data['省 份'].tolist()).add_yaxis("理科一本线", data['理科一本线'].tolist()).set_global_opts(title_opts=opts.TitleOpts(title="国防科技大学2016年理科一本线录取分数", subtitle="各省分数情况分布")).render("bar_base.html")
)
生成的柱状图清晰地展示了不同省份的理科一本线分布情况。可以看到，海南的理科一本线最高，达到了602分，而江苏的理科一本线最低，为353分，但各个地方的总分不同，需要做具体分析，这里就是展示一组数据而已，具体结果不具有参考性。
4.2 工程技术类录取分数分布图
接下来，我们绘制三个折线图，分别展示工程技术类的最高分、最低分和平均分的分布情况。
import pyecharts.options as opts
from pyecharts.charts import Linex_data = data['省 份'].tolist()(Line().add_xaxis(xaxis_data=x_data).add_yaxis(series_name="'理科一本线'",stack="总量",y_axis=data['理科一本线'].tolist(),label_opts=opts.LabelOpts(is_show=False),).add_yaxis(series_name="工程技术类最高分",stack="总量",y_axis=data['工程技术类最高分'].tolist(),label_opts=opts.LabelOpts(is_show=False),).add_yaxis(series_name="工程技术类最低分",stack="总量",y_axis=data['工程技术类最低分'].tolist(),label_opts=opts.LabelOpts(is_show=False),).add_yaxis(series_name="工程技术类平均分",stack="总量",y_axis=data['工程技术类平均分'].tolist(),label_opts=opts.LabelOpts(is_show=False),).set_global_opts(title_opts=opts.TitleOpts(title="工程技术类招聘分数"),tooltip_opts=opts.TooltipOpts(trigger="axis"),yaxis_opts=opts.AxisOpts(type_="value",axistick_opts=opts.AxisTickOpts(is_show=True),splitline_opts=opts.SplitLineOpts(is_show=True),),xaxis_opts=opts.AxisOpts(type_="category", boundary_gap=False),).render("stacked_line_chart.html")
)
生成的折线图展示了工程技术类在不同省份的最高分、最低分和平均分的分布情况。可以看到，工程技术类的最高分和平均分在海南最高，分别为829分和750分；而最低分在江苏最高，为404分。
4.3 学历教育合训类录取分数分布图
类似地，我们绘制三个折线图，展示学历教育合训类的最高分、最低分和平均分的分布情况。
# 数据准备
scores_edu_max = [613, 600, 669, 638, 623, 641, 634, 628]
scores_edu_min = [570, 537, 640, 579, 558, 607, 599, 580]
scores_edu_avg = [592, 567, 649, 599, 597, 621, 615, 600]# 创建折线图
line = Line()
line.add_xaxis(provinces)
line.add_yaxis("学历教育合训类最高分", scores_edu_max)
line.add_yaxis("学历教育合训类最低分", scores_edu_min)
line.add_yaxis("学历教育合训类平均分", scores_edu_avg)# 设置全局配置项
line.set_global_opts(title_opts=opts.TitleOpts(title="学历教育合训类录取分数分布图"),yaxis_opts=opts.AxisOpts(name="分数"),xaxis_opts=opts.AxisOpts(name="省份"),legend_opts=opts.LegendOpts(pos_left="left")
)# 渲染图表
line.render("edu_scores_distribution_chart.html")
生成的折线图展示了学历教育合训类在不同省份的最高分、最低分和平均分的分布情况。可以看到，学历教育合训类的最高分在海南最高；最低分在江苏，和上面的结果一致。
4.4 分数结合地图的展示
4.4.1 地图热力图
首先对省份数据进行清洗
province_mapping = {'北京':"北京市",'天津':"天津市",'河北':"河北省",'山西':"山西省",'内蒙古':"内蒙古自治区",'辽宁':"辽宁省",'吉林':"吉林省",'黑龙江':"黑龙江省",'上海':"上海市",'安徽':"安徽省",...
}data['prov'] = data['省 份'].map(province_mapping)
绘制基于地图的省份理科一本线的详细代码如下：
from pyecharts import options as opts
from pyecharts.charts import Mapc = (Map().add("学历教育合训类最高分", [list(z) for z in zip(data['prov'].tolist(), data['学历教育合训类最高分'].tolist())], "china").set_global_opts(title_opts=opts.TitleOpts(title="国防科技大学学历教育合训类最高分分布"),visualmap_opts=opts.VisualMapOpts(max_=max(data['学历教育合训类最高分'].tolist()),min_=min(data['学历教育合训类最高分'].tolist())),).render("map_visualmap.html")
)
4.4.2 3D地图+3D柱状图工程技术类录取最高分情况
首先对数据进行清洗，做成绘图需要的数据结构，具体的数据结构如下：
[('广东', [113.27, 23.13, 641]),('黑龙江', [127.9688, 45.368, 667]),('内蒙古', [110.3467, 41.4899, 641]),('吉林', [125.8154, 44.2584, 658]),('辽宁', [123.1238, 42.1216, 660]),('河北', [114.4995, 38.1006, 682]),('天津', [117.4219, 39.4189, 659]),('山西', [112.3352, 37.9413, 639]),('陕西', [109.1162, 34.2004, 665]),('甘肃', [103.5901, 36.3043, 632]),('宁夏', [106.3586, 38.1775, 637]),('青海', [101.4038, 36.8207, 596]),('新疆', [87.9236, 43.5883, 673]),('西藏', [91.11, 29.97, 0]),('四川', [103.9526, 30.7617, 665]),('重庆', [108.384366, 30.439702, 671]),('山东', [117.1582, 36.8701, 679]),('河南', [113.4668, 34.6234, 665]),('江苏', [118.8062, 31.9208, 404]),('安徽', [117.29, 32.0581, 655]),('湖北', [114.3896, 30.6628, 665]),('浙江', [119.5313, 29.8773, 692]),('福建', [119.4543, 25.9222, 632]),('江西', [116.0046, 28.6633, 645]),('湖南', [113.0823, 28.2568, 662]),('贵州', [106.6992, 26.7682, 671]),('广西', [108.479, 23.1152, 642]),('海南', [110.3893, 19.8516, 829]),('上海', [121.4648, 31.2891, 489])]
以(‘广东’, [113.27, 23.13, 641])为例，'广东’表示省份，[113.27, 23.13]表示广东的经纬度，而641表示国防科技大学在广东省工程技术类招聘的最高分为641分；
具体的绘图代码如下：
import pyecharts.options as opts
from pyecharts.charts import Map3D
from pyecharts.globals import ChartTypemap3d = (# 3D地图Map3D(# 初始化配置项init_opts=opts.InitOpts(theme='white', # 图表主题 white darkwidth='99vw', # 图表画布宽度height='97vh', # 图标画布长度))# !!!!全局配置项!!!!.set_global_opts(# 标题配置项title_opts=opts.TitleOpts(title="3D地图+柱状图", # 主标题),# 视觉映射配置项visualmap_opts=opts.VisualMapOpts(is_show=True, # 是否显示视觉映射配置max_=1000, # 指定 visualMapPiecewise 组件的最大值),)# !!!!系列配置项!!!!.set_series_opts(# 标签名称显示，默认为Truelabel_opts=opts.LabelOpts(is_show=True # 是否显示标签名字)).add_schema(# 地图类型maptype='china',# 图元样式配置项itemstyle_opts=opts.ItemStyleOpts(# 图形的颜色color="#1661AB",# 描边宽度，默认不描边。border_width=0.8,# 图形的描边颜色。支持的颜色格式同 color，不支持回调函数。border_color="rgb(62,215,213)"),)# 数据配置.add(# 系列名称，用于 tooltip 的显示，legend 的图例筛选series_name='人数',# 数据项 (坐标点名称，坐标点值)data_pair=data_pair,# 叠加图的类型（目前只支持 Bar3D，Line3D，Lines3D，Scatter3D）type_=ChartType.BAR3D,# 柱体大小bar_size=1,)
)
map3d.render("3D_Map.html")
五、结论
通过对国防科技大学2016年的录取分数数据进行可视化分析，我们可以得出以下结论：
不同省份的高考总分不同，具体结果不具有实际意义，但并不影响数据可视化分析的流程；
