写在前面
本文通过最近三年 “中国大学生计算机设计大赛” 的获奖数据(2021结果尚未揭晓),分析挖掘一下该比赛深层的一些内容,主要有以下几点:
- 各年各奖项的比例分布
- 各年得奖最多的学校 Top10
- 哪些学校多次进入得奖最多 Top10
- 各学校三年中参赛次数统计
- 各级别奖项中学校层次划分
- 参赛人数与奖项之间的关系
- 获奖作品名称热词
文中各部分中如果代码量较多的,为了阅读体验,就不进行展示,如需代码及相关文件可以私信我。
数据读取及描述
数据集是大赛官方提供的数据,2018、2019 年数据为.xlsx文件,2020 年数据为.pdf文件。先读取 2018 、2019 年数据,并观察一下数据集信息。
import pandas as pd df_2018 = pd.read_excel('2018年决赛正式结果.xlsx', sheet_name='123等奖') df_2019 = pd.read_excel('2019年大赛获奖作品名单公示20190907.xlsx') 复制代码
df_2019.info() 复制代码
通过上图中的信息可以看到,2018 年与 2019 年的数据集格式有挺大的差异,这些在之后合并时需要统一。
由于 2020 年的数据是 .pdf 文件,我们单独定义一个函数来读取。对于读取时的一些细节问题,都已在代码中以注释的形式标出。
import pdfplumber def read_pdf_2020(read_path): pdf_2020 = pdfplumber.open(read_path) result_df = pd.DataFrame() for page in pdf_2020.pages: table = page.extract_table() df_detail = pd.DataFrame(table[1:], columns=table[0]) # 合并每页的数据集 result_df = pd.concat([df_detail, result_df], ignore_index=True) # 删除值全部是 NaN 的列 result_df.dropna(axis=1, how='all', inplace=True) # 重置列名 result_df.columns = ['奖项', '作品编号', '作品名称', '参赛学校', '作者', '指导老师'] return result_df df_2020 = read_pdf_2020('2020年中国大学生计算机设计大赛参赛作品获奖名单.pdf') 复制代码
观察 2020 年的数据,相比于前两年的数据,它的各列都没有缺失值,但2020年的获奖信息中并没有包含作品类别这一列,所以我们处理数据集时要将前两年的类别列进行删除。这样,我们可以按照 2020 数据集的格式作为模板,将前两年的数据集转换为相同的格式,再进行合并。
数据预处理
各年数据集格式化
按照 2020 年格式,将 2018 年与 2019 年数据集中部分列进行合并,并更换列名,删除多余的列。并添加 “年份” 这一列。
下面是处理后的 2018 年与 2019 年数据。
对于 2020 年数据集的处理要注意,数据读取时是基于每页数据来读取的,如果在一页的最后一行数据较多,需要换行的话,那么下一页首行数据就会缺失,如下所示。
这种情况就需要先筛选出这些作品编号为空的行,在将数据添加到上一行中。
# 2020年数据集处理 clean_df_2020 = df_2020.copy() # 部分信息过长导致在分页处被分割,分别出现在两页上,下面将奖项为空的数据添加到上一条数据的信息中。 clean_df_2020.iloc[609]['参赛学校'] += '医大学' clean_df_2020.iloc[1330]['作品名称'] += '丹霞' clean_df_2020.iloc[2121]['作品名称'] += '现' clean_df_2020.iloc[2997]['作品名称'] += '云平台' del_index = clean_df_2020.loc[clean_df_2020['奖项'] == ''].index clean_df_2020.drop(del_index, inplace=True) clean_df_2020.reset_index(drop=True, inplace=True) clean_df_2020['年份'] = [2020 for _ in range(len(clean_df_2020))] 复制代码
数据合并
现在合并三年的数据。合并后数据集如下。
数据清洗
现在我们要对合并后的数据集进行一些处理,以便更好地分析及可视化。由于之后我们要用到全国高校的一些基本信息,如学校层次(985 211等),所以需要导入 college_info.csv
,该数据是博主在 6月15日 爬取的,部分高职高专可能并未收录,对于这部分高校就将对应标签赋值为 “暂无数据” 。清除参赛学校和作品名称中的换行符“\n”,之后添加 参赛人数列 来记录 各作品作者人数 ,指导老师人数列 记录 该作品指导老师人数。
college_info = pd.read_csv('college_info.csv') college_name = college_info['学校名称'].values.tolist() college_level = [] for college in all_df['参赛学校']: if college not in college_name: college_level.append('暂无数据') else: college_level.append(college_info['学校层次'][college_name.index(college)]) all_df['学校层次'] = college_level all_df['参赛学校'] = all_df['参赛学校'].str.replace('\n|\r', '') all_df['作品名称'] = all_df['作品名称'].str.replace('\n|\r', '') # 删除作者为空的列 all_df.dropna(subset=['作者'], axis=0, inplace=True) # 添加 参数人数 列来记录各作品作者人数 all_df['参赛人数'] = all_df['作者'].apply(lambda x: len(x.split('、'))) count_list = [] for index, row in all_df.iterrows(): try: count_list.append(len(row['指导老师'].split('、'))) except: count_list.append(0) all_df['指导老师人数'] = count_list all_df.to_csv('all_df.csv', index=False) all_df 复制代码
处理后的数据集如下。
数据分析及可视化
各年奖项数量分布
统计三年中一等奖、二等奖、三等奖的占比,绘制层叠条形图。
''' 数据统计省略 ''' from pyecharts import options as opts from pyecharts.charts import Bar from pyecharts.commons.utils import JsCode from pyecharts.globals import ThemeType c = Bar(init_opts=opts.InitOpts(theme=ThemeType.CHALK)) c.add_xaxis([2018, 2019, 2020]) c.add_yaxis("三等奖", list1, stack="stack1", category_gap="70%") c.add_yaxis("二等奖", list2, stack="stack1", category_gap="70%") c.add_yaxis("一等奖", list3, stack="stack1", category_gap="70%") c.set_series_opts(label_opts=opts.LabelOpts( position="right", formatter=JsCode( "function(x){return Number(x.data.percent * 100).toFixed() + '%';}" ), ) ) c.render("./images/各年奖项数量分布堆叠条形图.html") c.render_notebook() 复制代码
从上图中观察发现,随着时间的推移,一等奖、二等奖的比例开始减少,三等奖比例增加,在 2020 年三等奖比例达到68%,不难看出赛方想要增加一等奖的含金量。
各年得奖最多的学校Top10
统计各年得奖最多的前 10 名学校的各项奖的数目,绘制图形。
从上图中大致可以看到很多大学不止一次出现在 Top10 当中,在这些学校中,一部分可能是因为学校比较重视该比赛。
下面使用韦恩图详细看一下,哪些学校多次进入得奖最多 Top10。
沈阳师范大学、沈阳工学院、辽宁工业大学在三年中都进入 Top10,还有一些其他两次进入 Top10 的学校, 其中东北部的大学明显较多。
各学校参加次数统计
现在统计各个学校的参赛次数,并计算各次数的学校数量。
from collections import Counter all_school = [] for year in [2018, 2019, 2020]: school_set = set(all_df.loc[all_df['年份'] == year, '参赛学校'].values.tolist()) all_school += list(school_set) value_count = Counter(all_school) count_list = ['参赛' + str(n) + '次' for n in value_count.values()] counter = Counter(count_list) from pyecharts.charts import Pie c = Pie(init_opts=opts.InitOpts(theme=ThemeType.CHALK)) c.add("", [list(z) for z in zip(counter.keys(), counter.values())]) c.set_global_opts(title_opts=opts.TitleOpts(title="Pie-基本示例")) c.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}")) c.render("./images/各学校参加次数统计饼图.html") c.render_notebook() 复制代码
在这三年的参赛学校中,三次参赛的占了一半左右,参赛一次和参赛两次的各占 25% 左右,这么说,参加比赛的学校还是愿意继续下一届继续去参加,说明该比赛是有吸引学校的地方。
各年参赛学校层次划分
统计各年参赛学校的层次,观察参加比赛学校的层次分布。
三年中,绝大多数的参赛者来自普通本科,其次为211,并且各层次的学校参赛人数在逐年上升。普通本科最为显著。可以看到,随着大赛的宣传和计算机的普及,越来越多的人关注计算机方面的比赛。(对于暂无数据的那一列部分原因是因为学校的信息没有收录,还有可能是参赛选手填写学校时出现失误造成)
参赛人数与奖项分布
根据作者和指导老师的人数进行组合,统计各奖项中出现的次数,绘制如下图形。
在各项奖项中,获奖比例最多的都是3名作者2名老师的阵容,其次就是3名作者1名老师。其余的阵容获奖人数就比较少了。看样子也不是人数越多获奖几率越大。
获奖作品名称热词
首先定义一个加载停用词的函数,用于加载本地停用词。
def load_stopwords(read_path): ''' 读取文件每行内容并保存到列表中 :param read_path: 待读取文件的路径 :return: 保存文件每行信息的列表 ''' result = [] with open(read_path, "r", encoding='utf-8') as f: for line in f.readlines(): line = line.strip('\n') # 去掉列表中每一个元素的换行符 result.append(line) return result # 加载中文停用词 stopwords = load_stopwords('wordcloud_stopwords.txt') 复制代码
统计所有作品名称中去除停用词后的词汇,保存到列表中。
import jieba # 添加自定义词典 jieba.load_userdict("自定义词典.txt") token_list = [] # 对标题内容进行分词,并将分词结果保存在列表中 for name in all_df['作品名称']: tokens = jieba.lcut(name, cut_all=False) token_list += [token for token in tokens if token not in stopwords] len(token_list) 复制代码
统计该列表中各词出现的频率,取前100作为热门词,绘制词云图。
from pyecharts.charts import WordCloud from collections import Counter token_count_list = Counter(token_list).most_common(100) new_token_list = [] for token, count in token_count_list: new_token_list.append((token, str(count))) c = WordCloud() c.add(series_name="热词", data_pair=new_token_list, word_size_range=[20, 200]) c.set_global_opts( title_opts=opts.TitleOpts( title="获奖作品热词", title_textstyle_opts=opts.TextStyleOpts(font_size=23) ), tooltip_opts=opts.TooltipOpts(is_show=True), ) c.render("./images/获奖作品热词.html") c.render_notebook() 复制代码
观察上图,能够十分清晰的了解目前计算机中热门的话题,如大数据、人工智能、算法、可视化、管理系统、机器人等,这些方向一直都是计算机行业的热门方向,也可以作为我们今后发展的一条道路。
总结
- 近年来,计算机设计大赛一等奖、二等奖的比例减少,三等奖比例增加,这就增加了获得一、二等奖的难度与含金量。
- 东北部的大学更加关注该赛事,无论从参赛人数还是获奖人数来看,其中沈阳师范大学、沈阳工学院、辽宁工业大学多次进入获奖最多 Top10。
- 绝大多数的学校连续参加该比赛,在最近三年中,三次参赛的学校占了获奖总学校的一半左右。
- 三年中,绝大多数的参赛者来自普通本科,其次为211,并且各层次的学校参赛人数在逐年上升。
- 获奖的参赛选手中比例最多的是 3名作者2名老师 的阵容,其次就是 3名作者1名老师。(作者最多5人,指导老师2人 共7人)
- 作品中的热门词大数据、人工智能、算法、可视化、管理系统、机器人等。