本文共 6108 字，大约阅读时间需要 20 分钟。

2018研究生数学建模成绩分析，主要从以下几个方面进行分析 建模成绩数据来源：

1. 按‘队长所在单位’统计每个学校的获奖数量，并画出柱状图展示

这里是代码的头部

#coding:utf-8import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as snsfrom geopy.geocoders.baidu import Baiduimport osimport timesns.set(style="whitegrid")plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置字体为黑体plt.rcParams['axes.unicode_minus'] = False  # 解决中文字体负号显示不正常问题path='../data/'save_dir='../tmp/'data=pd.read_excel(path+'2018建模成绩汇总.xlsx')data['奖项']=data['奖项'].apply(lambda x:'一等奖'if x=='一等奖（华为）' else x)

# 按'队长所在单位'分别统计获奖数量def school_cnt(df):    school_cnt_df=df[df['奖项']!='成功参与奖'][['奖项','队长所在单位']].groupby(['队长所在单位','奖项']).size().unstack()    school_cnt_df['获奖数量']=school_cnt_df[['一等奖','二等奖','三等奖']].sum(axis=1)    school_cnt_df.sort_values(by=['获奖数量','一等奖','二等奖','三等奖'],axis=0,ascending = False,inplace=True)    school_cnt_df=school_cnt_df[['一等奖','二等奖','三等奖','获奖数量']]    school_cnt_df=school_cnt_df.reset_index().rename(columns={'队长所在单位':'学校名称'})    print(school_cnt_df.head(5))    # school_cnt_df.to_excel(path+'school_cnt.xlsx',encoding='gbk')    # 用柱状图给出获奖数量最多的前20个学校    plt.figure(figsize=(15, 10)).subplotpars.update(bottom=0.25)    sns.barplot(x="学校名称", y="获奖数量", data=school_cnt_df.loc[0:20],                palette="muted")    plt.xticks(ha='right', rotation=40)    plt.savefig(path+'school_cnt.png')    plt.show()

用柱状图给出获奖数量最多的前20个学校

2. 按每个学校获奖人数进行统计，并画出柱状图进行展示

# 统计每个学校的获奖人数# 思路1：使用双层字典嵌套逐个统计# 思路2：groupbydef team_member_cnt(df):    team_leader_cnt_df=df[['奖项','队长所在单位']].groupby(['队长所在单位','奖项']).size().unstack()    team_member_df=team_leader_cnt_df[['一等奖','二等奖','三等奖']]    team_member_cnt_df1=df[['奖项','第一队友所在单位']].groupby(['第一队友所在单位','奖项']).size().unstack()    team_member_df=team_member_df.join(team_member_cnt_df1[['一等奖','二等奖','三等奖']],how='outer',rsuffix='_2')    team_member_cnt_df2=df[['奖项','第二队友所在单位']].groupby(['第二队友所在单位','奖项']).size().unstack()    team_member_df=team_member_df.join(team_member_cnt_df2[['一等奖','二等奖','三等奖']],how='outer',rsuffix='_3')    team_member_df.rename(columns={'一等奖':'一等奖_1','二等奖':'二等奖_1','三等奖':'三等奖_1'},inplace=True)    team_member_df['获奖总人数']=team_member_df.sum(axis=1)    sort_cols=['获奖总人数','一等奖_1','一等奖_2','一等奖_3','二等奖_1','二等奖_2','二等奖_3','三等奖_1','三等奖_2','三等奖_3']    team_member_df.sort_values(by=sort_cols,ascending=False,inplace=True)    team_member_df=team_member_df.reset_index().rename(columns={'index':'学校名称'})    print(team_member_df.head())    team_member_df.to_excel(path+'各学校获奖人数统计.xlsx',encoding='gbk',index=False)    # 用柱状图给出获奖人数最多的前20个学校    plt.figure(figsize=(15, 10)).subplotpars.update(bottom=0.25)    sns.barplot(x="学校名称", y="获奖总人数", data=team_member_df.loc[0:20],                palette="muted")    plt.xticks(ha='right', rotation=40)    plt.savefig(path+'school_cnt_amount.png')    plt.show()temp_df=data[data['奖项']!='成功参与奖'][['奖项','队长所在单位','第一队友所在单位','第二队友所在单位']]if __name__=="__main__":    school_cnt(data)    team_member_cnt(temp_df)

统计每个学校的获奖人数用柱状图展示

统计各个学校各个名次及次序的获奖人数信息如下：

3. 分析A、B、C、D、E、F每个题的获奖数量及占比

# 分析A、B、C、D、E、F每个题的获奖数量及占比def get_question_prize_ration(df):    question_df=df[['队伍编号','题号']].groupby(['题号']).count()    question_df=question_df.reset_index().rename(columns={'index':'题号','队伍编号':'获奖数量'})    # prize_sum=question_df['获奖数量'].sum()    question_df['获奖比例']=question_df['获奖数量']/(question_df['获奖数量'].sum())    print(question_df)    question_df.to_excel(save_dir+'每题获奖数量比例.xlsx',index=False,encoding='gbk')    plt.figure(figsize=(12,6))    N,width=6,0.35    ind=np.arange(N)    plt.subplot(121)    plt.title('A、B、C、D、E、F每个题的获奖数量')    plt.bar(ind,question_df['获奖数量'],width=width)    plt.ylabel('获奖数量')    plt.xticks(ind,('A','B','C','D','E','F'))    plt.subplot(122)    plt.title('A、B、C、D、E、F题获奖比例')    plt.pie(question_df['获奖比例'],labels=('A','B','C','D','E','F'),startangle=0,radius=0.8,labeldistance=0.5)    plt.savefig(save_dir+'每个题的获奖数量和比例.png')    plt.show()

4. 计算A、B、C、D、E、F每个题获奖人数与参与人数之比，并用饼图展示

类比第3问（作者太懒,见谅）

5. 按地图省份绘制每个省的参与人数热力图

类比第6问（作者太懒，见谅）

6. 按地图省份绘制每个省份的获奖人数热力图

# 按地图省份绘制每个省份的获奖人数热力图# 调用百度地图API获取每个学校的经纬度信息def get_school_info():    df = pd.read_excel(save_dir+'各学校获奖人数统计.xlsx',encoding='gbk')    lng_set = []    lat_set=[]    for school in df['学校名称']:        print(school)        try:            location = geolocator.geocode(school, timeout=300)            lng_lat=location.raw['location']            lng,lat=lng_lat['lng'],lng_lat['lat']            print(lng,lat)            lng_set.append(lng)            lat_set.append(lat)        except Exception as e:            print(e)            time.sleep(5)            lng_set.append(np.nan)            lat_set.append(np.nan)    df['lng']=lng_set    df['lat']=lat_set    df=df[['学校名称','获奖总人数','lng','lat']]    df.to_excel(save_dir+'school_loc_prize_nums.xlsx',encoding='gbk', index=False,float_format='%.6f')    print(df.head())

# 绘制热力地图def draw_heatmap(input_path,out_path):    df=pd.read_excel(input_path,encoding='gbk')    df=df[df['lng']>0]    rows=df.shape[0]    fout=open(out_path,'w',encoding="utf-8")    fout.write('''    
       
       
           
                   
   
    
   
    
   
        
            
        
   
    '''    )    fout.close()

从热力图可以看出：上海地区是参加研究生数学建模的主力军，也是获奖最多的地区，其中有一个最主要的原因：上海高校多，研究生建模获奖在落沪打分时可以加不少的分数（一等奖：+10分，二等奖：+8分，三等奖：+6分）。 这里是整个分析代码的主函数（尾部）

if __name__=="__main__":    school_cnt(data)    temp_df=data[data['奖项']!='成功参与奖'][['奖项','队长所在单位','第一队友所在单位','第二队友所在单位']]    team_member_cnt(temp_df)    prize_df=data[data['奖项']!='成功参与奖']    get_question_prize_ration(prize_df)    # 此处需要替换成你自己的百度地图api_key，去百度地图上申请吧    api_key = 'your-personal-key'     geolocator = Baidu(api_key=api_key)    get_school_info()    input_path=save_dir+'school_loc_prize_nums.xlsx'    out_path=save_dir+'heat_map.html'    draw_heatmap(input_path,out_path)

7. 总结分析

放上一些中间过程的统计表格：

分析：

（1）随着上海落沪打分的发展，上海地区的高校参与研究生数学建模的积极性很高，积极性高于全国其他地区，获奖比例也是最高的。正常情况下参加研究生数学建建模获奖了，基本上就满足了落沪的基本要求72分，（一等奖：+10分，二等奖：+8分，三等奖：+6分，且不分个人在队伍中的排名次序）。 （2）在参与的学校中，同济大学的获奖数量是最多的，数学实力很强！ （3）2018年A、B、C、D、E、F题中，C题是关于恐怖袭击事件量化分析，主要是处理数据，进行分析，容易入手，参与的人数也是做多的，获奖数量也是占到总奖数的45%左右。这也逐渐向大数据的方向发展。 （4）获奖带来的喜悦，是4天零4小时辛苦付出所换来的。不论如何，参与过得都知道过程中的辛苦，熬夜爆肝。

记于：2018年11月14日

附上

转载地址：http://kslrb.baihongyu.com/