淄博网站推广价格,软件开发培训机构课程,小程序平台哪个好,成都网页设计培训学校排名#x1f9d1; 博主简介#xff1a;曾任某智慧城市类企业算法总监#xff0c;目前在美国市场的物流公司从事高级算法工程师一职#xff0c;深耕人工智能领域#xff0c;精通python数据挖掘、可视化、机器学习等#xff0c;发表过AI相关的专利并多次在AI类比赛中获奖。CSDN… 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IDxf982831907 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-11】全国大学数据可视化分析 一、引言二、导入分析库与数据清洗三、pyecharts可视化实践3.1 高校地理分布图3.2 全国不同类型大学数量情况3.3 高校类型与层次分析图3.4 全国不同大学隶属情况3.5 高校的坐标点位分析 四、结论与展望 一、引言 本文将带你一起探索一份全国高校数据集通过pyecharts这一强大的Python可视化库将抽象的数据转化为直观的图表揭示高校分布、类型、层次以及各类标签如985、211、双一流之间的关联与差异。
二、导入分析库与数据清洗 导入相应的分析库并进行数据加载。
import pandas as pd
from collections import Counter
###画图
from pyecharts import options as opts
from pyecharts.charts import Map
from pyecharts.globals import ThemeType
from pyecharts.charts import Bar, Pie, Timeline
from pyecharts.faker import Fakerdf pd.read_csv(全国大学数据.csv,encodinggbk)
df.head()数据具体的格式如下 对省份字段进行标准化处理
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...
}df[省份] df[省份].map(province_mapping)三、pyecharts可视化实践
3.1 高校地理分布图 使用pyecharts的Map组件我们可以直观地展示全国高校的地理分布情况。通过颜色深浅或图标大小来反映各省份高校数量的多少让读者一眼就能看出哪些地区是高等教育的重镇。同时结合交互功能读者可以点击地图上的省份查看详细的高校列表。
from pyecharts.charts import Map
from pyecharts import options as opts
import pandas as pd# 假设df为预处理后的DataFrame
province_counts df[省份].value_counts().reset_index()
province_counts.columns [省份, 高校数量]map_chart (Map().add(高校数量, [list(z) for z in zip(province_counts[省份], province_counts[高校数量])], china).set_global_opts(title_optsopts.TitleOpts(title全国高校地理分布),visualmap_optsopts.VisualMapOpts(max_max(province_counts[高校数量])),)
)
map_chart.render(高校地理分布图.html)从图中我们可以发现高校数量最多是江苏省拥有168所搞笑长三角地区的高校明显高于其它地区中部四川省高校最多南部广东省高校最多西部地区高校分布的数量相对较少
3.2 全国不同类型大学数量情况
un_type df[类型].tolist()
result Counter(un_type)
# 排序
d sorted(result.items(), keylambda x: x[1], reverseTrue)
print(d)
key [i[0] for i in d]
value [i[1] for i in d]# 链式调用
bar (Bar(init_optsopts.InitOpts( # 初始配置项themeThemeType.MACARONS,animation_optsopts.AnimationOpts(animation_delay1000, animation_easingcubicOut # 初始动画延迟和缓动效果))).add_xaxis(xaxis_datakey) # x轴.add_yaxis(series_name全国不同类型大学数量情况, y_axisvalue) # y轴.set_global_opts(title_optsopts.TitleOpts(title, subtitle, # 标题配置和调整位置title_textstyle_optsopts.TextStyleOpts(font_familySimHei, font_size25, font_weightbold, colorred,), pos_left90%, pos_top10,),xaxis_optsopts.AxisOpts(name类型, axislabel_optsopts.LabelOpts(rotate45)),# 设置x名称和Label rotate解决标签名字过长使用yaxis_optsopts.AxisOpts(name数量),))
bar.render(全国不同类型大学数量情况.html)从图中我们可以发现理工类和综合类的院校最多也就是高考时理科照生多的原因
3.3 高校类型与层次分析图 接下来我们利用Pie和Bar组件来分析高校的类型与层次。通过饼图展示公办与民办高校的占比通过条形图展示本科与专科高校的分布情况。这些图表不仅能够帮助我们了解高校的构成还能揭示不同类型与层次高校之间的差异。
attr df[公或民办].tolist()
result Counter(attr)
# 排序
d sorted(result.items(), keylambda x: x[1], reverseTrue)
print(d)
key [i[0] for i in d]
value [i[1] for i in d]
pie (Pie().add(公或民办类型数量,[list(z) for z in zip(key, value)],rosetyperadius,radius[30%, 55%],).set_global_opts(title_optsopts.TitleOpts(公或民办类型数量))
)
pie.render(公办与民办高校占比图.html)从图书可以看出高校有三种出资方式分别是公办、民办和中外合作办学其中公办的高校最多有2010所。
# 分析本科与专科高校的分布情况
undergraduate_vocational_distribution df[本或专科].value_counts()
undergraduate_vocational_distribution undergraduate_vocational_distribution.reset_index()
undergraduate_vocational_distribution.columns [层次, 数量]# 创建条形图展示本科与专科高校的分布情况
bar_chart (Bar(init_optsopts.InitOpts(themeThemeType.LIGHT)).add_xaxis(undergraduate_vocational_distribution[层次].tolist()).add_yaxis(高校数量, undergraduate_vocational_distribution[数量].tolist()).set_global_opts(title_optsopts.TitleOpts(title本科与专科高校分布情况),xaxis_optsopts.AxisOpts(name层次),yaxis_optsopts.AxisOpts(name数量),)
)
bar_chart.render(本科与专科高校分布图.html)从图中可以发现高校中本科和专科数据差不多持平。
3.4 全国不同大学隶属情况 最后我们利用Scatter或Graph组件分析城市与高校之间的关联。通过散点图展示各城市高校的数量与分布或者通过关系图展示城市与高校之间的隶属关系。
attr data[隶属于].tolist()
result Counter(attr)
# 排序
d sorted(result.items(), keylambda x: x[1], reverseTrue)
print(d)
key [i[0] for i in d]
value [i[1] for i in d]
c (Bar(init_optsopts.InitOpts(themeThemeType.DARK)).add_xaxis(xaxis_datakey).add_yaxis(数量, y_axisvalue).set_global_opts(title_optsopts.TitleOpts(title全国不同大学隶属情况),datazoom_opts[opts.DataZoomOpts(), opts.DataZoomOpts(type_inside)],))
c.render_notebook()从图中可以看到各个不同单位管理高校的数量其中河南省管理的高校数量最多教育部直属管的高校有84所等
3.5 高校的坐标点位分析 可以使用百度的地名地址解析接口将高校的地址转成经纬度经纬度转成热力图如下
四、结论与展望 通过本次全国高校数据集的可视化探索我们不仅直观地展示了高校的地理分布、类型与层次、标签情况以及与城市的关联还深刻理解了数据可视化的力量。它让我们能够以前所未有的方式洞察数据背后的故事为教育决策提供了有力的支持。
