【计算机设计大赛近年获奖信息】数据分析及可视化

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')

df_2019.info()

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')

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))]

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

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()

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()

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')

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)

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()

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。

---

这就是本文所有的内容了，如果感觉还不错的话。❤ 点个赞再走吧！！！❤


后续会继续分享 数据分析 的文章，如果感兴趣的话可以点个关注不迷路哦~。

---

添加本人微信，备注【交流群】， 拉你进Python交流群

像我这么宠粉的人~当然会给关注我的粉丝们亿点小福利啦，关注下方小卡片，回复 “计设源码” 即可获取源码哦！，另外还有博主各种文章源码与干货资料