感谢每一个认真阅读我文章的人，看着粉丝一路的上涨和关注，礼尚往来总是要有的：
① 2000多本Python电子书（主流和经典的书籍应该都有了）
② Python标准库资料（最全中文版）
③ 项目源码（四五十个有趣且经典的练手项目及源码）
④ Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）
⑤ Python学习路线图（告别不入流的学习）
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
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👇🏻**
做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。
别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。
我先来介绍一下这些东西怎么用，文末抱走。
* * *
**（1）Python所有方向的学习路线（新版）**
这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
最近我才对这些路线做了一下新的更新，知识体系更全面了。
**（2）Python学习视频**
包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。
**（3）100多个练手项目**
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。
**（4）200多本电子书**
这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。
基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。
**（5）Python知识点汇总**
知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。
**（6）其他资料**
还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。
**这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。**
**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**
**[需要这份系统化学习资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618317507)**
**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
