武汉理工外国语学院19年录取分布

武汉理工外国语学院19年录取分布

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import copy
import warnings
warnings.filterwarnings('ignore')

pd.set_option('display.max_rows', None)  # 设置显示最大行 让列表全显示
pd.set_option('display.max_columns',1000)
pd.set_option('display.width', 1000)# 设置字符显示宽度
pd.set_option('display.max_colwidth',1000)
sns.set_style('whitegrid')
df=pd.read_excel('D:/alexwu/录取名单总表.xlsx')
df.head()

#清洗数据 然后开始绘图
#在图表上显示中文，首先需要进行中文设置
sns.set(rc={'figure.figsize':(8,6)}) #设置图片大小后要重新设置中文
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
sns.set(font='SimHei')
sns.countplot(x='拟录取专业名称', data=df)

sns.set(rc={'figure.figsize':(20,6)})
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
sns.set(font='SimHei')
sns.countplot(x='初试总成绩', data=df[9:84])

上图是初始成绩的分布，每个分数的统计人数。下面对成绩分段进行百分比统计，每10分一个档，统计该档的人数。

bb=df[9:84]
cc=bb['初试总成绩']
cc=list(cc) #转换成列表
min_mark=min(cc)
max_mark=max(cc)
from itertools import groupby
intervals = {'{0}-{1}'.format(10 * x + 1, 10 * (x + 1)): 0 for x in range(35,41)}
for _ in cc:
    for interval in intervals:
        start, end = tuple(interval.split('-'))
        if int(start) <= _ <= int(end):
            intervals[interval] += 1
print(intervals)

{'351-360': 16, '361-370': 22, '371-380': 11, '381-390': 17, '391-400': 8, '401-410': 1}

labels = '351-360','361-370','371-380','381-390','391-400','401-410'  ## 定义的是元组 无法修改
size= [16,22,11,17,8,1] ##大小列表 根据上述分析统计出来的人数
colors=['red','deeppink','plum','cornflowerblue','lightblue','cyan'] ##列表
explode=(0,0,0,0,0,0)
##绘制饼图
plt.figure(figsize=(8,6))
plt.pie(size,explode=explode,labels=labels,colors=colors,autopct='%1.1f%%',shadow=True , startangle=90) ##注意中文字符
plt.axis('equal')
plt.title('初试成绩分数占比')  
plt.show()

每年成绩分布占比应该变化不大，初始分数超过370，那么也可以认为自己在前50%，复试正常发挥，一般来说没问题。接下来分三个专业具体看分数与录取的关系。

data1k=df.loc[df['拟录取专业名称']=='外国语言文学']
data2z=df.loc[df['拟录取专业名称']=='英语笔译']
data3z=df.loc[df['拟录取专业名称']=='英语口译']
zero_col_count = dict(data1k['录取形式'].value_counts())
three_row_count = dict(data2z['录取形式'].value_counts())
four_row_count = dict(data3z['录取形式'].value_counts())
print('外国语言文学:',zero_col_count)
print('英语笔译:',three_row_count)
print('英语口译:',four_row_count)

外国语言文学: {1: 33}
英语笔译: {1: 26, 2: 9}
英语口译: {1: 15, 2: 1}

在数据分析过程中，发现非全日最后分配在专硕，笔译和口译中。

labels = '学硕（外国语言文学）','专硕（英语笔译)','专硕（英语口译）'  ## 定义的是元组 无法修改
size= [33,35,16] ##大小列表 根据上述分析统计出来的人数
colors=['red','deeppink','plum'] ##列表
explode=(0,0,0)
##绘制饼图
plt.figure(figsize=(8,6))
plt.pie(size,explode=explode,labels=labels,colors=colors,autopct='%1.1f%%',shadow=True , startangle=90) ##注意中文字符
plt.axis('equal')
plt.title('专业分布')  
plt.show()

三个专业人数分布，接下来主要看笔译中初试分数，最终分数与全日制和非全日值的关系

labels = '专硕（英语笔译)全日制','专硕（英语笔译）非全'  ## 定义的是元组 无法修改
size= [26,9] ##大小列表 根据上述分析统计出来的人数
colors=['red','lightblue'] ##列表
explode=(0,0)
##绘制饼图
plt.figure(figsize=(8,6))
plt.pie(size,explode=explode,labels=labels,colors=colors,autopct='%1.1f%%',shadow=True , startangle=90) ##注意中文字符
plt.axis('equal')
plt.title('笔译全日制非全分布')  
plt.show()

plt.figure(figsize=(15,6))
plt.title('笔译初始成绩与全日制关系')
sns.countplot(x='初试总成绩',hue='录取形式', data=data2z)

plt.figure(figsize=(25,6))
plt.title('笔译综合成绩与全日制关系')
sns.countplot(x='录取总成绩',hue='录取形式', data=data2z)

大致分析：上面两张图和分数密切相关，18年笔译录取的最低初试分数为365，综合成绩68.02，但是当初试分数低于370或总成绩低于70分的时候，有被调剂成非全日制的风险，虽然也有部分综合成绩高于70分的同学调剂为非全，我分析应该是其他专业淘汰（学硕），或者本身就意愿读非全。但是总体来说，当分数高于370，全日制还是很容易争取到，与此同时当分数超过380的时候，复试正常发挥，应该没问题。但是也不能否认，复试过程也很重要，也需要全力以赴准备。最后 保研的同学全部集中在学硕，与笔译没有冲突，但是还有一点是录取方式中有创新能力这一项，具体含义需要进一步搜集资料。

最后：虽然自己考研上岸已经过去几年了，但回想起来备考的日子是那么的充实，虽然谈不上快乐但很满足，为自己梦想而努力的日子是幸福的。祝愿看到这篇帖子的考研er都能一帆风顺，顺利上岸。

武汉加油！