【数据可视化】2025年中国大学综合排名可视化分析:Python + pyecharts打造炫酷暗黑主题大屏

🧑 博主简介:曾任某智慧城市类企业算法总监,CSDN / 稀土掘金 等平台人工智能领域优质创作者。
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。


一、引言

在数据分析的世界里,数据可视化是将复杂数据转化为直观图表的重要手段。今天,我们将使用Python和pyecharts库,对2025年中国大学综合排名数据进行可视化分析,打造一个炫酷的暗黑主题可视化大屏。我们的目标是让图表不仅具有视觉冲击力,还能提供有价值的洞察。

二、数据准备

首先,我们需要准备数据。数据来源于一个Excel文件,包含以下字段:排名、学校名称、类型、省份和分值。我们将使用Pandas库读取数据,并进行简单的清洗。

python 复制代码
import pandas as pd
from pyecharts import options as opts
from pyecharts.charts import *
from pyecharts.globals import ThemeType

# 读取数据
df = pd.read_excel("2025年中国大学综合排名(前550名).xlsx")

# 数据清洗:去掉 * 号、类型空格
df["学校名称"] = df["学校名称"].str.replace("※", "").str.strip()
df["类型"] = df["类型"].str.strip()
df["分值"] = df["分值"].apply(lambda x: float(str(x).replace("\xa0", '')))

三、可视化分析

我们将通过以下六种图表来展示数据:

  1. TOP30大学分数柱状图
  2. 各省高校数量极坐标玫瑰图
  3. 不同类型院校占比饼状图
  4. 各省份高校平均分值热力图
  5. 不同类型院校占比漏斗图
  6. 学校名称词云

最后,我们将所有图表整合到一个可移动的可视化大屏中。

3.1 TOP30大学分数柱状图

柱状图可以直观地展示各大学的分值差异。我们将使用渐变色来增强视觉效果。

ini 复制代码
top30 = df.head(30)
bar = (
    Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK))
    .add_xaxis(top30["学校名称"].tolist())
    .add_yaxis("分值", top30["分值"].tolist(), category_gap="50%")
    .set_global_opts(
        title_opts=opts.TitleOpts(title="TOP30大学分数柱状图"),
        xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),
        visualmap_opts=opts.VisualMapOpts(is_show=True, max_=100, min_=80),
    )
    .set_series_opts(label_opts=opts.LabelOpts(is_show=False))
)

3.2 各省高校数量极坐标玫瑰图

极坐标玫瑰图可以展示各省高校的数量分布。我们将使用多种颜色来区分不同省份。

ini 复制代码
province_count = df["省份"].value_counts().head(20)
rose = (
    Pie()
    .add(
        series_name="高校数量",
        data_pair=[list(z) for z in zip(province_count.index.tolist(), province_count.values.tolist())],
    ...
)

3.3 不同类型院校占比饼状图

饼状图可以展示不同类型院校的占比情况。我们将使用环形饼图来增强视觉效果。

ini 复制代码
type_count = df["类型"].value_counts()
pie = (
    Pie()
    .add(
        series_name="院校类型",
        data_pair=[list(z) for z in zip(type_count.index.tolist(), type_count.values.tolist())],
    ...
)

3.4 各省份高校平均分值热力图

热力图可以展示各省份高校的平均分值分布情况。我们将使用渐变色来增强视觉效果。

ini 复制代码
province_dict = {
    "北京": "北京市",
    "上海": "上海市",
    ...
}
province_avg_score = df.groupby("省份")["分值"].mean().reset_index(name="平均分值")
...
map_chart = (
    Map()
    .add(
        series_name="平均分值",
        data_pair=data_pair,
        maptype="china",
    ) ...
)

3.5 不同类型院校占比漏斗图

漏斗图可以展示不同类型院校的占比情况。我们将使用多种颜色来区分不同类型。

less 复制代码
funnel = (
    Funnel()
    .add(
        "类型",
        [list(z) for z in zip(type_count.index, [int(i) for i in type_count.values()])]
    ...
)

3.6 学校名称词云

词云图可以展示学校名称的分布情况。我们将使用多种颜色来增强视觉效果。

less 复制代码
wordcloud = (
    WordCloud(init_opts=opts.InitOpts(theme=ThemeType.DARK))
    .add(
        "",
        [list(z) for z in zip(df["学校名称"], df["分值"])]
    )
   ...
)

四、可视化大屏

最后,我们将所有图表整合到一个可移动的可视化大屏中。

ini 复制代码
from pyecharts.charts import Page

# 可视化大屏
page = (
    Page(layout=Page.DraggablePageLayout)
    .add(
        bar,
        rose,
        pie,
        map_chart,
        funnel,
        wordcloud,
    )
    .render("university_ranking_dashboard.html")
)

五、专业解读

从这些图表中,我们可以得出以下几点洞察:

  1. 分值梯度:TOP30 的大学分值明显高于其他大学,清华大学、北京大学和浙江大学/中国科学技术大学断层领先。
  2. 区域分布:北京、江苏、上海等地区的高校数量和质量均较高,而西部省份相对较少。
  3. 类型结构:理工类院校数量最多,综合类院校次之,师范类院校数量也较多,财经和医药类院校数量相对较少但分值较高。
  4. 热力图:高分值的省份主要集中在华北和华东地区,西部省份的分值相对较低。

六、结语

通过上述代码,我们成功地将2025年中国大学综合排名数据进行了可视化分析。我们使用了柱状图、极坐标玫瑰图、饼状图、热力图、漏斗图和词云等多种图表类型,展示了数据的不同维度。这些图表不仅具有视觉冲击力,还能够帮助我们更好地理解数据的分布和特征。

希望这篇文章对你有所帮助!如果你有任何问题或建议,欢迎在评论区留言。


如果您在人工智能领域遇到技术难题,或是需要专业支持,无论是技术咨询、项目开发还是个性化解决方案,我都可以为您提供专业服务,如有需要可站内私信或添加下方VX名片(ID:xf982831907)

期待与您一起交流,共同探索AI的更多可能!

相关推荐
金銀銅鐵9 小时前
用 graphviz 画关系图:四个例子
数据可视化
Highcharts.js2 天前
Highcharts与TypeScript集成指南
前端·javascript·typescript·前端框架·数据可视化·highcharts
Highcharts.js3 天前
Workbuddy + Highcharts Orbit:工作区数据自动建模与可视化分析实践
前端·javascript·信息可视化·数据可视化·highcharts·可视化图表·workbuddy
Bigger3 天前
别再手搓调色板了:Vue 3 一个组件搞定纯色、渐变和画布吸管取色
前端·vue.js·数据可视化
IndustrialSphere5 天前
工业历史趋势图为什么会误导人?用三条数据检查倒序、缺测和截断
api·数据可视化·工业软件·industrialsphere·历史数据
慧都小妮子11 天前
Wyn商业智能国产数据库适配:数据接入、分析缓存与审计日志验证清单
数据库·数据分析·数据可视化·审计日志·商业智能
Flynn Liang12 天前
Apache Superset 重要特性详解(三):语义层 / 权限 / 缓存 / 嵌入的实战最佳实践(2026 版)
大数据·clickhouse·数据可视化·架构设计·superset·数据分析平台
一晌小贪欢13 天前
Python基础:第 09 篇 · while 循环:重复直到不满足
开发语言·c++·python·数据可视化·面向对象·python办公
报表开不开发15 天前
用开源报表工具SpringReport做车间大屏+Excel 导出,我踩过的一些坑,基于最初版本的设计开发
数据可视化
QuZhengRong15 天前
【Luck‑Report】 AI 智能报表助手 + RAG 知识库 + 报表引擎 V2.0.9 更新
github·agent·报表·开源项目·数据可视化