【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：

TOP30大学分数柱状图
各省高校数量极坐标玫瑰图
不同类型院校占比饼状图
各省份高校平均分值热力图
不同类型院校占比漏斗图
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：

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。
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。
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。
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！