數(shù)據(jù)分析2020年全國(guó)各省高考成績(jī)分布情況

這個(gè)表的數(shù)據(jù)是統(tǒng)計(jì)的全國(guó)各個(gè)省市（除港澳臺(tái)）之外的數(shù)據(jù)， 各個(gè)省市在出成績(jī)之后會(huì)出各自的一分一段表， 統(tǒng)計(jì)每一分的成績(jī)的人數(shù)， 我們以這個(gè)數(shù)據(jù)為準(zhǔn)， 由于個(gè)人還是沒(méi)有太多精力去收集數(shù)據(jù)的，網(wǎng)上找到了 高考100-一分一段表
這個(gè)網(wǎng)站， 給出了各個(gè)省市的一分一段表， excel 版本， 稍微檢查了一下， 數(shù)據(jù)應(yīng)該是對(duì)的，我就暫時(shí)以這個(gè)數(shù)據(jù)為準(zhǔn)，

數(shù)據(jù)太多， 我暫時(shí)只做 35萬(wàn) 以上人的省市，只有11個(gè)省市，加上 北京上海兩個(gè)城市的數(shù)據(jù)，

• 河南
• 河北
• 廣東
• 廣西
• 湖南
• 湖北
• 江西
• 貴州
• 安徽
• 四川
• 山東
• 北京
• 上海

其中北京上海不分科，山東是選擇一門(mén)考試進(jìn)行考核， 所以 一共23個(gè)數(shù)據(jù)表，后續(xù)的話，我盡量將數(shù)據(jù)也一并上傳了

數(shù)據(jù)整理

上面也提到了北京上海山東的分科比較特殊， 我們就按文理一起算，每個(gè)省都是給出最高分及以上的數(shù)據(jù)， 然后給出100分及以下的數(shù)據(jù)，但是不是每個(gè)省都是100分以下，所以還要特殊考慮，

不同高考政策與分類

山東的高考政策具體不清楚， 但是似乎是考生是在6門(mén)副科中任選3門(mén)，從一圖了解山東高考改革要點(diǎn)
這里查到的

我們就不做分科了， 直接看山東的全體成績(jī)即可。

不同統(tǒng)計(jì)方式

北京的人數(shù)更少，在400分以下每10分段給出人數(shù)，我們?yōu)榱吮阌诜奖?默認(rèn)每個(gè)分?jǐn)?shù)平均人數(shù)， 比如 390-399分段的人有813人，我們認(rèn)為每個(gè)分段都有81.3人，暫時(shí)這么處理。

不同省市對(duì)于最高分?jǐn)?shù)的表示都是 最高分?jǐn)?shù)及以上， 但是對(duì)于最低分?jǐn)?shù)的處理就不太一樣了， 這里不做評(píng)價(jià)
比如很多省市是合并在一起 100分以下總計(jì)， 有些則只是100分的成績(jī)， 100分以下的成績(jī)是沒(méi)有給出的，這里最后處理的時(shí)候， 我們把0分的人都刪除了， 只計(jì)算1-100 的人，反正不影響整個(gè)曲線

最終我們整理得到數(shù)據(jù)表， 每個(gè)Sheet 表示一個(gè)省市的文理科目，然后最上面一行數(shù)據(jù)分別對(duì)應(yīng) 總分，人數(shù)， 累計(jì)人數(shù)，

數(shù)據(jù)處理

數(shù)據(jù)處理思路

這里為了方便 順手用 Python 來(lái)做的， 使用的 pandas 讀取的 excel 文件，
我們統(tǒng)計(jì)所有的數(shù)據(jù)的目標(biāo)就是 將成績(jī)化為 0-100分
那么

\[變換后分?jǐn)?shù) = \frac{當(dāng)前分?jǐn)?shù)-最低分}{最高分-最低分} \times 100\]

對(duì)于每個(gè)省的成績(jī)將其調(diào)整到 [0,100], 這里使用的是 四舍五入， 導(dǎo)致實(shí)際在計(jì)算過(guò)程中的數(shù)據(jù)會(huì)重疊，比如相鄰的兩個(gè)成績(jī)一個(gè)舍去，一個(gè)入上，在統(tǒng)一分?jǐn)?shù)，導(dǎo)致數(shù)據(jù)噪聲較大， 這是使用 一維的中值濾波平滑一下數(shù)據(jù)就好了，

以河南文科為例， 我們直接繪制歸一化之后的成績(jī)并進(jìn)行中值濾波之后對(duì)比，
（圖為測(cè)試過(guò)程中歸一化到500分的圖像，不影響理解）

各省市分?jǐn)?shù)分布

我們?cè)谥耙呀?jīng)整理得到的數(shù)據(jù)， 然后我們 就要?jiǎng)邮肿隽耍?/p>

# 整理數(shù)據(jù)，將各省市的成績(jī)歸一到100分之后的分布比率

# 引入 pandas
import pandas as pd
import matplotlib
import matplotlib.pyplot as plt
import scipy.signal as ss

# 設(shè)定中文字體
plt.rcParams['font.sans-serif']=['SimHei'] #用來(lái)正常顯示中文標(biāo)簽
plt.rcParams['axes.unicode_minus']=False #用來(lái)正常顯示負(fù)號(hào)
# 設(shè)定圖像尺寸 與分辨率
plt.rcParams['figure.figsize'] = (8.0, 4.0) # 設(shè)置figure_size尺寸
plt.rcParams['image.interpolation'] = 'nearest' # 設(shè)置 interpolation style
plt.rcParams['savefig.dpi'] = 300 #圖片像素
plt.rcParams['figure.dpi'] = 300 #分辨率

# 將成績(jī)統(tǒng)一到 [0，] 區(qū)間
MAX_SCORE = 100
MIN_SCORE = 0

data_file = 'Data/data.xlsx'
res_file = 'Data/res-'+str(MAX_SCORE-MIN_SCORE)+'.xlsx'

# 讀取excel , 獲取所有表單名字
excel_info = pd.ExcelFile(data_file)

all_data = {}
all_data_ratio = {}
# 獲取表中的每一個(gè)數(shù)據(jù)文件 并將數(shù)據(jù)歸一化到 0-500
for index in range(len(excel_info.sheet_names)):
 # 讀取每一個(gè)表單
 cur_sheetname = excel_info.sheet_names[index]
 df_sheet = pd.read_excel(data_file, sheet_name=cur_sheetname)

 # 獲取每一個(gè)表中的 總分?jǐn)?shù) 和對(duì)應(yīng)分?jǐn)?shù)的人數(shù)
 scores = df_sheet[df_sheet.columns.values[0]]
 nums = df_sheet[df_sheet.columns.values[1]]

 # 數(shù)據(jù) 對(duì)應(yīng) 每個(gè)分?jǐn)?shù)的人數(shù) 表
 ROWS = MAX_SCORE - MIN_SCORE + 1
 trans_scores_nums = [0] * ROWS

 rows = len(scores)
 cur_max_score = scores[0]
 cur_min_score = scores[rows - 1]

 cur_index = 0;
 for s in scores:
  # 計(jì)算 變換之后的分?jǐn)?shù) 四舍五入
  trans_score = (int)(round((s - cur_min_score) / (cur_max_score - cur_min_score) * (MAX_SCORE - MIN_SCORE)))

  # 在計(jì)算分?jǐn)?shù)的位置上 加上對(duì)應(yīng)分?jǐn)?shù)的人數(shù)
  trans_scores_nums[trans_score - 1] += nums[cur_index];
  cur_index += 1

 # 數(shù)據(jù)稍微處理一下， 做簡(jiǎn)單的平滑處理, 去除最低分?jǐn)?shù)據(jù)
 except0data = [0] * (ROWS - 1)
 for i in range(ROWS - 1):
  except0data[i] = trans_scores_nums[i + 1];

 # 中值濾波去除噪點(diǎn)
 smooth_trans = ss.medfilt(except0data, 7)

 # 將數(shù)據(jù)轉(zhuǎn)換成比例， 更具有一般性
 sum = 0
 smooth_trans_ratio = [0] * (ROWS - 1)
 for i in range(ROWS - 1):
  sum += smooth_trans[i]

 for i in range(ROWS - 1):
  smooth_trans_ratio[i] = smooth_trans[i] / sum

 all_data[cur_sheetname] = smooth_trans
 all_data_ratio[cur_sheetname] = smooth_trans_ratio

 print('正在進(jìn)行 {0}/{1}， 表名：{2}'.format(index + 1, len(excel_info.sheet_names), cur_sheetname))

 # plt.plot(smooth_trans2)
# write_data = pd.DataFrame(all_data)
# write_data.to_excel(res_file,sheet_name='res')
write_data_ratio = pd.DataFrame(all_data_ratio)
write_data_ratio.to_excel(res_file, sheet_name='ratio')

print('已經(jīng)完成，存儲(chǔ)文件：{0}'.format(res_file))

我們?cè)谶@個(gè)程序里面主要是 將數(shù)據(jù)提取出來(lái)， 計(jì)算成 100分制之后，重新存入 excel 表中，其中人數(shù)部分換成了各省市的人數(shù)比率，也方便查閱后續(xù)的數(shù)據(jù)
（ 因?yàn)槲腋杏X(jué) plt 繪制圖像不好看，這邊使用了MATLAB 進(jìn)行圖像的繪制過(guò)程）

% 將 原始數(shù)據(jù)繪制出來(lái) 并計(jì)算平均值和中值

% 讀取 excel 數(shù)據(jù) 獲取名稱以及各列名稱
data_file = 'Data/res-100.xlsx';
res_ratio = xlsread(data_file,1,'B2:X501');
res_name = {'河南文科',	 '河南理科',	 '北京',	 '上海', '河北文科', '河北理科', '山東', '廣東文科' '廣東理科' '湖北文科', '湖北理科', '湖南文科', '湖南理科', '四川文科', '四川理科', '安徽文科', '安徽理科', '廣西文科', '廣西理科', '貴州文科', '貴州理科', '江西文科', '江西理科'};

figure()
hold on
[rows,cols] = size(res_ratio);
avg = zeros(cols,1);
media =zeros(cols,1);
for i=1:cols
 % 繪制百分比率圖
 plot(res_ratio(:,i)*100);
 
 % 計(jì)算平均值 中值
 media_l = 0.5;
 media_find_flg = 0;
 for j = 1:rows
  avg(i) = avg(i) + j*res_ratio(j,i);
  
  % 統(tǒng)計(jì)比率超過(guò)一半的 數(shù)之后就是中值 找到后就不更新了
  if(media_find_flg ==0)
    if(media_l >0)
     media_l = media_l - res_ratio(j,i);
    else
     media(i) = j;
     media_find_flg = 1;
   end
  end
 end
end
legend(res_name);

% 創(chuàng)建 xlabel
xlabel({'歸一化到100分后成績(jī)'});

% 創(chuàng)建 title
title({'各省市歸一化成績(jī)分布比率'});

% 創(chuàng)建 ylabel
ylabel({'單位成績(jī)分布比率'});

最終我們得到了這樣的一副圖， 細(xì)節(jié)部分比較多，且數(shù)據(jù)噪聲較大，但是數(shù)據(jù)的整體趨勢(shì)大概明白了，噪聲較大的黃色的線是北京的，暫時(shí)不做過(guò)多分析

各省市分?jǐn)?shù)平均值與中值

我們這里的計(jì)算平均值就是 每分段人數(shù)乘以該分段的比例，最終得到的結(jié)果，
然后， 中值這里簡(jiǎn)單除暴， 找到中間比率所在的區(qū)間就好了， 代碼沒(méi)有去過(guò)多處理， 能跑出來(lái)結(jié)果就好

數(shù)據(jù)簡(jiǎn)單分析

我們?cè)谏弦徽鹿?jié)給出了一張圖， matlab 繪制的圖的顏色比較接近， 建議下載原圖觀看，給出了分布圖，
我們把數(shù)據(jù)最為特殊的幾條線單獨(dú)繪制一下，

• 最偏右的 黃色 北京
• 最偏左的 紫色 廣西文科
• 最高的 淺藍(lán)色 貴州文科
• 最平均的 淺紫色 湖北理科
• 雙峰的 藍(lán)色 江西文科

其實(shí)這些形態(tài)是有獨(dú)特的意義的，理論上的曲線是正太分布的，但是由于各種原因，我們以實(shí)際曲線為主，

• 靠右表示 數(shù)據(jù)整體偏大
• 靠左整體偏小
• 最高的表示數(shù)據(jù)比較集中，
• 最低的表示數(shù)據(jù)分布均勻
• 雙峰的表示數(shù)據(jù)割裂嚴(yán)重（我瞎編的）。。。

就總體而言， 各個(gè)省市的成績(jī)的峰值（眾數(shù)）也主頁(yè)也分為兩個(gè)部分，部分省市的峰值在40分左右，主要包括河南文科，河北文科，湖北文科，廣西文科，廣西理科
剩下的分?jǐn)?shù)的眾數(shù)都集中在60分多一點(diǎn)的位置，

emmm， 就這么多了， 再多的分析也沒(méi)有太多用， 畢竟北京NB

剩下的部分就是 高考本科上線率這種數(shù)據(jù)了， 但是各省對(duì)于本科的分?jǐn)?shù)線真是不同

我給出的數(shù)據(jù)是我在各地高考?xì)v年分?jǐn)?shù)線(批次線) 這個(gè)網(wǎng)頁(yè)上能看到2020 年各省高考批次線， 一般的省市都是劃分 1本2本?？?， 除了北京，上海，河北，山東，廣東
后面想辦法再做吧， 估計(jì)會(huì)不做了

高考大省與高考小省

我們拿高考大省河南河北然后對(duì)比上海和北京， 看下數(shù)據(jù)
其實(shí)這里應(yīng)該去找數(shù)據(jù)軸上的最明顯特征的線， 具體數(shù)據(jù)自己分析好了

但是我們暫時(shí)只看這幾個(gè)數(shù)據(jù),

都是前面給出的數(shù)據(jù)， 我們繪制出來(lái)了

北京的成績(jī)是明顯優(yōu)于河北的，河南和上海的數(shù)據(jù)其實(shí)是一直的，即使是在全部曲線圖上也算比較中間的類型了，

總結(jié)

搞了半天， 屁用沒(méi)有，就是手癢然后就搞了一大堆， 越搞越多， 后續(xù)還有一堆要做的，

根據(jù)本篇數(shù)據(jù)而言， 北京的成績(jī)是比全國(guó)各個(gè)省市的成績(jī)要好的，可能與培養(yǎng)方式不同吧，

其實(shí)這種分?jǐn)?shù)分布并不一定是培養(yǎng)造成的， 還有部分是各省考試情況不同導(dǎo)致的，所以數(shù)據(jù)僅供參考， 北京NB

備注

我將所有的數(shù)據(jù)都存在了 Github 上

https://github.com/SChen1024/GaoKao

有興趣的可隨便拿數(shù)據(jù)進(jìn)行分析， 后續(xù)還會(huì)做完最后一點(diǎn)

到此這篇關(guān)于數(shù)據(jù)分析2020年全國(guó)各省高考成績(jī)分布情況的文章就介紹到這了,更多相關(guān)2020年全國(guó)各省高考成績(jī)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！