🧑 博主简介：曾任某智慧城市类企业算法总监，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。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）

💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

一、引言

  本文将带你一起探索一份全国高校数据集，通过pyecharts这一强大的Python可视化库，将抽象的数据转化为直观的图表，揭示高校分布、类型、层次以及各类标签（如985、211、双一流）之间的关联与差异。

二、导入分析库与数据清洗

  导入相应的分析库并进行数据加载。

import pandas as pd
from collections import Counter
###画图
from pyecharts import options as opts
from pyecharts.charts import Map
from pyecharts.globals import ThemeType
from pyecharts.charts import Bar, Pie, Timeline
from pyecharts.faker import Faker

df = pd.read_csv("全国大学数据.csv",encoding='gbk')
df.head()

  数据具体的格式如下：

  对省份字段进行标准化处理：

province_mapping = {
 '北京':"北京市",
 '天津':"天津市",
 '河北':"河北省",
 '山西':"山西省",
 '内蒙古':"内蒙古自治区",
 '辽宁':"辽宁省"...
}

df['省份'] = df['省份'].map(province_mapping)

三、pyecharts可视化实践

3.1 高校地理分布图

  使用pyecharts的Map组件，我们可以直观地展示全国高校的地理分布情况。通过颜色深浅或图标大小来反映各省份高校数量的多少，让读者一眼就能看出哪些地区是高等教育的重镇。同时，结合交互功能，读者可以点击地图上的省份，查看详细的高校列表。

from pyecharts.charts import Map
from pyecharts import options as opts
import pandas as pd

# 假设df为预处理后的DataFrame
province_counts = df['省份'].value_counts().reset_index()
province_counts.columns = ['省份', '高校数量']

map_chart = (
    Map()
    .add("高校数量", [list(z) for z in zip(province_counts['省份'], province_counts['高校数量'])], "china")
    .set_global_opts(
        title_opts=opts.TitleOpts(title="全国高校地理分布"),
        visualmap_opts=opts.VisualMapOpts(max_=max(province_counts['高校数量'])),
    )
)
map_chart.render("高校地理分布图.html")

  从图中我们可以发现高校数量最多是江苏省，拥有168所搞笑；长三角地区的高校明显高于其它地区，中部四川省高校最多，南部广东省高校最多，西部地区高校分布的数量相对较少；

3.2 全国不同类型大学数量情况

un_type = df['类型'].tolist()
result = Counter(un_type)
# 排序
d = sorted(result.items(), key=lambda x: x[1], reverse=True)
print(d)
key = [i[0] for i in d]
value = [i[1] for i in d]

# 链式调用
bar = (
    Bar(
        init_opts=opts.InitOpts(  # 初始配置项
            theme=ThemeType.MACARONS,
            animation_opts=opts.AnimationOpts(
                animation_delay=1000, animation_easing="cubicOut"  # 初始动画延迟和缓动效果
            ))
    )
        .add_xaxis(xaxis_data=key)  # x轴
        .add_yaxis(series_name="全国不同类型大学数量情况", y_axis=value)  # y轴
        .set_global_opts(
        title_opts=opts.TitleOpts(title='', subtitle='',  # 标题配置和调整位置
                                    title_textstyle_opts=opts.TextStyleOpts(
                                        font_family='SimHei', font_size=25, font_weight='bold', color='red',
                                    ), pos_left="90%", pos_top="10",
                                    ),
        xaxis_opts=opts.AxisOpts(name='类型', axislabel_opts=opts.LabelOpts(rotate=45)),
        # 设置x名称和Label rotate解决标签名字过长使用
        yaxis_opts=opts.AxisOpts(name='数量'),

    )
        
)
bar.render("全国不同类型大学数量情况.html")

  从图中我们可以发现理工类和综合类的院校最多，也就是高考时理科照生多的原因；

3.3 高校类型与层次分析图

  接下来，我们利用Pie和Bar组件来分析高校的类型与层次。通过饼图展示公办与民办高校的占比，通过条形图展示本科与专科高校的分布情况。这些图表不仅能够帮助我们了解高校的构成，还能揭示不同类型与层次高校之间的差异。

attr = df['公或民办'].tolist()
result = Counter(attr)
# 排序
d = sorted(result.items(), key=lambda x: x[1], reverse=True)
print(d)
key = [i[0] for i in d]
value = [i[1] for i in d]
pie = (
    Pie()
        .add(
        "公或民办类型数量",
        [list(z) for z in zip(key, value)],
        rosetype="radius",
        radius=["30%", "55%"],
    )
        .set_global_opts(title_opts=opts.TitleOpts("公或民办类型数量"))
)
pie.render("公办与民办高校占比图.html")

  从图书可以看出高校有三种出资方式，分别是公办、民办和中外合作办学；其中公办的高校最多有2010所。

# 分析本科与专科高校的分布情况
undergraduate_vocational_distribution = df['本或专科'].value_counts()
undergraduate_vocational_distribution = undergraduate_vocational_distribution.reset_index()
undergraduate_vocational_distribution.columns = ['层次', '数量']
 
# 创建条形图展示本科与专科高校的分布情况
bar_chart = (
    Bar(init_opts=opts.InitOpts(theme=ThemeType.LIGHT))
    .add_xaxis(undergraduate_vocational_distribution['层次'].tolist())
    .add_yaxis("高校数量", undergraduate_vocational_distribution['数量'].tolist())
    .set_global_opts(
        title_opts=opts.TitleOpts(title="本科与专科高校分布情况"),
        xaxis_opts=opts.AxisOpts(name="层次"),
        yaxis_opts=opts.AxisOpts(name="数量"),
    )
)
bar_chart.render("本科与专科高校分布图.html")

  从图中可以发现高校中本科和专科数据差不多持平。

3.4 全国不同大学隶属情况

  最后，我们利用Scatter或Graph组件分析城市与高校之间的关联。通过散点图展示各城市高校的数量与分布，或者通过关系图展示城市与高校之间的隶属关系。

attr = data['隶属于'].tolist()
result = Counter(attr)
# 排序
d = sorted(result.items(), key=lambda x: x[1], reverse=True)
print(d)
key = [i[0] for i in d]
value = [i[1] for i in d]
c = (
    Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK))
        .add_xaxis(xaxis_data=key)
        .add_yaxis("数量", y_axis=value)
        .set_global_opts(
        title_opts=opts.TitleOpts(title="全国不同大学隶属情况"),
        datazoom_opts=[opts.DataZoomOpts(), opts.DataZoomOpts(type_="inside")],
    )
        
)
c.render_notebook()

  从图中可以看到各个不同单位管理高校的数量，其中河南省管理的高校数量最多，教育部直属管的高校有84所等

3.5 高校的坐标点位分析

  可以使用百度的地名地址解析接口，将高校的地址转成经纬度，经纬度转成热力图如下；

四、结论与展望

  通过本次全国高校数据集的可视化探索，我们不仅直观地展示了高校的地理分布、类型与层次、标签情况以及与城市的关联，还深刻理解了数据可视化的力量。它让我们能够以前所未有的方式洞察数据背后的故事，为教育决策提供了有力的支持。