带你用Python解读高考数据：全国哪里的高校最多？什么专业最热门？

转载

Python进阶者 2021-07-22 14:17:08

文章标签 python 大学专业高考 文章分类 Python 后端开发

今

日

鸡

汤

龙游浅底遭虾戏，虎落平阳被犬吠。

带你用Python解读高考数据：全国哪里的高校最多？什么专业最热门？_python

CDA数据分析师出品

作者：Mika

【导读】

今天我们用数据来聊一聊高考。Python技术分析请看第二部分。公众号后台，回复关键字“高考”获取完整数据。

Show me data，用数据说话

今天我们聊一聊高考

高考是人生中非常难忘的一段体验，而今年的高考尤为特别。由于今年疫情的影响，3月31日教育部宣布高考延期一个月，从本来的6月推迟到在7月7日至7月8日举行，这是17年来，我国首次调整高考时间。

而2020年的高考生也真是特别不容易。熬过疫情的漫长黑夜，见证了历史性的高考延期，多了一个月的埋头苦读，多了一个月对心态的考验。

带你用Python解读高考数据：全国哪里的高校最多？什么专业最热门？_python_02

那么历年的高考人数、录取率如何？哪个地区的高校最多？都有什么专业最热门？今天我们就用数据来聊一聊。

回顾历年高考人数和录取率

我们搜集整理了自1977年恢复高考以来到2019年，这四十多年来高考人数、录取人数和录取率的数据。

历年高考人数数据

带你用Python解读高考数据：全国哪里的高校最多？什么专业最热门？_专业_03

在图中我们可以看到：

高考人数：

参加高考的人数逐年递增，2008年高考人数达到峰值1050万。之后几年人数有所回落。而今年，2020年全国考生人数创新高达到1071万，是自2009年后十年来再次破千万。也是近年来人数最多的一年，

录取人数：

录取人数基本都是逐年递增，在1997年的时候，高校录取人数终于突破了百万大关。

录取率：

录取率也基本是逐年递增，在2005年到2008年这四年时间，录取率相对往年是下降的；随后伴随高校陆续扩招，录取率增长很快；到了2017年，录取率达到了82%，总体来说高等教育的普及率是越来越高了。

接着，我们看到去年2019年各省份的高考一本录取数据：

2019年各省份一本录取线

带你用Python解读高考数据：全国哪里的高校最多？什么专业最热门？_python_04

首先在高考人数上，河南遥遥领先，高考人数破百万，达到103万，妥妥的高考大省，其中一本录取人数为12.92万，一本录取率为12.54%。其次，广东、四川的高考人数也不容小觑，分别为76万和65万，一本录取率分别为12.87%和14.72%。

国内理工类院校占三分之一

江苏高校数量最多

高考学子千千万，那么我国各省市的高校分布又是怎样的呢？全国哪个地方的高校最多？

我们分析了中国教育在线网站（https://gkcx.eol.cn/）的高校数据，当中包含本科院校和高职(专科)院。

如何获取数据

我们使用Python获取了中国教育在线网站的高校数据，共2904条。以下展示数据获取部分代码：

https://gkcx.eol.cn/school/search

具体思路如下：

分析网页，通过翻页可以发现数据是动态加载的，因此通过Chrome浏览器进行抓包分析获取真实的URL请求地址，并确定请求方式(get还是post)；
使用requests请求网页数据；
使用json解析并提取数据；
使用pandas将数据保存到本地

首先打开网址，使用Chrome浏览器的检查功能，切换到Network-XHR，点击翻页进行网络数据抓包，很容易发现数据都是被封装在json中的，如下图所示：

带你用Python解读高考数据：全国哪里的高校最多？什么专业最热门？_python_05

切换到Headers处，确定请求的方法为post请求，得到数据请求的URL地址，其中page参数代表页数，通过遍历即可获取所有数据。代码如下：

# 导入包
import numpy as np
import pandas as pd
import requests
import json
from fake_useragent import UserAgent
import time

# 获取一页
def get_one_page(page_num):
    # 获取URL
    url = 'https://api.eol.cn/gkcx/api/'

    # 构造headers
    headers = {
        'User-Agent': UserAgent().random,
        'Origin': 'https://gkcx.eol.cn',
        'Referer': 'https://gkcx.eol.cn/school/search?province=&schoolflag=&recomschprop=',
    }

    # 构造data
    data = {
        'access_token': "",
        'admissions': "",
        'central': "",
        'department': "",
        'dual_class': "",
        'f211': "",
        'f985': "",
        'is_dual_class': "",
        'keyword': "",
        'page': page_num,
        'province_id': "",
        'request_type': 1,
        'school_type': "",
        'size': 20,
        'sort': "view_total",
        'type': "",
        'uri': "apigkcx/api/school/hotlists",
    }

    # 发起请求
    try:
        response = requests.post(url=url, data=data, headers=headers)
    except Exception as e:
        print(e) 
        time.sleep(3) 
        response = requests.post(url=url, data=data, headers=headers)

    # 解析获取数据
    school_data = json.loads(response.text)['data']['item']

    # 学校名
    school_name = [i.get('name') for i in school_data]
    # 隶属部门
    belong = [i.get('belong') for i in school_data]
    # 高校层次
    dual_class_name = [i.get('dual_class_name') for i in school_data]
    # 是否985
    f985 = [i.get('f985') for i in school_data]
    # 是否211
    f211 = [i.get('f211') for i in school_data]
    # 办学类型
    level_name = [i.get('level_name') for i in school_data]
    # 院校类型
    type_name = [i.get('type_name') for i in school_data]
    # 是否公办
    nature_name = [i.get('nature_name') for i in school_data]
    # 人气值
    view_total = [i.get('view_total') for i in school_data]
    # 省份
    province_name = [i.get('province_name') for i in school_data]
    # 城市
    city_name = [i.get('city_name') for i in school_data]
    # 区域
    county_name = [i.get('county_name') for i in school_data]

    # 保存数据
    df_one = pd.DataFrame({
        'school_name': school_name,
        'belong': belong,
        'dual_class_name': dual_class_name,
        'f985': f985,
        'f211': f211,
        'level_name': level_name,
        'type_name': type_name,
        'nature_name': nature_name,
        'view_total': view_total,
        'province_name': province_name,
        'city_name': city_name,
        'county_name': county_name,
    })

    return df_one


# 获取多页
def get_all_page(all_page_num):
    # 存储表
    df_all = pd.DataFrame()

    # 循环页数
    for i in range(all_page_num):
        # 打印进度
        print(f'正在获取第{i + 1}页的高校信息')
        # 调用函数
        df_one = get_one_page(page_num=i+1)
        # 追加
        df_all = df_all.append(df_one, ignore_index=True)
        # 随机休眠
        time.sleep(np.random.uniform(2))

    return df_all

if __name__ == '__main__':
    # 运行函数
    df = get_all_page(all_page_num=148)

通过上述程序，共获取到2904条数据，数据预览如下：