python动态柱状图图表可视化：历年软科中国大学排行

本来想参照：https://mp.weixin.qq.com/s/e7Wd7aEatcLFGgJUDkg-EQ搞一个往年编程语言动态图的，奈何找不到数据，有数据来源的欢迎在评论区留言。

这里找到了一个，是2020年6月的编程语言排行，供大家看一下：https://www.tiobe.com/tiobe-index/

我们要实现的效果是：

大学排名来源：http://www.zuihaodaxue.com/ARWU2003.html

部分截图：

在http://www.zuihaodaxue.com/ARWU2003.html中的年份可以选择，我们解析的页面就有了：

"http://www.zuihaodaxue.com/ARWU%s.html" % str(year)

初步获取页面的html信息的代码：

def get_one_page(year):

    try:

        headers = {

                'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36'

            }

        url = "http://www.zuihaodaxue.com/ARWU%s.html" % str(year)

        response=requests.get(url,headers=headers)

        if response.status_code == 200:

            return response.content

    except RequestException:

        print('爬取失败')

我们在页面上进行检查：

数据是存储在表格中的，这样我们就可以利用pandas获取html中的数据，基本语法：

tb = pd.read_html(url)[num]

其中的num是标识网页中的第几个表格，这里只有一个表格，所以标识为0。初步的解析代码就有了：

def parse_on_page(html,i):

    tb=pd.read_html(html)[0]

    return tb

我们还要将爬取下来的数据存储到csv文件中，基本代码如下：

def save_csv(tb):

    start_time=time.time()

    tb.to_csv(r'university.csv', mode='a', encoding='utf_8_sig', header=True, index=0)

    endtime = time.time()-start_time

    print('程序运行了%.2f秒' %endtime)

最后是一个主函数，别忘了还有需要导入的包：

import requests

from requests.exceptions import RequestException

import pandas as pd

import time

def main(year):

    for i in range(2003,year):

        html=get_one_page(i)

        tb=parse_on_page(html,i)

        #print(tb)

        save_csv(tb)

if __name__ == "__main__":

    main(2004)

运行之后，我们在同级目录下就可以看到university.csv，部分内容如下：

存在两个问题：

（1）缺少年份

（2）最后一列没有用

（3）国家由于是图片表示，没有爬取下来

（4）排名100以后的是一个区间

我们接下来一一解决：

（1）删掉没用的列

def parse_on_page(html,i):

    tb=pd.read_html(html)[0]

    # 重命名表格列，不需要的列用数字表示

    tb.columns = ['world rank','university', 2, 'score',4]

    tb.drop([2,4],axis=1,inplace=True)

    return tb

新的结果：

（2）对100以后的进行唯一化，增加一列index作为排名标识

tb['index_rank'] = tb.index

tb['index_rank'] = tb['index_rank'].astype(int) + 1

（3）新增加年份

tb['year'] = i

（4）新增加国家

首先我们进行检查：

发现国家在td->a>img下的图像路径中有名字：UnitedStates。我们可以取出src属性，并用正则匹配名字即可。

def get_country(html):

    soup = BeautifulSoup(html,'lxml')

    countries = soup.select('td > a > img')

    lst = []

    for i in countries:

        src = i['src']

        pattern = re.compile('flag.*\/(.*?).png')

        country = re.findall(pattern,src)[0]

        lst.append(country)

    return lst

然后这么使用：

# read_html没有爬取country，需定义函数单独爬取

tb['country'] = get_country(html)

最终解析的整体函数如下：

def parse_on_page(html,i):

    tb=pd.read_html(html)[0]

    # 重命名表格列，不需要的列用数字表示

    tb.columns = ['world rank','university', 2, 'score',4]

    tb.drop([2,4],axis=1,inplace=True)

    tb['index_rank'] = tb.index

    tb['index_rank'] = tb['index_rank'].astype(int) + 1

    tb['year'] = i

    # read_html没有爬取country，需定义函数单独爬取

    tb['country'] = get_country(html)

    return tb

运行之后：

最后我们要提取属于中国部分的相关信息：

首先将年份改一下，获取到2019年为止的信息：

if __name__ == "__main__":

    main(2019)

然后我们提取到中国高校的信息，直接看代码理解：

def analysis():

    df = pd.read_csv('university.csv')

    # 包含港澳台

    # df = df.query("(country == 'China')|(country == 'China-hk')|(country == 'China-tw')|(country == 'China-HongKong')|(country == 'China-Taiwan')|(country == 'Taiwan,China')|(country == 'HongKong,China')")[['university','year','index_rank']]

    # 只包括内地

    df = df.query("(country == 'China')")

    df['index_rank_score'] = df['index_rank']

    # 将index_rank列转为整形

    df['index_rank'] = df['index_rank'].astype(int)

    # 美国

    # df = df.query("(country == 'UnitedStates')|(country == 'USA')")

    #求topn名

    def topn(df):

        top = df.sort_values(['year','index_rank'],ascending = True)

        return top[:20].reset_index()

    df = df.groupby(by =['year']).apply(topn)

    # 更改列顺序

    df = df[['university','index_rank_score','index_rank','year']]

    # 重命名列

    df.rename (columns = {'university':'name','index_rank_score':'type','index_rank':'value','year':'date'},inplace = True)

    # 输出结果

    df.to_csv('university_ranking.csv',mode ='w',encoding='utf_8_sig', header=True, index=False)

    # index可以设置

本来是想爬取从2003年到2019年的，运行时发现从2005年开始，页面不一样了，多了一列：

方便起见，我们就只从2005年开始了，还需要修改一下代码：

    # 重命名表格列，不需要的列用数字表示

    tb.columns = ['world rank','university', 2,3, 'score',5]

    tb.drop([2,3,5],axis=1,inplace=True)

最后是整体代码：

import requests

from requests.exceptions import RequestException

import pandas as pd

import time

from bs4 import BeautifulSoup

import re

def get_one_page(year):

    try:

        headers = {

                'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36'

            }

        url = "http://www.zuihaodaxue.com/ARWU%s.html" % str(year)

        response=requests.get(url,headers=headers)

        if response.status_code == 200:

            return response.content

    except RequestException:

        print('爬取失败')

def parse_on_page(html,i):

    tb=pd.read_html(html)[0]

    # 重命名表格列，不需要的列用数字表示

    tb.columns = ['world rank','university', 2,3, 'score',5]

    tb.drop([2,3,5],axis=1,inplace=True)

    tb['index_rank'] = tb.index

    tb['index_rank'] = tb['index_rank'].astype(int) + 1

    tb['year'] = i

    # read_html没有爬取country，需定义函数单独爬取

    tb['country'] = get_country(html)

    return tb

def save_csv(tb):

    start_time=time.time()

    tb.to_csv(r'university.csv', mode='a', encoding='utf_8_sig', header=True, index=0)

    endtime = time.time()-start_time

    print('程序运行了%.2f秒' %endtime)

# 提取国家名称

def get_country(html):

    soup = BeautifulSoup(html,'lxml')

    countries = soup.select('td > a > img')

    lst = []

    for i in countries:

        src = i['src']

        pattern = re.compile('flag.*\/(.*?).png')

        country = re.findall(pattern,src)[0]

        lst.append(country)

    return lst

def analysis():

    df = pd.read_csv('university.csv')

    # 包含港澳台

    # df = df.query("(country == 'China')|(country == 'China-hk')|(country == 'China-tw')|(country == 'China-HongKong')|(country == 'China-Taiwan')|(country == 'Taiwan,China')|(country == 'HongKong,China')")[['university','year','index_rank']]

    # 只包括内地

    df = df.query("(country == 'China')")

    df['index_rank_score'] = df['index_rank']

    # 将index_rank列转为整形

    df['index_rank'] = df['index_rank'].astype(int)

    # 美国

    # df = df.query("(country == 'UnitedStates')|(country == 'USA')")

    #求topn名

    def topn(df):

        top = df.sort_values(['year','index_rank'],ascending = True)

        return top[:20].reset_index()

    df = df.groupby(by =['year']).apply(topn)

    # 更改列顺序

    df = df[['university','index_rank_score','index_rank','year']]

    # 重命名列

    df.rename (columns = {'university':'name','index_rank_score':'type','index_rank':'value','year':'date'},inplace = True)

    # 输出结果

    df.to_csv('university_ranking.csv',mode ='w',encoding='utf_8_sig', header=True, index=False)

    # index可以设置

def main(year):

    for i in range(2005,year):

        html=get_one_page(i)

        tb=parse_on_page(html,i)

        save_csv(tb)

        print(i,'年排名提取完成完成')

        analysis()

if __name__ == "__main__":

    main(2019)

运行之后会有一个university_ranking.csv，部分内容如下：

接下来就是可视化过程了。

1、首先，到作者的github主页：
https://github.com/Jannchie/Historical-ranking-data-visualization-based-on-d3.js

2、克隆仓库文件，使用git

# 克隆项目仓库

git clone https://github.com/Jannchie/Historical-ranking-data-visualization-based-on-d3.js

# 切换到项目根目录

cd Historical-ranking-data-visualization-based-on-d3.js

# 安装依赖

npm install

这里如果git clone超时可参考：

https://www.cnblogs.com/xiximayou/p/12305209.html

需要注意的是，这里的npm是我之前装node.js装了的，没有的自己需要装以下。

在执行npm install时会报错：

先执行：

npm init

之后一直回车即可：

再执行npm install

任意浏览器打开bargraph.html网页，点击选择文件，然后选择前面输出的university_ranking.csv文件，看下效果：

只能制作动图上传了。

可以看到，有了大致的可视化效果，但还存在很多瑕疵，比如：表顺序颠倒了、字体不合适、配色太花哨等。可不可以修改呢？

当然是可以的，只需要分别修改文件夹中这几个文件的参数就可以了：

config.js 全局设置各项功能的开关，比如配色、字体、文字名称、反转图表等等功能；
color.css 修改柱形图的配色；
stylesheet.css 具体修改配色、字体、文字名称等的css样式；
visual.js 更进一步的修改，比如图表的透明度等。

知道在哪里修改了以后，那么，如何修改呢？很简单，只需要简单的几步就可以实现：

打开网页，右键-检查，箭头指向想要修改的元素，然后在右侧的css样式表里，双击各项参数修改参数，修改完元素就会发生变化，可以不断微调，直至满意为止。

把参数复制到四个文件中对应的文件里并保存。
Git Bash运行npm run build，之后刷新网页就可以看到优化后的效果。（我发现这一步其实不需要，而且会报错，我直接修改config.js之后运行也成功了）

这里我主要修改的是config.js的以下项：

  // 倒序，使得最短的条位于最上方

  reverse: true,

  // 附加信息内容。

  // left label

  itemLabel: "本年度第一大学",

  // right label

  typeLabel: "世界排名",

  //为了避免名称重叠

  item_x: ,

  // 时间标签坐标。建议x：1000 y：-50开始尝试，默认位置为x:null,y:null

  dateLabel_x: ,

  dateLabel_y: -,

最终效果：

至此，就全部完成了。

看起来简单，还是得要自己动手才行。

巴特西

python动态柱状图图表可视化：历年软科中国大学排行

最新文章

热门文章