python动态柱状图图表可视化：历年软科中国大学排行

Posted 2020-12-12 西西嘛呦

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：

存在几个问题：

（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，没有的自己需要装一下。

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: 500,
  // 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: 1000,
  dateLabel_y: -50,

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。