提供低价网站建设,驾校网站开发计划书,企业建筑网站有哪些类型有哪些,有做教育行业的招聘网站吗目录
针对大学名称 大学排名, 综合指数,学校情况等数据进行爬取
找对应得数据包
请求发现数据有加密
发现加密参数
搜索加密参数#xff0c;好进行分析
分析过程
数据可视化 针对大学名称 大学排名, 综合指数,学校情况等数据进行爬取
首先进行鼠标右键#xff0c;进行…
目录
针对大学名称 大学排名, 综合指数,学校情况等数据进行爬取
找对应得数据包
请求发现数据有加密
发现加密参数
搜索加密参数好进行分析
分析过程
数据可视化 针对大学名称 大学排名, 综合指数,学校情况等数据进行爬取
首先进行鼠标右键进行数据抓包 找对应得数据包 请求发现数据有加密 发现加密参数 搜索加密参数好进行分析 分析过程 In [2]:
!pip install jsonpath
Collecting jsonpathDownloading jsonpath-0.82.2.tar.gz (10 kB)Preparing metadata (setup.py) ... done
Building wheels for collected packages: jsonpathBuilding wheel for jsonpath (setup.py) ... doneCreated wheel for jsonpath: filenamejsonpath-0.82.2-py3-none-any.whl size6724 sha2563db960d7ff6f0bb132346f0e72e00349a7f6156100fc98c35ffda5cee786b2bfStored in directory: /home/mw/.cache/pip/wheels/2c/2a/fa/87e26ec807b9a21dd0464eb1319cc3ad51b0c9e505fe6b7396
Successfully built jsonpath
Installing collected packages: jsonpath
Successfully installed jsonpath-0.82.2import requests
import json
import hashlib
import jsonpath
import pandas as pd
for i in range(1, 2):data {keyword:,provincenames:[],naturetypes:[],edulevel:,categories:[],features:[],pageindex:%s,pagesize:20,sort:11}9sasji5owng41irkisvtjhlxhmrysrp1 % imd5 hashlib.md5(data.encode())# md5.update(content.encode(utf-8))sign md5.hexdigest()print(sign)headers {Accept: */*,Accept-Language: zh-CN,zh;q0.9,en;q0.8,Connection: keep-alive,Content-Type: application/json,Origin: https://pv4y-pc.youzy.cn,Referer: https://pv4y-pc.youzy.cn/,Sec-Fetch-Dest: empty,Sec-Fetch-Mode: cors,Sec-Fetch-Site: same-site,User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36,sec-ch-ua: \Not_A Brand\;v\8\, \Chromium\;v\120\, \Google Chrome\;v\120\,sec-ch-ua-mobile: ?0,sec-ch-ua-platform: \Windows\,u-sign: sign,u-token: }url https://uwf7de983aad7a717eb.youzy.cn/youzy.dms.basiclib.api.college.querydata {keyword:,provinceNames:[],natureTypes:[],eduLevel:,categories:[],features:[],pageIndex:i,pageSize:20,sort:11}data json.dumps(data, separators(,, :))response requests.post(url, headersheaders, datadata).json()# print(resps)# 学校名称data_name jsonpath.jsonpath(response, $..cnName)print(data_name)# 学校类型data_shape jsonpath.jsonpath(response, $..categories)# 综合指数data_comScore jsonpath.jsonpath(response, $..comScore)# 是不是本科data_eduLevel jsonpath.jsonpath(response, $..eduLevel)# 学校情况data_features jsonpath.jsonpath(response, $..features)# 排名data_ranking jsonpath.jsonpath(response, $..ranking)# 热度data_hits jsonpath.jsonpath(response, $..hits)# 部门data_belong jsonpath.jsonpath(response, $..belong)data {学校名称: data_name, 学校类型: data_shape, 综合指数: data_comScore, 学历: data_eduLevel,学校情况: data_features, 排名: data_ranking, 热度: data_hits,部门: data_belong}df pd.DataFrame(pd.DataFrame.from_dict(data, orientindex).values.T, columnslist(data.keys()))print(df)# df.to_csv(中国院校统计.csv,indexFalse)643ff9499febb3ee34c95ffe0bb29cb0
[清华大学, 北京大学, 北京大学医学部, 中国科学院大学, 复旦大学, 复旦大学上海医学院, 上海交通大学, 上海交通大学医学院, 中国科学技术大学, 中国人民大学, 中国人民大学(苏州校区), 浙江大学, 浙江大学医学院, 南京大学, 北京航空航天大学, 北京航空航天大学中法航空学院, 武汉大学, 同济大学, 南开大学, 中国人民解放军国防科技大学]学校名称 学校类型 综合指数 学历 学校情况 排名 热度 \
0 清华大学 [综合] 93.59 ben [985, 211, 国重点, 保研, 双一流] 1 1378946
1 北京大学 [综合] 92.13 ben [985, 211, 国重点, 保研, 双一流] 2 2155577
2 北京大学医学部 [医药] 92.13 ben [985, 211, 国重点, 保研, 双一流] 2 439830
3 中国科学院大学 [综合] 79.95 ben [国重点, 保研, 双一流] 3 474549
4 复旦大学 [综合] 83.73 ben [985, 211, 国重点, 保研, 双一流] 4 1091717
5 复旦大学上海医学院 [医药] 83.73 ben [985, 211, 国重点, 保研, 双一流] 4 321950
6 上海交通大学 [综合] 84.72 ben [985, 211, 国重点, 保研, 双一流] 5 934308
7 上海交通大学医学院 [医药] 84.72 ben [985, 211, 国重点, 保研, 双一流] 5 306197
8 中国科学技术大学 [综合] 79.59 ben [985, 211, 国重点, 保研, 双一流] 6 540224
9 中国人民大学 [综合] 79.92 ben [985, 211, 保研, 国重点, 双一流] 7 895950
10 中国人民大学(苏州校区) [综合] 79.92 ben [985, 211, 保研, 双一流] 7 448989
11 浙江大学 [综合] 86.16 ben [985, 211, 国重点, 保研, 双一流] 8 1102871
12 浙江大学医学院 [医药] 86.16 ben [985, 211, 国重点, 双一流] 8 298237
13 南京大学 [综合] 80.51 ben [985, 211, 国重点, 保研, 双一流] 9 1068208
14 北京航空航天大学 [理工] 77.19 ben [985, 211, 保研, 双一流] 10 668746
15 北京航空航天大学中法航空学院 [] 77.19 ben [] 10 11630
16 武汉大学 [综合] 79.82 ben [985, 211, 国重点, 保研, 双一流] 11 1167221
17 同济大学 [综合] 77.02 ben [985, 211, 国重点, 保研, 双一流] 12 694969
18 南开大学 [综合] 76.11 ben [985, 211, 国重点, 保研, 双一流] 13 725994
19 中国人民解放军国防科技大学 [军事] 73.59 ben [985, 211, 国重点, 双一流] 14 717849 部门
0 教育部
1 教育部
2 教育部
3 中科院
4 教育部
5 教育部
6 教育部
7 教育部
8 中科院
9 教育部
10 教育部
11 教育部
12 浙江大学
13 教育部
14 工信部
15
16 教育部
17 教育部
18 教育部
19 中国共产党中央军事委员会 数据可视化
In [29]:
import pandas as pd
datapd.read_csv(/home/mw/input/yuanxiao7383/中国院校统计.csv)
dataOut[29]:
学校名称学校类型综合指数学历学校情况排名热度部门0清华大学[综合]93.59ben[985, 211, 国重点, 保研, 双一流]11377703教育部1北京大学[综合]92.13ben[985, 211, 国重点, 保研, 双一流]22155049教育部2北京大学医学部[医药]92.13ben[985, 211, 国重点, 保研, 双一流]2439644教育部3中国科学院大学[综合]79.95ben[国重点, 保研, 双一流]3474239中科院4复旦大学[综合]83.73ben[985, 211, 国重点, 保研, 双一流]41091254教育部5复旦大学上海医学院[医药]83.73ben[985, 211, 国重点, 保研, 双一流]4321828教育部6上海交通大学[综合]84.72ben[985, 211, 国重点, 保研, 双一流]5933901教育部7上海交通大学医学院[医药]84.72ben[985, 211, 国重点, 保研, 双一流]5306102教育部8中国科学技术大学[综合]79.59ben[985, 211, 国重点, 保研, 双一流]6539918中科院9中国人民大学[综合]79.92ben[985, 211, 保研, 国重点, 双一流]7895604教育部10中国人民大学(苏州校区)[综合]79.92ben[985, 211, 保研, 双一流]7448698教育部11浙江大学[综合]86.16ben[985, 211, 国重点, 保研, 双一流]81102369教育部12浙江大学医学院[医药]86.16ben[985, 211, 国重点, 双一流]8298159浙江大学13南京大学[综合]80.51ben[985, 211, 国重点, 保研, 双一流]91067571教育部14北京航空航天大学[理工]77.19ben[985, 211, 保研, 双一流]10668359工信部15北京航空航天大学中法航空学院[]77.19ben[]1011509NaN16武汉大学[综合]79.82ben[985, 211, 国重点, 保研, 双一流]111166705教育部17同济大学[综合]77.02ben[985, 211, 国重点, 保研, 双一流]12694605教育部18南开大学[综合]76.11ben[985, 211, 国重点, 保研, 双一流]13725646教育部19中国人民解放军国防科技大学[军事]73.59ben[985, 211, 国重点, 双一流]14717346中国共产党中央军事委员会20北京理工大学[理工]74.96ben[985, 211, 保研, 双一流]15669865工信部21北京师范大学[师范]76.59ben[985, 211, 保研, 国重点, 双一流]16698563教育部22北京师范大学(珠海校区)[综合]76.59ben[985, 211, 国重点, 保研, 双一流]16282745教育部23哈尔滨工业大学[理工]76.45ben[985, 211, 国重点, 保研, 双一流]17724788工信部24哈尔滨工业大学(威海)[理工]76.45ben[985, 211, 国重点, 保研, 双一流]17506924工信部25哈尔滨工业大学(深圳)[理工]76.45ben[985, 211, 国重点, 保研, 双一流]17253199工信部26西安交通大学[综合]77.40ben[985, 211, 国重点, 保研, 双一流]18879613教育部27东南大学[综合]76.03ben[985, 211, 国重点, 保研, 双一流]19776147教育部28东南大学医学院[医药]76.03ben[985, 211, 国重点, 保研, 双一流]19161457教育部29华中科技大学[综合]77.98ben[985, 211, 国重点, 保研, 双一流]201055994教育部...........................1570阜阳职业技术学院[理工]0.00zhuan[]027130省政府1571湖南信息职业技术学院[理工]0.00zhuan[省重点]032456省政府1572秦皇岛职业技术学院[理工]0.00zhuan[]090203省政府1573浙江纺织服装职业技术学院[理工]0.00zhuan[省属]024877省政府1574广东农工商职业技术学院[综合]0.00zhuan[省属]030821省政府1575江西旅游商贸职业学院[财经]0.00zhuan[省重点]026661省政府1576唐山职业技术学院[综合]0.00zhuan[省属]041608省政府1577沈阳航空职业技术学院[理工]0.00zhuan[省重点]027589省政府1578七台河职业学院[综合]0.00zhuan[省属]019431省政府1579甘肃有色冶金职业技术学院[理工]0.00zhuan[省属]019093省政府1580宁夏职业技术学院[综合]0.00zhuan[省属]027452自治区政府1581内蒙古警察职业学院[政法]0.00zhuan[省属]026005自治区政府1582天津海运职业学院[综合]0.00zhuan[省重点]047443市政府1583广东工贸职业技术学院[理工]0.00zhuan[省属]033165省政府1584湘潭医卫职业技术学院[医药]0.00zhuan[省属]033889省政府1585黑龙江建筑职业技术学院[理工]0.00zhuan[省属]032713省政府1586温州职业技术学院[综合]0.00zhuan[]037202省政府1587浙江东方职业技术学院[综合]0.00zhuan[]025348省教育厅1588辽宁建筑职业学院[理工]0.00zhuan[省属]034613省政府1589邢台医学高等专科学校[医药]0.00zhuan[]056330省政府1590铁岭师范高等专科学校[师范]0.00zhuan[省属]032921省政府1591广西水利电力职业技术学院[理工]0.00zhuan[]025498自治区政府1592武汉外语外事职业学院[综合]0.00zhuan[]024622省教育厅1593福建信息职业技术学院[理工]0.00zhuan[省属]024146省政府1594平顶山工业职业技术学院[理工]0.00zhuan[省属]027876省政府1595广东省外语艺术职业学院[艺术]0.00zhuan[省属]039208省政府1596长沙航空职业技术学院[理工]0.00zhuan[省重点]0112407空军装备部1597桂林师范高等专科学校[师范]0.00zhuan[]026748自治区政府1598山东商务职业学院[综合]0.00zhuan[省属]043707省政府1599延边职业技术学院[理工]0.00zhuan[]023005省政府 In [30]:
data.info()class pandas.core.frame.DataFrame
RangeIndex: 1600 entries, 0 to 1599
Data columns (total 8 columns):
学校名称 1600 non-null object
学校类型 1600 non-null object
综合指数 1600 non-null float64
学历 1600 non-null object
学校情况 1600 non-null object
排名 1600 non-null int64
热度 1600 non-null int64
部门 1588 non-null object
dtypes: float64(1), int64(2), object(5)
memory usage: 100.1 KB
In [31]:
import jieba
# jieba.load_userdict(addwords.txt)
title_cut []
for i in data.学校情况:j jieba.lcut(i)title_cut.append(j)
Building prefix dict from the default dictionary ...
Dumping model to file cache /tmp/jieba.cache
Loading model cost 0.971 seconds.
Prefix dict has been built succesfully.
In [32]:
cut_words jieba.lcut(str(data[学校情况].values), cut_all False)In [33]:
file_path open(r/home/mw/input/data8378/stopwords.txt,encodingutf-8)
stop_words file_path.read()
In [34]:
# 新建一个空列表用于存储删除停用词后的数据
new_data []
for word in cut_words:if word not in stop_words:new_data.append(word)
print(new_data)
[[, , [, , 985, , , 211, , , 国, 重点, , , 保研, , , 双, 一流, , ], , , [, , 985, , , 211, , , 国, 重点, , , 保研, , , 双, 一流, , ], , , [, , 985, , , 211, , , 国, 重点, , , 保研, , , 双, 一流, , ], , ..., , [, ], , , [, , 省属, , ], , , [, ], , ]]In [35]:
from nltk import FreqDist
freq_list FreqDist(new_data)
# 返回词语列表
most_common_words freq_list.most_common()
print(most_common_words)
[(, 36), (, 8), ([, 7), (], 7), (985, 3), (211, 3), (国, 3), (重点, 3), (保研, 3), (双, 3), (一流, 3), (..., 1), (省属, 1)]In [36]:
from pyecharts import options as opts
from pyecharts.charts import Page, WordCloud
from pyecharts.globals import SymbolType
def wordcloud_base() - WordCloud:c (WordCloud().add(, most_common_words, word_size_range[20, 100]).set_global_opts(title_optsopts.TitleOpts(title美团标题标签可视化)))return cwd wordcloud_base()
wd.render_notebook()
Out[36]: In [25]:
import numpy as np
data[综合指数] data[综合指数].astype(np.int64)
data.info()
class pandas.core.frame.DataFrame
RangeIndex: 1600 entries, 0 to 1599
Data columns (total 8 columns):
学校名称 1600 non-null object
学校类型 1600 non-null object
综合指数 1600 non-null int64
学历 1600 non-null object
学校情况 1600 non-null object
排名 1600 non-null int64
热度 1600 non-null int64
部门 1588 non-null object
dtypes: int64(3), object(5)
memory usage: 100.1 KB
In [26]:
data[学校类型]data[学校类型].apply(lambda x: x.replace([, ).replace(], ))
data[学校类型]
Out[26]:
0 综合
1 综合
2 医药
3 综合
4 综合
5 医药
6 综合
7 医药
8 综合
9 综合
10 综合
11 综合
12 医药
13 综合
14 理工
15
16 综合
17 综合
18 综合
19 军事
20 理工
21 师范
22 综合
23 理工
24 理工
25 理工
26 综合
27 综合
28 医药
29 综合...
1570 理工
1571 理工
1572 理工
1573 理工
1574 综合
1575 财经
1576 综合
1577 理工
1578 综合
1579 理工
1580 综合
1581 政法
1582 综合
1583 理工
1584 医药
1585 理工
1586 综合
1587 综合
1588 理工
1589 医药
1590 师范
1591 理工
1592 综合
1593 理工
1594 理工
1595 艺术
1596 理工
1597 师范
1598 综合
1599 理工
Name: 学校类型, Length: 1600, dtype: object In [27]:
# 查看缺失值
data.isnull().any()
Out[27]:
学校名称 False
学校类型 False
综合指数 False
学历 False
学校情况 False
排名 False
热度 False
部门 True
dtype: bool
In [28]:
# 查看数据结构
data.describe()
Out[28]:
综合指数排名热度count1600.0000001600.0000001.600000e03mean47.107500477.6768751.650321e05std25.032106406.0796761.851948e05min0.0000000.0000002.730000e0325%55.00000043.7500005.205350e0450%57.000000435.5000009.286500e0475%60.000000835.2500002.108105e05max93.0000001235.0000002.155049e06 In [10]:
data2 data.groupby(学校名称)[综合指数].agg([mean, median])
data2
Out[10]:
meanmedian学校名称七台河职业学院00三亚中瑞酒店管理职业学院00三亚学院5555三峡大学6262三峡大学科技学院5757三明学院5858三江学院5656三门峡社会管理职业学院00三门峡职业技术学院00上海中侨职业技术大学5555上海中医药大学6565上海交通大学8484上海交通大学医学院8484上海体育大学6464上海健康医学院5959上海公安学院00上海兴伟学院5656上海商学院6060上海外国语大学6868上海外国语大学贤达经济人文学院5555上海大学7171上海对外经贸大学6565上海工程技术大学6161上海师范大学6565上海师范大学天华学院5656上海应用技术大学6161上海建桥学院5555上海思博职业技术学院00上海戏剧学院6565上海政法学院6464.........黄冈师范学院5959黄冈职业技术学院00黄山学院5959黄河交通学院5757黄河科技学院5656黄淮学院5757黎明职业大学00黑河学院5656黑龙江东方学院5555黑龙江中医药大学6060黑龙江八一农垦大学5858黑龙江外国语学院5555黑龙江大学6262黑龙江工业学院5757黑龙江工商学院5555黑龙江工程学院5858黑龙江工程学院昆仑旅游学院5555黑龙江建筑职业技术学院00黑龙江科技大学5959黑龙江财经学院5555黔南民族师范学院5757齐鲁医药学院5757齐鲁工业大学6060齐鲁师范学院5959齐鲁理工学院5555齐齐哈尔医学院5858齐齐哈尔大学5858齐齐哈尔工程学院5454齐齐哈尔高等师范专科学校00龙岩学院5858
1600 rows × 2 columns In [11]:
data_branddata2.sort_values(bymedian, ascendingTrue).tail(10)
data_brand
Out[11]:
meanmedian学校名称南京大学8080复旦大学上海医学院8383复旦大学8383上海交通大学8484上海交通大学医学院8484浙江大学8686浙江大学医学院8686北京大学医学部9292北京大学9292清华大学9393 In [12]:
from pyecharts.charts import Bar
from pyecharts import options as opts
bar (Bar().add_xaxis(list(data_brand.index)).add_yaxis(,[int(i) for i in(round(data_brand[median]))]).set_global_opts(title_optsopts.TitleOpts(title中国大学综合指数概况, subtitle中位数),xaxis_optsopts.AxisOpts(name_rotate0,name综合指数,axislabel_opts{rotate:60})))
bar.render_notebook()
Out[12]: In [13]:
data3 data.groupby(学校名称)[热度].agg([mean, median])
data3Out[13]:
meanmedian学校名称七台河职业学院1943119431三亚中瑞酒店管理职业学院2175521755三亚学院104658104658三峡大学501787501787三峡大学科技学院8998589985三明学院9871298712三江学院101231101231三门峡社会管理职业学院2069220692三门峡职业技术学院3756137561上海中侨职业技术大学5780257802上海中医药大学214334214334上海交通大学933901933901上海交通大学医学院306102306102上海体育大学7623376233上海健康医学院115812115812上海公安学院106291106291上海兴伟学院3353233532上海商学院155186155186上海外国语大学302454302454上海外国语大学贤达经济人文学院9233192331上海大学607608607608上海对外经贸大学243112243112上海工程技术大学224267224267上海师范大学407476407476上海师范大学天华学院7667476674上海应用技术大学291811291811上海建桥学院188996188996上海思博职业技术学院3344733447上海戏剧学院116150116150上海政法学院219194219194.........黄冈师范学院104892104892黄冈职业技术学院4299742997黄山学院6055060550黄河交通学院6036760367黄河科技学院9614696146黄淮学院152150152150黎明职业大学3218632186黑河学院6955569555黑龙江东方学院5041750417黑龙江中医药大学169616169616黑龙江八一农垦大学125798125798黑龙江外国语学院4922949229黑龙江大学344645344645黑龙江工业学院121327121327黑龙江工商学院4207142071黑龙江工程学院117734117734黑龙江工程学院昆仑旅游学院3410434104黑龙江建筑职业技术学院3271332713黑龙江科技大学238421238421黑龙江财经学院5588155881黔南民族师范学院5521455214齐鲁医药学院121623121623齐鲁工业大学329048329048齐鲁师范学院134712134712齐鲁理工学院9949399493齐齐哈尔医学院120487120487齐齐哈尔大学164782164782齐齐哈尔工程学院4797147971齐齐哈尔高等师范专科学校2889728897龙岩学院8067780677 In [14]:
data_linedata3.sort_values(bymedian, ascendingTrue).tail(10)
data_line
Out[14]:
meanmedian学校名称四川大学10188811018881苏州大学10540401054040华中科技大学10559941055994南京大学10675711067571复旦大学10912541091254浙江大学11023691102369吉林大学11139041113904武汉大学11667051166705清华大学13777031377703北京大学21550492155049 In [15]:
from pyecharts.charts import Line
line (Line().add_xaxis(list(data_line.index)).add_yaxis(,[int(i) for i in(round(data_line[mean]))]).set_global_opts(title_optsopts.TitleOpts(title中国大学热度概况top10, subtitle平均),xaxis_optsopts.AxisOpts(name_rotate0,name热度,axislabel_opts{rotate:60})))
line.render_notebook()
Out[15]: In [16]:
data[部门].unique()Out[16]: array([教育部, 中科院, 浙江大学, 工信部, nan, 中国共产党中央军事委员会, 公安部, 社科院,中国人民解放军海军, 市政府, 省政府, 国民委, 中国人民解放军陆军, 国卫委, 统战部,中国人民解放军空军, 交通运输部, 国体局, 省教育厅, 自治区政府, 海关总署,交通运输部中国民用航空局, 新疆生产建设兵团, 中华妇女联合会, 中华全国总工会, 市教委,河南省体育局, 应管部, 地震局, 自治区教育厅, 香港特别行政区教育局, 澳门特别行政区政府,中华人民共和国澳门特别行政区高等教育局, 中国人民解放军火箭军, 香港特别行政区政府教育局, 香港特别行政区政府,上海市 中国科学院, 中国人民武装警察部队总部, 国家军委, 外交部, 解放军战略支援部队航天系统部,中国人民解放军战略支援部队, 共青团, 中国澳门特区政府, 中央办公厅, 司法部, 中国人民武装警察部队,中国人民武装警察部队政治部, 解放军成都军区, 中央军委联合参谋部, 中国人民解放军空军总部,中国共产党中央军事委员会政治工作部, 解放军兰州军区, 香港特别行政区政府高等教育署, 中国人民解放军,解放军总参谋部, 澳门特别行政区社会文化司, 空军装备部], dtypeobject) In [17]:
from collections import Counter
# 使用 Counter 统计元素出现次数
counts Counter(data[部门])# 使用 sorted() 函数对出现次数进行降序排序
sorted_counts sorted(counts.items(), keylambda x: x[1], reverseTrue)# 打印结果
for element, count in sorted_counts:print(element, count) 省政府 780
省教育厅 386
教育部 95
市政府 89
自治区政府 80
市教委 38
自治区教育厅 21
nan 12
工信部 9
中国人民解放军陆军 8
香港特别行政区教育局 7
国民委 6
公安部 5
中国人民解放军空军 5
中国人民解放军海军 4
新疆生产建设兵团 3
中国人民武装警察部队 3
解放军总参谋部 3
中科院 2
统战部 2
交通运输部中国民用航空局 2
应管部 2
香港特别行政区政府 2
中国人民武装警察部队总部 2
浙江大学 1
中国共产党中央军事委员会 1
社科院 1
国卫委 1
交通运输部 1
国体局 1
海关总署 1
中华妇女联合会 1
中华全国总工会 1
河南省体育局 1
地震局 1
澳门特别行政区政府 1
中华人民共和国澳门特别行政区高等教育局 1
中国人民解放军火箭军 1
香港特别行政区政府教育局 1
上海市 中国科学院 1
国家军委 1
外交部 1
解放军战略支援部队航天系统部 1
中国人民解放军战略支援部队 1
共青团 1
中国澳门特区政府 1
中央办公厅 1
司法部 1
中国人民武装警察部队政治部 1
解放军成都军区 1
中央军委联合参谋部 1
中国人民解放军空军总部 1
中国共产党中央军事委员会政治工作部 1
解放军兰州军区 1
香港特别行政区政府高等教育署 1
中国人民解放军 1
澳门特别行政区社会文化司 1
空军装备部 1 In [19]:
from pyecharts import options as opts
from pyecharts.charts import Radar
# 数据
data [{value: [780, 386, 95, 89, 80, 38], name: 实际值},{value: [1000, 1000, 1000, 1000, 1000, 1000], name: 目标值}
]# 指示器名称
indicator [{name: 省政府, max: 1000},{name: 省教育厅, max: 1000},{name: 教育部, max: 1000},{name: 自治区政府, max: 1000},{name: 市教委, max: 1000},{name: 自治区教育厅, max: 1000},
]# 绘图
radar (Radar().set_global_opts(title_optsopts.TitleOpts(title中国院校部门雷达图)).add_schema(schemaindicator).add(数据, data, label_optsopts.LabelOpts(is_showFalse))
)# 展示
radar.render_notebook()
Out[19]:
