基于Python的数据分析实践：从数学建模竞赛获奖名单挖掘高校实力分布-编程实验室

1. 项目缘起：一次“非典型”的数据分析实践

去年年底，我在整理硬盘时，偶然翻到了一个尘封已久的压缩包，里面是2020年“华为杯”第十七届中国研究生数学建模竞赛的获奖名单。这份数据，当年比赛结束后，我只是粗略地扫了一眼，确认了本校队伍的成绩便没再深究。但这次重新打开，看着那密密麻麻的Excel表格，一个念头突然冒了出来：除了看个名次，这份数据还能告诉我们什么？它背后是否隐藏着一些关于竞赛格局、高校实力分布乃至题目难易度的有趣信息？

这并非一个严格意义上的学术研究项目，更像是一次基于好奇心的数据探索。没有预设的复杂模型，也没有宏大的分析目标。我的初衷很简单：用最基础的统计学方法和可视化工具，像“解谜”一样，去挖掘这份公开数据中那些被忽略的细节。对于参加过数模竞赛的同学，这可能是一次复盘和共鸣；对于准备参赛的同学，这或许能提供一些关于竞争态势的直观感受；而对于数据爱好者，这就是一个绝佳的、干净的、结构化的真实数据集，可以用来练手。

整个分析过程，我主要使用了Python的Pandas进行数据清洗与统计，Matplotlib和Seaborn进行可视化。下面，我就把这次探索的完整过程、发现的有趣结论，以及过程中踩过的坑和心得，毫无保留地分享出来。

2. 数据初探与清洗：从原始名单到结构化数据

拿到原始数据（通常是一份包含“获奖等级”、“参赛单位”、“队员姓名”、“指导教师”等列的Excel或PDF名单），第一步永远是“看”和“理”。

2.1 原始数据的“坑”与处理

这份名单的数据质量其实相当高，毕竟是官方发布的。但为了后续分析，仍需进行标准化处理。主要问题集中在“参赛单位”这一列。

名称不统一：同一个学校可能有多种表述。例如，“北京大学”和“北京大学（校本部）”，“武汉大学”和“武汉大学（主校区）”。这会导致在按学校统计时，同一个实体被拆分成多个。
二级单位混杂：很多名单会详细到学院，如“华中科技大学计算机科学与技术学院”。如果我们想分析学校层面的整体实力，就需要将其归并到“华中科技大学”。

我的处理策略是：

建立学校名称映射表：手动（对于几百所高校，写个小脚本半自动更高效）整理一个字典，将各种变体映射到标准名称。这是最耗时但最关键的一步，保证了统计口径的一致。
提取一级单位：对于包含学院的名称，使用简单的字符串匹配或正则表达式，提取出学校名。例如，用规则匹配“XX大学”或“XX学院”之前的文本。

# 示例：简单的名称清洗函数（实际处理更复杂） def clean_school_name(name): # 去除括号及括号内内容（如“（校本部）”） name = re.sub(r'（.*?）', '', name) name = re.sub(r'\(.*?\)', '', name) # 映射常见别名 name_mapping = { '北大': '北京大学', '清华': '清华大学', '华中科大': '华中科技大学', # ... 更多映射 } return name_mapping.get(name, name) # 提取一级单位（假设学院名在学校名之后，用空格或特殊字符分隔） def get_first_level_unit(full_name): # 这是一个简化的示例，实际情况需要根据数据特点调整 for university in ['大学', '学院']: if university in full_name: # 找到第一个“大学”或“学院”的位置，并取到该词为止 idx = full_name.find(university) if idx != -1: return full_name[:idx+2] # 包含“大学”或“学院”二字 return full_name # 如果未匹配，返回原名称

注意：数据清洗没有银弹。尤其是中文机构名处理，必须结合数据实际情况反复检查和修正。我建议清洗后，对获奖数量前50的学校进行人工复核，确保万无一失。

2.2 关键字段的构建

清洗完单位名称后，我构建了几个核心字段用于后续分析：

获奖等级编码：将“一等奖”、“二等奖”、“三等奖”、“成功参赛奖”分别编码为数值（如4,3,2,1）或保留有序类别，便于加权计算。
学校类型标识：根据学校名称，判断其是否为“双一流”建设高校、原“985工程”高校、原“211工程”高校等。这部分数据需要外部知识库（我手动整理了一份列表）进行匹配。
区域划分：根据学校所在地，划分到华北、华东、华中、华南、西南、西北、东北等区域。

至此，我们得到了一份干净的结构化数据框（DataFrame），每一行代表一支获奖队伍，包含标准化后的学校、区域、获奖等级、学校类型等信息。真正的探索可以开始了。

3. 整体获奖格局透视：一等奖都去了哪儿？

首先，我们来俯瞰一下整体的获奖分布。2020年研赛共有来自全国500多所高校和科研院所的约5万支队伍参赛。我们分析的重点是获奖名单，这大约涵盖了前40%的队伍（一、二、三等奖及部分成功参赛奖）。

3.1 获奖等级分布

计算各等级获奖数量及占比，这是最基础的描述统计。结果通常符合预期：三等奖数量最多，二等奖次之，一等奖最少，呈金字塔结构。但有趣的是，可以计算一下“一等奖获奖率”（一等奖数量/获奖总数），这个比例可以粗略反映当年竞赛的“头部竞争”激烈程度。2020年的这个数字，与前后年份对比，或许能看出题目难度或评审尺度的微妙变化。

3.2 一等奖的院校集中度分析

这是第一个洞察点。我们统计所有一等奖队伍的学校分布。

计算Top N院校占比：计算获得一等奖数量最多的前10名、前20名院校，其一等奖总数占全国一等奖总数的比例。这个比例非常高。以2020年数据为例，一等奖的集中度非常显著，排名前20的院校囊括了超过60%的一等奖。这直观地表明，顶尖奖项的竞争主要在少数顶尖高校之间进行。
绘制一等奖院校排行榜：用柱状图展示一等奖数量Top 20的院校。不出所料，榜单前列清一色是传统的理工科强校和顶尖综合性大学，如清华大学、浙江大学、上海交通大学、华中科技大学、武汉大学等。

一个关键发现：在这个榜单中，除了第一梯队的顶尖高校，我还注意到一些非“顶尖985”但表现异常突出的高校。例如，国防科技大学、解放军理工大学（现陆军工程大学）等军队院校，以及一些特色鲜明的行业类高校（如中国石油大学、哈尔滨工程大学），它们的一等奖数量甚至超过了不少综合排名更高的985高校。这提示我们，在数学建模这项侧重解决实际工程、科学问题的竞赛中，学校的学科特色、对学生数理基础和工程实践能力的培养模式，可能比单纯的“综合排名”更具影响力。

4. 院校竞争力深度评估：不仅仅是数奖牌

如果只看一等奖数量，就像奥运金牌榜，虽然直接但略显片面。为了更全面地评估各院校的竞争力，我引入了两个量化指标：

4.1 “获奖积分”与院校排行榜

我设计了一个简单的“获奖积分”制度，为不同奖项赋予权重：

一等奖：5分
二等奖：3分
三等奖：1分
成功参赛奖：0.5分（若数据中包含）

每支队伍为其所在学校贡献相应的积分。将所有队伍积分按学校汇总，就得到了每个学校的“总获奖积分”。这个指标综合考虑了获奖的数量和质量。

制作“总获奖积分榜”Top 30，并与纯一等奖榜进行对比。变化出现了：

一些一等奖数量不多，但二、三等奖数量庞大的“巨无霸”型高校（例如部分省内学生基数大的重点大学），排名大幅上升。这反映了其深厚的参与基础和整体较强的实力。
少数“精英型”高校，虽然一等奖摘金能力很强，但可能因为参赛队伍总数相对较少，在总积分榜上的位置略有下滑。

这个榜单更能反映一所学校在该赛事上的整体实力和厚度。

4.2 “获奖效率”与“投入产出比”

总积分高，可能只是因为参赛队伍多。那么，如果考虑“投入”呢？虽然我们无法精确知道每个学校具体派出了多少支队伍，但我们可以用“获奖数量”来近似替代“产出”，并引入“获奖效率”的概念。

一个合理的代理指标是：一等奖数量 / 该校获奖总数。这个比值越高，说明该校获奖队伍中，摘得最高荣誉的比例越大，可能意味着其顶尖队伍的选拔和培养更有效率，或者其优势队伍的实力断层领先。

计算这个“一等奖效率比”并排序，会发现一些有趣的现象：

一些顶尖高校（如清华、北大、上交、复旦）的这个比值通常很高，维持在15%-25%的区间，这符合其生源和师资的顶尖水平。
而之前提到的某些军队院校和行业特色高校，这个比值可能异常突出，甚至超过部分顶尖高校。这强烈暗示，这些学校在数学建模竞赛上，采取了高度聚焦、资源倾斜的培养模式，其王牌队伍的实力极强，成功率极高。
相反，一些总积分榜上的“巨无霸”高校，这个比值可能相对较低。这说明其获奖主要依靠庞大的基数，在培养顶尖拔尖队伍方面还有提升空间。

实操心得：这种多维度交叉分析的价值就在于此。它避免了单一指标的片面性，帮助我们勾勒出更立体的院校画像：谁是“全能王”（总积分高），谁是“尖刀班”（一等奖效率高），谁是“集团军”（获奖总量大）。对于备赛学生来说，了解自己学校在哪个维度有优势，有助于找准定位和策略。

5. 区域对比与“地理”特征

将学校按所属区域分组，我们可以从地理维度观察竞赛版图。

5.1 各区域获奖总量与质量分布

计算华北、华东、华中、华南、西南、西北、东北七大区域的获奖总积分、一等奖数量。毫无悬念，华东地区（江浙沪鲁皖赣闽）和华北地区（京津冀晋蒙）是绝对的强势区域，两者合计贡献了超过全国一半的获奖积分和一等奖。这与其高等教育资源密集、经济发达、高水平大学数量多的现状完全吻合。

华中地区（鄂湘豫）紧随其后，表现强劲，尤其是湖北省（武大、华科等）堪称中流砥柱。相比之下，西南、西北、东北地区的总量份额较小，但区域内均有表现亮眼的“领头羊”高校。

5.2 区域内部分析与“校均产出”

更有趣的是看区域内部。我们引入“校均一等奖数”或“校均获奖积分”指标。即用该区域的总一等奖数（或总积分）除以该区域内拥有获奖记录的学校数量。

华东、华北虽然总量大，但由于区域内参赛高校数量也极多（从985到普通省属高校），其“校均产出”可能并不是最高。
华中地区，特别是湖北省，可能呈现出“总量可观，且校均强度高”的特点，说明该地区高校整体在该赛事上竞争力普遍较强。
某些总量不大的区域，其“校均产出”指标可能反而不错，这说明该地区少数重点高校在该赛事上投入大、表现专注，形成了区域内的“高地”。

这个分析对于观察高等教育资源的均衡性，以及不同地区对特定类型学科竞赛的重视程度，提供了一个微小的侧面参考。

6. 题目选择倾向性分析（如果数据支持）

这是一个更进阶的分析方向，依赖于更细粒度的数据。理想的原始数据应该包含每支队伍选择的赛题（A、B、C、D、E、F）。如果能有这部分信息，分析将极具价值。

我们可以分析：

不同层次高校的选题偏好：顶尖高校是否更倾向于选择理论性强、前沿性的题目（如A题）？而工程见长的高校是否更偏爱数据量大、需要编程实现的题目（如B/C题）？这可以反映不同学校培养方向的侧重。
题目难度与获奖等级关系：统计选择各题目的队伍中，获得一、二、三等奖的比例。理论上，如果所有题目评审尺度一致，这个比例应该相近。如果某个题目的一等奖比例显著偏低，可能意味着该题目当年难度较大或竞争更激烈；反之，则可能相对容易或“性价比”高。
“题目-学校”关联挖掘：计算每个学校在不同题目上的获奖积分或一等奖数量。你可能会发现一些学校在特定类型的题目上具有传统优势，形成了“品牌效应”。例如，某校在“优化类”赛题上历年表现强势，这可能源于其运筹学学科的深厚底蕴。

踩坑提醒：这部分分析高度依赖数据完整性。如果原始名单未包含选题信息，则无法进行。我在本次分析中，因数据所限未能深入。但如果你能找到带选题的数据，这将是挖掘深度洞察的富矿。处理时需注意，有些队伍可能因未获奖而未出现在名单中，这会导致选题样本有偏，分析结论需谨慎外推。

7. 可视化呈现：让数据自己说话

数据分析的最终成果需要直观的呈现。我使用了以下几种可视化方式：

横向柱状图（条形图）：用于展示院校一等奖排行榜、总积分排行榜。清晰直观，适合排名比较。
中国地图热力图：将各省（或各区域）的总获奖积分或一等奖数量映射到地图上，用颜色深浅表示强弱。可以瞬间把握全国范围内的实力分布格局。Python的pyecharts或geopandas库可以很好地实现。
堆叠柱状图：展示Top 20院校内部一、二、三等奖的构成比例。既能看总量，又能看质量结构。
散点图：以“获奖总数”为X轴，“一等奖数量”为Y轴，每个点代表一所学校。可以添加一条趋势线，观察整体相关性。同时，可以按“学校类型”（如985/211/其他）给点着色，观察不同类型学校的分布规律。那些远离趋势线、位于左上角（一等奖多但总数不多）的点，就是我们要找的“效率王者”。

8. 分析局限与心得反思

最后，必须坦诚这次“业余分析”的局限性：

数据层面：我们只有获奖名单，缺乏未获奖队伍信息、每支队伍的具体得分、选题信息、队员专业背景等。这限制了许多更深度的分析（如准确计算获奖率、分析专业影响等）。
指标设计：“获奖积分”的权重分配是主观的。虽然符合常识，但改变权重可能会导致排名微调。
因果推断：我们观察到的是相关性，而非因果性。一所学校获奖多，是源于生源好、师资强、培训体系完善，还是单纯因为重视并组织了更多队伍参赛？无法从本数据中得出确凿结论。

尽管如此，这次探索的价值是毋庸置疑的：

对于参赛者：你可以清晰地看到自己所处学校在全国版图中的位置，是冲击最高奖的“种子选手”，还是依靠整体实力“稳中求进”？这有助于制定合理的参赛目标。你也能看到哪些学校是你的主要竞争对手。
对于组织者与教练：可以借鉴表现优异院校的分布特征和结构，反思自身的培训选拔机制。例如，是否在培养“尖子队”上力度不够？是否在选题策略上可以更有针对性？
对于数据爱好者：这是一个干净、有明确业务背景的数据集，非常适合练习数据清洗、多维分析和可视化。你可以复现我的分析，也可以尝试提出自己的新问题、新指标。

对我个人而言，最大的收获是重新认识到，即使面对一份看似简单的名单数据，只要提出正确的问题，并耐心地进行多维度、多指标的交叉审视，依然能挖掘出超越表面排名的、丰富的、具有启发性的信息。数据分析的魅力，不在于工具的复杂，而在于思维的深度。下次如果你手头也有一份类似的竞赛成绩单，不妨也试试看，或许会有意想不到的发现。