彭于晏這種就是虛肌肉蚪腋，就是吃各種蛋白質(zhì)增肌丰歌。看上去很結(jié)實屉凯，其實沒卵用立帖。打個比方就是我和他單挑，過不了五秒悠砚，他就會跪在我面前掐著我的人中求我不要死晓勇。
╭(●｀?′●)╯╰(●’?’●)╮

嘿嘿嘿

0 第一步先把冰箱門打開：

很急稼稿，不解釋了，快上車讳窟！

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
% matplotlib inline

from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 指定默認字體
mpl.rcParams['axes.unicode_minus'] # 正常顯示負號

import warnings
warnings.filterwarnings('ignore')

1 先總體看下大家的身高分布

運動員身高分布

圖中兩條輔助線說明女性運動員的平均身高170.0，男性平均身高180.8（//▽//）敞恋，下面像梳子一樣的短細線代表了數(shù)據(jù)分布頻率丽啡。這張圖用到了seaborn繪制密度圖，方法是sns.distplot()硬猫。輔助線和注釋用來展示平均水平（plt.axvline补箍，plt.annotate）。分享一下實現(xiàn)這張運動員身高分布圖的代碼：

# 讀取數(shù)據(jù)
import os
os.chdir(r'..\Desktop\python_project6')
data01 = pd.read_excel('奧運運動員數(shù)據(jù).xlsx',sheetname='運動員信息',header = 0)
#print(data01.head())

# ①制作分布密度圖
data_female = data01[data01['gender'] == '女']
data_male = data01[data01['gender'] == '男']

# 設置風格及大小
sns.set_style("ticks")
plt.figure(figsize = (10,6)) 
# 女性運動員
sns.distplot(data_female['height'],
             rug = True, rug_kws = {'color':'yellowgreen'},
             kde_kws={'color': 'yellowgreen', 'lw': 2, 'label': 'female_height','linestyle':'--'},
             hist_kws={'alpha': 0},
             vertical = False  
             )
#男性運動員
sns.distplot(data_male['height'],
             rug = True, rug_kws = {'color':'gold','height':0.1},
             kde_kws={'color': 'gold', 'lw': 2, 'label': 'female_height','linestyle':'--'},
             hist_kws={'alpha': 0},
             vertical = False  
             )

# ②計算出男女平均身高啸蜜，并繪制輔助線表示
data_Mean_byGender = data01.groupby('gender').mean()
#print(data_Mean_byGender)

female_height_mean = data_Mean_byGender.loc['女']['height']
male_height_mean = data_Mean_byGender.loc['男']['height']

# 繪制輔助線
plt.axvline(female_height_mean,linestyle = ':',color = 'yellowgreen',alpha = 0.9)
plt.axvline(male_height_mean,linestyle = ':',color = 'gold',alpha = 0.9)
# 添加注釋
plt.annotate('female_height_mean: %.1f cm'%female_height_mean,xy=(female_height_mean+1,0.01),color='yellowgreen')
plt.annotate('male_height_mean: %.1f cm'%male_height_mean,xy=(male_height_mean+1,0.005),color='gold')
# 其他設置
plt.xlim([120,260])  # x軸邊界
plt.ylim([0,0.03])   # y軸邊界
plt.grid(True, linestyle = '--',color = 'gray', linewidth = '1',alpha = 0.2) # 添加網(wǎng)格
plt.title( "Athlete's height") # 添加標題坑雅，標題本身含有單引號，故此處字符串用雙引號

2 身材可不止身高這一個維度啊

身材好不好衬横，光看照片還真比不出來裹粤，要用數(shù)據(jù)說話~
我們今天用這幾個指標比身材：

(1) 體質(zhì)指數(shù) BMI (Body Mass Index)
(2) 腿身比 LBR (Leg-to-Body Ratio)
(3) 臂長/身長
(4) 年齡

關(guān)鍵詞1：身高體重指數(shù) BMI

BMI快速查詢表

關(guān)鍵詞2：腿身比 LBR
腿身比是腿長與身高的比值矮锈。這里我們只選取小于0.7的數(shù)據(jù)霉翔，在這個范圍內(nèi)越大越好。

關(guān)鍵詞3：臂長比身長
高于平均水平的臂長在籃球苞笨，拳擊债朵，擊劍和游泳等運動中是有利的。所以臂長與身長的比值也將作為一項重要指標瀑凝，這里我們只選取大于0.7的數(shù)據(jù)葱弟，比值越接近1越好。

關(guān)鍵詞4：年齡
這 有 什 么 好 解 釋 的２碌ぁ芝加！年齡越小越好！射窒！ ╥﹏╥

快來看看結(jié)果：

BMI等各種指標

身材Top8的運動員

蹬蹬蹬蹬藏杖！想不到吧！脉顿！上面這幾個人才是數(shù)據(jù)選出來的好身材~
第一名不僅身材好蝌麸，還是擊劍冠軍，還會唱歌艾疟！我要pick這位小哥了来吩！(..??_??..)

施嘉洛

算了還是先分享下代碼：

# 整理數(shù)據(jù)：刪除缺失值及不合理的數(shù)據(jù)
data02 = data[['name','birthday','height','weight','arm','leg']]
data02.dropna(inplace=True)  # 刪除缺失值
data02.drop([202],axis=0,inplace=True) # 原表中“曹緣”出現(xiàn)兩次，除年齡列外無任何不同蔽莱，故刪掉一行
#print(data02.head())

# 通過出生日期計算年齡
#（原表age列存在空值弟疆，同時也有可能不是今年統(tǒng)計的年齡數(shù)據(jù)，故采用birthday列先求年齡）
import datetime
days = datetime.datetime.today() - data02['birthday']
age = []
for i in days:
    age.append(round(i.days/365)) # round()四舍五入
data02['age'] = age
data02['BMI'] = data02['weight'] / ((data02['height']/100)**2)
data02['leg/height'] = data02['leg'] / data02['height']
data02['arm/height'] = data02['arm'] / data02['height']
data02 = data02[data02['leg/height'] <0.7] # leg/height只選取小于0.7的數(shù)據(jù)
data02 = data02[data02['arm/height'] >0.7] # arm/height只選取大于0.7的數(shù)據(jù)

# 計算標準化得分
# 年齡越小得分越高
data02['age_n'] = (data02['age'].max() - data02['age']) / (data02['age'].max() - data02['age'].min())

# BMI值越接近22得分越高
data02['BMI_score'] = np.abs(data02['BMI']-22)
data02['BMI_n'] = (data02['BMI_score'].max() - data02['BMI_score']) / (data02['BMI_score'].max() - data02['BMI_score'].min())

# leg/height比值只選取小于0.7的數(shù)據(jù)盗冷，越大分數(shù)越高
data02['leg/height_n'] = (data02['leg/height'] - data02['leg/height'].min()) / (data02['leg/height'].max() - data02['leg/height'].min())

# arm/height比值只選取大于0.7的數(shù)據(jù)怠苔，比值越接近1分數(shù)越高
data02['arm/height_score'] = np.abs(data02['arm/height']-1)
data02['arm/height_n'] = (data02['arm/height_score'].max() - data02['arm/height_score']) / (data02['arm/height_score'].max() - data02['arm/height_score'].min())

# 計算最終得分,并按照最終得分排序
data02['final_score'] = (data02['age_n']+data02['BMI_n']+data02['leg/height_n']+data02['arm/height_n']) / 4
data02.sort_values('final_score',ascending = False,inplace = True)
data02.reset_index(inplace=True)

# ①針對不同指標，繪制面積堆疊圖

# 面積圖
data02[['age_n','BMI_n','leg/height_n','arm/height_n']].plot.area(colormap = 'PuRd',alpha = 0.6,figsize=(16,8))
plt.xlim([0,len(data02)])  # x軸邊界
plt.ylim([0,4])   # y軸邊界
plt.grid(True, linestyle = '--',color = 'gray', linewidth = '1',alpha = 0.5) # 添加網(wǎng)格
plt.legend(loc='upper right')
plt.title( "Athlete's Infomation")

# ②TOP8的運動員仪糖，繪制雷達圖表示
data02_top = data02[['name','index','age_n','BMI_n','leg/height_n','arm/height_n','final_score']][:8]
data_ranking = data02_top.T

fig = plt.figure(figsize=(16,10))
dataLenth = 4 # 4個方面
labels = ['BMI','腿長/身高','臂長/身高','年齡'] # 4個方面對應的標簽

for i in range(1,9):
    axi = fig.add_subplot(2,4,i,polar=True)
    datai = list(data_ranking[i-1].loc[['BMI_n','leg/height_n','arm/height_n','age_n']])
    angles = np.linspace(0, 2*np.pi, dataLenth, endpoint=False) # 設置雷達圖的角度柑司，用于平分切開一個圓面
    datai = np.concatenate((datai, [datai[0]])) # 為了使雷達圖一圈封閉起來
    angles = np.concatenate((angles, [angles[0]])) # 為了使雷達圖一圈封閉起來

    plt.polar(angles,datai,'o-',linewidth=1,c ='purple',alpha=i*0.1) # 繪制極坐標系子圖
    plt.fill(angles,datai,c ='mediumvioletred',alpha =(9-i)*0.1)# 填充
    plt.thetagrids(angles * 180/np.pi, labels) # 設置網(wǎng)格、標簽
    plt.title('Top%i %s：%.3f\n'%(i,data02_top.loc[i-1]['name'],data02_top.loc[i-1]['final_score'])) # 設置標題
    plt.ylim(0,1.2)  # 設置坐標軸范圍

3 后面害有一丟丟瓜可以吃

整天看各大博主扒運動員和明星們之間各種CP大戲锅劝，娜娜醬也忍不住想用數(shù)據(jù)研究下他們各種CP熱度~（源數(shù)據(jù)是微博數(shù)量攒驰、微博CP話題閱讀量、B站CP視頻播放量故爵。需要用python預處理一下玻粪，再導入Gephi中查看他們之間的關(guān)系網(wǎng)絡。）

CP關(guān)系網(wǎng)絡

等等，我好像看到了什么了不得的東西…

謝霆鋒和林丹組CP了奶段？饥瓷！

嗯？這是什么瓜痹籍，我怎么沒見過

瘋狂撒狗糧的一組

最后悄悄分享一下預處理的代碼：

#分析CP綜合熱度呢铆，通過python處理數(shù)據(jù)并導出，在Gephi中繪制圖表

# 數(shù)據(jù)預處理
import os
os.chdir(r'..\Desktop\python_project6')
data03 = pd.read_excel('奧運運動員數(shù)據(jù).xlsx',sheetname='運動員CP熱度',header = 0)
#print(data03.head())

# 整理數(shù)據(jù)：缺失值替換為0蹲缠，同一組CP數(shù)據(jù)相加
data03.replace(np.nan,'無數(shù)據(jù)',inplace = True)
data03.replace('無數(shù)據(jù)',0,inplace = True)
        
# 計算標準化得分
data03['weibo_n'] = (data03['cp微博數(shù)量']-data03['cp微博數(shù)量'].min()) / (data03['cp微博數(shù)量'].max()-data03['cp微博數(shù)量'].min())
data03['weiboTopic_n'] = (data03['cp微博話題閱讀量']-data03['cp微博話題閱讀量'].min()) / (data03['cp微博話題閱讀量'].max()-data03['cp微博話題閱讀量'].min())
data03['BiliBili_n'] = (data03['B站cp視頻播放量']-data03['B站cp視頻播放量'].min()) / (data03['B站cp視頻播放量'].max()-data03['B站cp視頻播放量'].min())

# 計算最終得分,并按照最終得分排序
data03['final_score'] = data03['weibo_n']*0.5 + data03['weiboTopic_n']*0.3 + data03['BiliBili_n']*0.2
data03.sort_values('final_score',ascending = False,inplace = True)
data03.reset_index(inplace=True)

# 導出excel
result = data03[['p1','p2','final_score']]
writer = pd.ExcelWriter('運動員CP熱度.xlsx')
result.to_excel(writer,'sheet1')
writer.save()

今天也是八卦滿滿的一天９卓恕！
也許你還想看看：數(shù)據(jù)分析线定，從入門到放棄

(:3[▓▓] 溜了溜了娜谊。
謝謝您閱讀，請勿轉(zhuǎn)載斤讥。