2024 年高教社杯全国大学生数学建模竞赛 C 题 农作物的种植策略（可视化代码）

import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from scipy.stats import kurtosis, skew import os # 读取Excel文件 filename = 'data\附件2-2清洗整理后数据.xlsx' data = pd.read_excel(filename) # 配置中文字体显示问题 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 提取相关数据列 crop_names = data['作物名称'] # 作物名称 yield_per_acre = data['亩产量/斤'] # 亩产量/斤 cost_per_acre = data['种植成本/(元/亩)'] # 种植成本/(元/亩) price_per_kg = data['销售单价/(元/斤)'] # 销售单价/(元/斤) # 设置seaborn样式 # 关闭 seaborn 的默认字体设置 sns.set(style="whitegrid", font_scale=1.2, rc={"font.sans-serif": ['SimHei'], "axes.unicode_minus": False}) # --- 1. 数据可视化 --- # 保存图片的文件夹 output_dir = 'fig' if not os.path.exists(output_dir): os.makedirs(output_dir) # 1.1 绘制直方图（数据分布） plt.figure(figsize=(15, 15)) plt.subplot(3,1,1) plt.hist(yield_per_acre, bins=30, color='skyblue', edgecolor='black') plt.title('亩产量分布', fontsize=14) plt.xlabel('亩产量（斤）') plt.ylabel('频率') plt.subplot(3,1,2) plt.hist(cost_per_acre, bins=30, color='lightgreen', edgecolor='black') plt.title('种植成本分布', fontsize=14) plt.xlabel('种植成本（元/亩）') plt.ylabel('频率') plt.subplot(3,1,3) plt.hist(price_per_kg, bins=30, color='lightcoral', edgecolor='black') plt.title('销售单价分布', fontsize=14) plt.xlabel('销售单价（元/斤）') plt.ylabel('频率') plt.tight_layout() plt.savefig(os.path.join(output_dir, 'histograms.png')) # 保存直方图 plt.show() # 1.2 绘制箱型图（展示数据的集中趋势和离群点） plt.figure(figsize=(10, 12)) plt.subplot(3,1,1) sns.boxplot(yield_per_acre, color='skyblue') plt.title('亩产量箱型图', fontsize=14) plt.ylabel('亩产量（斤）') plt.subplot(3,1,2) sns.boxplot(cost_per_acre, color='lightgreen') plt.title('种植成本箱型图', fontsize=14) plt.ylabel('种植成本（元/亩）') plt.subplot(3,1,3) sns.boxplot(price_per_kg, color='lightcoral') plt.title('销售单价箱型图', fontsize=14) plt.ylabel('销售单价（元/斤）') plt.tight_layout() plt.savefig(os.path.join(output_dir, 'boxplots.png')) # 保存箱型图 plt.show() # 1.3 绘制散点图（展示变量之间的相关性） plt.figure(figsize=(12, 12)) plt.subplot(2,2,1) plt.scatter(yield_per_acre, cost_per_acre, color='skyblue') plt.title('亩产量 vs 种植成本', fontsize=14) plt.xlabel('亩产量（斤）') plt.ylabel('种植成本（元/亩）') plt.subplot(2,2,2) plt.scatter(yield_per_acre, price_per_kg, color='lightgreen') plt.title('亩产量 vs 销售单价', fontsize=14) plt.xlabel('亩产量（斤）') plt.ylabel('销售单价（元/斤）') plt.subplot(2,2,3) plt.scatter(cost_per_acre, price_per_kg, color='lightcoral') plt.title('种植成本 vs 销售单价', fontsize=14) plt.xlabel('种植成本（元/亩）') plt.ylabel('销售单价（元/斤）') plt.tight_layout() plt.savefig(os.path.join(output_dir, 'scatterplots.png')) # 保存散点图 plt.show() # --- 2. 描述性分析 --- # 计算均值, 中位数, 标准差, 峰度, 偏度 desc_stats = { '亩产量': { '均值': np.mean(yield_per_acre), '中位数': np.median(yield_per_acre), '标准差': np.std(yield_per_acre), '峰度': kurtosis(yield_per_acre), '偏度': skew(yield_per_acre) }, '种植成本': { '均值': np.mean(cost_per_acre), '中位数': np.median(cost_per_acre), '标准差': np.std(cost_per_acre), '峰度': kurtosis(cost_per_acre), '偏度': skew(cost_per_acre) }, '销售单价': { '均值': np.mean(price_per_kg), '中位数': np.median(price_per_kg), '标准差': np.std(price_per_kg), '峰度': kurtosis(price_per_kg), '偏度': skew(price_per_kg) } } # 打印描述性统计结果 print('--- 描述性分析 ---') for key, stats in desc_stats.items(): print(f'{key}: 均值={stats["均值"]:.2f}, 中位数={stats["中位数"]:.2f}, 标准差={stats["标准差"]:.2f}, ' f'峰度={stats["峰度"]:.2f}, 偏度={stats["偏度"]:.2f}') # --- 3. 相关性分析 --- # 计算相关系数 correlations = { '亩产量与种植成本': yield_per_acre.corr(cost_per_acre), '亩产量与销售单价': yield_per_acre.corr(price_per_kg), '种植成本与销售单价': cost_per_acre.corr(price_per_kg) } # 打印相关性分析结果 print('--- 相关性分析 ---') for key, corr in correlations.items(): print(f'{key}的相关系数: {corr:.2f}') # 创建 DataFrame df = pd.DataFrame({ '作物名称': crop_names, '亩产量': yield_per_acre, '种植成本': cost_per_acre, '销售单价': price_per_kg }) # 绘制成对关系图 sns.pairplot(df[['亩产量', '种植成本', '销售单价']], diag_kind='kde', plot_kws={'alpha':0.6}) plt.suptitle('成对关系图', y=1.0, fontsize=16, fontweight='bold') plt.savefig(os.path.join(output_dir, 'pairplot.png')) # 保存图像到fig文件夹 plt.show() # 计算相关系数矩阵 correlation_matrix = df[['亩产量', '种植成本', '销售单价']].corr() # 绘制热力图 plt.figure(figsize=(8, 6)) sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', center=0, linewidths=0.5, fmt='.2f') plt.title('变量相关性热力图', fontsize=16, fontweight='bold') plt.savefig(os.path.join(output_dir, 'correlation_heatmap.png')) # 保存图像到fig文件夹 plt.show() import seaborn as sns import matplotlib.pyplot as plt # 绘制累积密度图 plt.figure(figsize=(10, 6)) sns.ecdfplot(yield_per_acre, label='亩产量', color='skyblue') sns.ecdfplot(cost_per_acre, label='种植成本', color='lightgreen') sns.ecdfplot(price_per_kg, label='销售单价', color='lightcoral') plt.title('累积密度图', fontsize=16, fontweight='bold') plt.xlabel('值') plt.ylabel('累积概率') plt.legend() plt.grid(True, linestyle='--', alpha=0.6) plt.savefig(os.path.join(output_dir, 'cdf_plots.png')) # 保存图像到fig文件夹 plt.show() # 绘制对比图 plt.figure(figsize=(15, 10)) # 直方图 plt.subplot(2, 3, 1) plt.hist(yield_per_acre, bins=30, color='skyblue', edgecolor='black') plt.title('亩产量直方图') plt.xlabel('亩产量（斤）') plt.ylabel('频率') plt.subplot(2, 3, 2) plt.hist(cost_per_acre, bins=30, color='lightgreen', edgecolor='black') plt.title('种植成本直方图') plt.xlabel('种植成本（元/亩）') plt.ylabel('频率') plt.subplot(2, 3, 3) plt.hist(price_per_kg, bins=30, color='lightcoral', edgecolor='black') plt.title('销售单价直方图') plt.xlabel('销售单价（元/斤）') plt.ylabel('频率') # 箱型图 plt.subplot(2, 3, 4) sns.boxplot(yield_per_acre, color='skyblue') plt.title('亩产量箱型图') plt.ylabel('亩产量（斤）') plt.subplot(2, 3, 5) sns.boxplot(cost_per_acre, color='lightgreen') plt.title('种植成本箱型图') plt.ylabel('种植成本（元/亩）') plt.subplot(2, 3, 6) sns.boxplot(price_per_kg, color='lightcoral') plt.title('销售单价箱型图') plt.ylabel('销售单价（元/斤）') plt.tight_layout() plt.savefig(os.path.join(output_dir, 'histogram_boxplot_comparison.png')) # 保存图像到fig文件夹 plt.show()