2022宁夏杯B题思路分析+代码（大学生就业问题分析）
2022寧夏杯B題完整題目：
鏈接：https://pan.baidu.com/s/1aClw5k-Ux-17rckTIRWrdg?pwd=1234
提取碼：1234
文章目錄
- 一、題目
- 二、數據預處理
- 三、第一問
- 1、方法一：繪制圖形
- 2、方法二：多元線性回歸
- 3、方法三：多因素方差分析
- 4、方法四：決策樹
- 四、第二問
- 1、回歸關系
- 2、薪水預測
- 五、第三問
一、題目
大學生就業問題一直是社會關注的焦點。據此前教育部新聞發布會通報， 2022 屆高校畢業生規模達 1076 萬人，首次突破 1000 萬人，規模和增量均創下 了歷史新高。同時受市場環境和疫情等因素的影響，就業壓力較大。大學生就業 呈現出哪些特征和趨勢呢？在眾多就業的學生中，是什么樣的因素決定了部分學 生在眾多的競爭中獲得了薪水不同的工作？這些因素可能包括大學的成績、本身 的技能、大學與工業中心的接近程度、擁有的專業化程度、特定行業的市場條件等。 據悉，印度共有 6214 所工程和技術院校，其中約有 290 萬名學生。每年平 均有 150 萬學生獲得工程學學位，但由于缺乏從事技術工作所需的技能，只有不 到 20% 的 學 生 在 其 核 心 領 域 找 到 工 作 。 附 件 （https://www.datafountain.cn/datasets/4955）給出了印度工程類專業畢業生就業的工資水平和各因素情況表。
根據附件數據結合其他資料研究：
(1) 分析影響高校工程類專業畢業生就業的主要因素。
(2) 根據附件一建立模型，刻畫工程類專業畢業生薪水和各因素的關系。
(3) 根據以上的分析，對我國高校工程類專業學生培養是否有一定的啟迪？ 如果有，請為你所在的高校寫一份咨詢建議。
| ID | 用于識別候選人的唯一ID |
| 薪金 | 向候選人提供的年度CTC（以INR為單位） |
| 性別 | 候選人的性別 |
| DOB | 候選人的出生日期 |
| 10％ | 在10年級考試中獲得的總成績 |
| 10board | 10年級時遵循其課程的校務委員會 |
| 12畢業 | 畢業年份-高中 |
| 12％ | 在12年級考試中獲得的總成績 |
| 12board | 候選人遵循其課程的校務委員會 |
| CollegeID | 唯一ID，用于標識候選人為其大學就讀的大學/學院 |
| CollegeTier | 每所大學都被標注為1或2。標注是根據該學院/大學學生獲得的平均AMCAT分數計算得出的。平均分數高于閾值的大學被標記為1，其他被標記為2。 |
| 學位 | 候選人獲得/追求的學位 |
| 專業化 | 候選人追求的專業化 |
| CollegeGPA | 畢業時的GPA總計 |
| CollegeCityID | 唯一的ID，用于標識學院所在的城市。 |
| CollegeCityTier | 學院所在城市的層。這是根據城市人口進行注釋的。 |
| CollegeState | 學院所在州的名稱 |
| 畢業年份 | 畢業年份（學士學位） |
| 英語 | AMCAT英語部分中的分數 |
| 邏輯 | 在AMCAT邏輯能力部分中得分 |
| 數量 | 在AMCAT的“定量能力”部分中得分 |
| 域 | AMCAT域模塊中的分數 |
| ComputerProgramming | AMCAT的“計算機編程”部分中的得分 |
| ElectronicsAndSemicon | AMCAT的“電子和半導體工程”部分得分 |
| 計算機科學 | 在AMCAT的“計算機科學”部分中得分 |
| MechanicalEngg | AMCAT機械工程部分中的得分 |
| ElectricalEngg | AMCAT的電氣工程部分中的得分 |
| TelecomEngg | AMCAT的“電信工程”部分中的得分 |
| CivilEngg | AMCAT的“土木工程”部分中的得分 |
| 盡職調查 | AMCAT人格測驗之一的分數 |
| 一致性 | AMCAT人格測驗之一的分數 |
| 外向性 | AMCAT人格測驗之一的分數 |
| 營養療法 | AMCAT人格測驗之一的分數 |
| 開放性到經驗 | 分數在AMCAT的個性測試的部分之一 |
二、數據預處理
- 目標變量：Salary（薪資）。
- 自變量（特征變量）：除了Salary之外的其他變量。
描述性統計：可以看到每一列數據的數量，均值，最大最小值等信息
查看是否有缺失值：
data.isnull().sum()根據皮爾遜相關性繪制熱力圖
# seaborn中文亂碼解決方案 from matplotlib.font_manager import FontProperties myfont=FontProperties(fname=r'C:\Windows\Fonts\simhei.ttf',size=40) sns.set(font=myfont.get_name(), color_codes=True)data_corr = data.corr(method="spearman")#計算相關性系數 plt.figure(figsize=(20,15))#figsize可以規定熱力圖大小 fig=sns.heatmap(data_corr,annot=True,fmt='.2g')#annot為熱力圖上顯示數據；fmt='.2g'為數據保留兩位有效數字 figfig.get_figure().savefig('data_corr.png')#保留圖片下圖當中，可以判斷各個特征之間是否有影響，如果系數越大，則變量之間相關性越強。
計算每個學生到現在為止的年齡：
data['Age']=((pd.to_datetime('today') - pd.to_datetime(list(data['DOB']))).days / 365).astype(int) # 到現在位置的年齡 data觀察數據發現，在AMCAT的某些課程當中，由于許多同學沒有分數，因此分數顯示的是-1，所以為了進行更好的預測，在數據清理的時候將 -1 替換為總課程的平均值，以獲得更好的預測。
columns = ['ComputerProgramming','ElectronicsAndSemicon','ComputerScience','MechanicalEngg','ElectricalEngg','TelecomEngg','CivilEngg'] for col in columns:data[col] = data[col].replace({ -1 : np.nan})#先將-1填充為空值data[col] = data[col].fillna(data[col].mean()) #再將空值替換為平均值同時，將性別這列數字化：
data['Gender'] = data['Gender'].replace({'m': 0, 'f': 1}) data將以數字開頭的屬性類更改名字：
data.rename(columns ={'10percentage':'tenth_percentage','12percentage':'twelveth_percentage','10board':'tenth_board','12graduation':'twelveth_graduation','12board':'twelveth_board',}, inplace =True) data data.to_csv('finish.csv')三、第一問
分析影響高校工程類專業畢業生就業的主要因素。
根據前面的題目描述可知，我們需要使用薪水來作為就業情況的表示。
1、方法一：繪制圖形
這里選擇使用柱形圖
plt.style.use('ggplot') plt.bar(x.tenth_percentage,y,color ="red") plt.xlabel("10th_percantage")#在10年級考試中獲得的總成績 plt.ylabel("salary") plt.title("10th marks vs salary") plt.bar(x.twelveth_percentage,y,color ="blue") plt.xlabel("12th_percantage")#在12年級考試中獲得的總成績 plt.ylabel("salary") plt.title("12th marks vs salary") plt.scatter(x.CollegeTier,y,color ="pink") plt.xlabel("CollegeTier")#學院所在城市的層 plt.ylabel("salary") plt.title("CollegeTier vs salary") plt.bar(x.Logical,y,color ="red") plt.xlabel("Logical")#邏輯能力 plt.ylabel("salary") plt.title("Logical vs salary") plt.bar(x.TelecomEngg,y,color ="black") plt.xlabel("TelecomEngg")#電信工程得分 plt.ylabel("salary") plt.title("TelecomEngg vs salary") plt.bar(x.collegeGPA,y,color ="purple") plt.xlabel("collegeGPA")#畢業時的GPA總計 plt.ylabel("salary") plt.title("collegeGPA vs salary") plt.figure(figsize = (15,8)) # 性格測試和薪水 sns.scatterplot(data.openess_to_experience, data.Salary, palette = 'inferno')2、方法二：多元線性回歸
由于多元線性回歸的自變量需要是數值類型，考慮把Degree，Specialization，CollegeState變成數值。
preprocessing.OrdinalEncoder：特征專用，能夠將分類特征轉換為分類數值
# 由于多元線性回歸的自變量需要是數值類型，考慮把Degree，Specialization，CollegeState變成數值。 # preprocessing.OrdinalEncoder：特征專用，能夠將分類特征轉換為分類數值 from sklearn.preprocessing import OrdinalEncoder data_=data.copy() data_ # 取出需要轉換的兩個字段 OrdinalEncoder().fit(data_[['Degree','Specialization','CollegeState']]).categories_ # 使用OrdinalEncoder將字符型變成數值 data_[['Degree','Specialization','CollegeState']]=OrdinalEncoder().fit_transform(data_[['Degree','Specialization','CollegeState']])
然后我們就開始生成多元線性模型，代碼如下：
在這個結果中，我們主要看“coef”、“t”和“P>|t|”這三列。coef就是前面說過的回歸系數，const這個值就是回歸常數，所以我們得到的這個回歸模型就是y = coef這列×\times×對應的系數。
而“t”和“P>|t|”這兩列是等價的，使用時選擇其中一個就行，其主要用來判斷每個自變量和y的線性顯著關系。從圖中還可以看出，Prob (F-statistic)為1.40e-92，這個值就是我們常用的P值，其接近于零，說明我們的多元線性方程是顯著的，也就是y與自變量有著顯著的線性關系，而R-squared是0.161，也說明這個線性關系并不顯著。
理論上，這個多元線性方程已經求出來了，但是效果一般，我們還是要進行更深一步的探討。
前面說過，y與自變量有著顯著的線性關系，這里要注意所有的自變量被看作是一個整體，y與這個整體有顯著的線性關系，但不代表y與其中的每個自變量都有顯著的線性關系，我們在這里要找出那些與y的線性關系不顯著的自變量，然后把它們剔除，只留下關系顯著的。
我們可以通過圖中“P>|t|”這一列來判斷，這一列中我們可以選定一個閾值，比如統計學常用的就是0.05、0.02或0.01，這里我們就用0.05，凡是P>|t|這列中數值大于0.05的自變量，我們都把它剔除掉，這些就是和y線性關系不顯著的自變量，所以都舍去，請注意這里指的自變量不包括圖中const這個值。
但是這里有一個原則，就是一次只能剔除一個，剔除的這個往往是P值最大的那個，比如圖中P值最大的是GraduationYear，那么就把它剔除掉，然后再用剩下的自變量來重復上述建模過程，再找出P值最大的那個自變量，把它剔除，如此重復這個過程，直到所有P值都小于等于0.05，剩下的這些自變量就是我們需要的自變量，這些自變量和y的線性關系都比較顯著，我們要用這些自變量來進行建模。
我們可以將上述過程寫成一個函數，命名為looper，代碼如下：
def looper(limit):cols = ['Gender', 'tenth_percentage', 'twelveth_graduation', 'twelveth_percentage', 'CollegeID', 'CollegeTier', 'Degree', 'Specialization', 'collegeGPA','CollegeCityID', 'CollegeCityTier', 'CollegeState', 'GraduationYear','English', 'Logical', 'Quant', 'Domain', 'ComputerProgramming','ElectronicsAndSemicon', 'ComputerScience', 'MechanicalEngg','ElectricalEngg', 'TelecomEngg', 'CivilEngg', 'conscientiousness','agreeableness', 'extraversion', 'nueroticism', 'openess_to_experience']for i in range(len(cols)):data1 = data_[cols]x = sm.add_constant(data1) #生成自變量y = data_['Salary'] #生成因變量model = sm.OLS(y, x) #生成模型result = model.fit() #模型擬合pvalues = result.pvalues #得到結果中所有P值pvalues.drop('const',inplace=True) #把const取得pmax = max(pvalues) #選出最大的P值if pmax>limit:ind = pvalues.idxmax() #找出最大P值的indexcols.remove(ind) #把這個index從cols中刪除else:return resultresult = looper(0.05) result.summary()由上圖的相關系數可以看出，薪水和twelveth_graduation，twelveth_percentage，CollegeTier，Degree，English，ComputerProgramming具有較強的相關性。
3、方法三：多因素方差分析
多因素方差分析，用于研究一個因變量是否受到多個自變量（也稱為因素）的影響，它檢驗多個因素取值水平的不同組合之間，因變量的均值之間是否存在顯著的差異。多因素方差分析既可以分析單個因素的作用（主效應），也可以分析因素之間的交互作用（交互效應），還可以進行協方差分析，以及各個因素變量與協變量的交互作用。
根據觀測變量（即因變量）的數目，可以把多因素方差分析分為：單變量多因素方差分析（也叫一元多因素方差分析）與多變量多因素方差分析（即多元多因素方差分析）。本案例是一元多因素方差分析。
這里使用SPSS進行演示：
1、首先在文件選項卡當中導入 finish.csv 數據：
2、分析-》 一般線性模型-》單變量
4、方法四：決策樹
使用機器學習算法，可以轉換成決策樹來得到特征重要性排名：
from sklearn import tree # 從sklearn中導入treefrom sklearn import datasets, model_selection # 從sklearn中導入datasets用于加載數據集，這里我們使用iris數據集 # 從sklearn中導入model_selection用戶劃分測試集和訓練集合 feature_name = ['Gender', 'tenth_percentage', 'twelveth_graduation', 'twelveth_percentage', 'CollegeID', 'CollegeTier', 'Degree', 'Specialization', 'collegeGPA','CollegeCityID', 'CollegeCityTier', 'CollegeState', 'GraduationYear','English', 'Logical', 'Quant', 'Domain', 'ComputerProgramming','ElectronicsAndSemicon', 'ComputerScience', 'MechanicalEngg','ElectricalEngg', 'TelecomEngg', 'CivilEngg', 'conscientiousness','agreeableness', 'extraversion', 'nueroticism', 'openess_to_experience','Age'] X = data_[feature_name] Y = data_['Salary'] # 劃分訓練集和測試集 8:2 x_train,x_test, y_train, y_text = model_selection.train_test_split(X, Y, test_size=0.2, random_state=0)# 創建一顆分類樹，默認使用Gini classification_tree = tree.DecisionTreeClassifier() classification_tree.fit(x_train, y_train) # 輸出每個特征的重要性 [*zip(feature_name,classification_tree.feature_importances_)]
根據上面的數據就可以分析特征的重要性了。
四、第二問
根據附件一建立模型，刻畫工程類專業畢業生薪水和各因素的關系。
先畫一下薪水分布：
plt.figure(figsize = (12, 6))plt.subplot(121) # 薪水分布 plt.title('Salary Distribuition') sns.distplot(data['Salary'])plt.subplot(122) g1 = plt.scatter(range(data.shape[0]), np.sort(data.Salary.values)) # 薪水分布曲線 g1= plt.title("Salary Curve Distribuition", fontsize=15) g1 = plt.xlabel("") g1 = plt.ylabel("Salary", fontsize=12)plt.subplots_adjust(wspace = 0.3, hspace = 0.5,top = 0.9) plt.show()1、回歸關系
這里說的是各個因素，那就要全部因素考慮進來，那就仿照第一問的方法二，可能需要把所有的object變量都變成int或者float類型，然后再進行擬合，得到具體的回歸方程。
2、薪水預測
印度工科學生畢業后的工作情況和薪水。但是我們都不知道影響印度工程專業畢業生工資的不同因素是什么。該項目根據第 10 和第 12 班的分數百分比、大學等級、不同科目的分數、總體 gpa、邏輯推理和畢業年份等參數來預測工程師的薪水。該項目包括一個 ML 模型，該模型使用不同的算法來預測畢業生的薪水。這里我們使用一些主要因素來多薪水做預測（你也可以試試全部因素）。
from sklearn.preprocessing import LabelEncoder from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.linear_model import Ridge from sklearn.linear_model import Lasso from sklearn.linear_model import ElasticNet from sklearn.neighbors import KNeighborsRegressor from sklearn.svm import SVR, LinearSVR from sklearn.tree import DecisionTreeRegressor from sklearn.ensemble import RandomForestRegressor from sklearn.ensemble import GradientBoostingRegressor from sklearn.ensemble import AdaBoostRegressor from sklearn.neural_network import MLPRegressor def preprocess_inputs(data_):data_ = data_.copy()data_['Degree'] = LabelEncoder().fit_transform(data_.Degree)data_['Specialization'] = LabelEncoder().fit_transform(data_.Specialization)X=data_[['Gender', 'tenth_percentage', 'twelveth_graduation', 'twelveth_percentage', 'CollegeID', 'CollegeTier', 'Degree', 'Specialization', 'collegeGPA','CollegeCityID', 'CollegeCityTier', 'CollegeState', 'GraduationYear','English', 'Logical', 'Quant', 'Domain', 'ComputerProgramming','ElectronicsAndSemicon', 'ComputerScience', 'MechanicalEngg','ElectricalEngg', 'TelecomEngg', 'CivilEngg', 'conscientiousness','agreeableness', 'extraversion', 'nueroticism', 'openess_to_experience','Age']]y=data_['Salary']X_train, X_test, y_train, y_test = train_test_split(x, y, train_size=0.7, shuffle=True, random_state=43)scaler = StandardScaler()scaler.fit(X_train)X_train = pd.DataFrame(scaler.transform(X_train), columns = X_train.columns, index = X_train.index)X_test = pd.DataFrame(scaler.transform(X_test), columns = X_test.columns, index = X_test.index)return X_train, X_test, y_train, y_test X_train, X_test, y_train, y_test = preprocess_inputs(data_) X_train models = {' Linear Regression': LinearRegression(),' Ridge': Ridge(),' Decision Tree': DecisionTreeRegressor(),' Random Forest': RandomForestRegressor(random_state=100,bootstrap=True,max_depth=2,max_features=2,min_samples_leaf=3,min_samples_split=5,n_estimators=3),' Lasso' : Lasso(),' Elastic Net' : ElasticNet(),' Neural network' : MLPRegressor(),' Gradient Boosting': GradientBoostingRegressor(),'Adaboost Classifier': AdaBoostRegressor(),'KNN': KNeighborsRegressor() }for name, model in models.items():model = model.fit(X_train, y_train)print(name + " trained") for name, model in models.items():print(name,model.score(X_test, y_test))emmmmmm，訓練的結果最好的也才0.23，不是很理想
五、第三問
根據以上的分析，對我國高校工程類專業學生培養是否有一定的啟迪？寫一份建議書。
注意不要亂寫，不是讓你編個小論文，要根據前面兩個問題進行分析，從而寫關于我國的建議（注意：針對自己本校就行了）。最終目的是希望學生的就業薪水更高。
比如哪些因素不應該過度嚴厲，哪些因素學校應該嚴抓等。。。。應該有這方面論文,去找找。
參考：
1、對學校就業工作的建議
2、大學生就業形勢
3、對學校人才培養工作有何建議
總結
以上是生活随笔為你收集整理的2022宁夏杯B题思路分析+代码（大学生就业问题分析）的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 计算机桌面任务栏怎样显示输入法,电脑任务
- 下一篇： 企业微信机器人读取服务器,用企业微信机器