婚戀配對實驗 婚戀配對模擬規則： ① 按照一定規則生成了1萬男性+1萬女性樣本： ** 在配對實驗中，這2萬個樣本具有各自不同的個人屬性（財富、內涵、外貌），每項屬性都有一個得分 ** 財富值符合指數分布，內涵和顏值符合正態分布 ** 三項的平均值都為60分，標准差都為15分 ② 模擬實驗。基於現實世界的提煉及適度簡化，我們概括了三個最主流的擇偶策略： ** 擇偶策略1：門當戶對，要求雙方三項指標加和的總分接近，差值不超過20分； ** 擇偶策略2：男才女貌，男性要求女性的外貌分比自己高出至少10分，女性要求男性的財富分比自己高出至少10分； ** 擇偶策略3：志趣相投、適度引領，要求對方的內涵得分在比自己低5分~高10分的區間內，且外貌和財富兩項與自己的得分差值都在5分以內 ③ 每一輪實驗中，我們將三種策略隨機平分給所有樣本（即采用每種策略的男性有3333個樣本） ④ 我們為每位單身男女隨機選擇一個對象，若雙方互相符合要求就算配對成功，配對失敗的男女則進入下一輪配對。 1、樣本數據處理 ** 按照一定規則生成了1萬男性+1萬女性樣本： ** 在配對實驗中，這2萬個樣本具有各自不同的個人屬性（財富、內涵、外貌），每項屬性都有一個得分 ** 財富值符合指數分布，內涵和顏值符合正態分布 ** 三項的平均值都為60分，標准差都為15分 要求： ① 構建函數實現樣本數據生成模型，函數參數之一為“樣本數量”，並用該模型生成1萬男性+1萬女性數據樣本 ** 包括三個指標：財富、內涵、外貌 ② 繪制柱狀圖來查看每個人的屬性分值情況 提示： ① 正態分布：np.random.normal(loc=60, scale=15, size=n) ② 指數分布：np.random.exponential(scale=15, size=n) + 45 2、生成99個男性、99個女性樣本數據，分別針對三種策略構建算法函數 ** 擇偶策略1：門當戶對，要求雙方三項指標加和的總分接近，差值不超過20分； ** 擇偶策略2：男才女貌，男性要求女性的外貌分比自己高出至少10分，女性要求男性的財富分比自己高出至少10分； ** 擇偶策略3：志趣相投、適度引領，要求對方的內涵得分在比自己低10分~高10分的區間內，且外貌和財富兩項與自己的得分差值都在5分以內 ** 每一輪實驗中，我們將三種策略隨機平分給所有樣本，這里則是三種策略分別33人 ** 這里不同策略匹配結果可能重合，所以為了簡化模型 → 先進行策略1模擬， → 模擬完成后去掉該輪成功匹配的女性數據,再進行策略2模擬， → 模擬完成后去掉該輪成功匹配的女性數據,再進行策略3模擬 ① 生成樣本數據 ② 給男性樣本數據，隨機分配策略選擇 → 這里以男性為出發作為策略選擇方 ③ 嘗試做第一輪匹配，記錄成功的匹配對象，並篩選出失敗的男女性進入下一輪匹配 ④ 構建模型，並模擬1萬男性+1萬女性的配對實驗 ⑤ 通過數據分析，回答幾個問題： ** 百分之多少的樣本數據成功匹配到了對象？ ** 采取不同擇偶策略的匹配成功率分別是多少？ ** 采取不同擇偶策略的男性各項平均分是多少？ 提示： ① 擇偶策略評判標准： ** 若匹配成功，則該男性與被匹配女性在這一輪都算成功，並退出游戲 ** 若匹配失敗，則該男性與被匹配女性再則一輪都算失敗，並進入下一輪 ** 若同時多個男性選擇了同一個女性，且滿足成功配對要求，則綜合評分高的男性算為匹配成功 ② 構建空的數據集，用於存儲匹配成功的數據 ③ 每一輪匹配之后，刪除成功匹配的數據之后，進入下一輪，這里刪除數據用df.drop() ④ 這里建議用while去做迭代 → 當該輪沒有任何配對成功，則停止實驗 3、以99男+99女的樣本數據，繪制匹配折線圖 要求： ① 生成樣本數據，模擬匹配實驗 ② 生成繪制數據表格 ③ bokhe制圖 ** 這里設置圖例，並且可交互（消隱模式） 提示： ① bokeh制圖時，y軸為男性，x軸為女性 ② 繪制數據表格中，需要把男女性的數字編號提取出來，這樣圖表橫縱軸好識別 ③ bokhe繪制折線圖示意：p.line([0,女性數字編號，女性數字編號],[男性數字編號，男性數字編號，0]) 4、生成“不同類型男女配對成功率”矩陣圖 要求： ① 以之前1萬男+1萬女實驗的結果為數據 ② 按照財富值、內涵值、外貌值分別給三個區間，以區間來評判“男女類型” ** 高分（70-100分），中分（50-70分），低分（0-50分） ** 按照此類分布，男性女性都可以分為27中類型：財高品高顏高、財高品中顏高、財高品低顏高、... （財→財富，品→內涵，顏→外貌） ③ bokhe制圖 ** 散點圖 ** 27行*27列，散點的顏色深淺代表匹配成功率 提示： ① 注意繪圖的數據結構 ② 這里散點圖通過xy軸定位數據，然后通過設置顏色的透明度來表示匹配成功率 ③ alpha字段為每種類型匹配成功率標准化之后的結果，再乘以一個參數 → data['alpha'] = (data['chance'] - data['chance'].min())/(data['chance'].max() - data['chance'].min())*8
import numpy as np import pandas as pd import matplotlib.pyplot as plt import os import time # 導入時間模塊 import warnings warnings.filterwarnings('ignore') # 不發出警告 from bokeh.io import output_notebook output_notebook() # 導入notebook繪圖模塊 from bokeh.plotting import figure,show from bokeh.models import ColumnDataSource,HoverTool # 導入bokeh繪圖模塊
1、樣本數據處理 ** 按照一定規則生成了1萬男性+1萬女性樣本： ** 在配對實驗中，這2萬個樣本具有各自不同的個人屬性（財富、內涵、外貌），每項屬性都有一個得分 ** 財富值符合指數分布，內涵和顏值符合正態分布 ** 三項的平均值都為60分，標准差都為15分 要求： ① 構建函數實現樣本數據生成模型，函數參數之一為“樣本數量”，並用該模型生成1萬男性+1萬女性數據樣本 ** 包括三個指標：財富、內涵、外貌 ② 繪制柱狀圖來查看每個人的屬性分值情況 提示： ① 正態分布：np.random.normal(loc=60, scale=15, size=n) ② 指數分布：np.random.exponential(scale=15, size=n) + 45
# 分別生成1萬條隨機數據，分別為正態分布、指數分布，要求數據均值為60，標准差為15 data_norm = pd.DataFrame({'正態分布':np.random.normal(loc = 60,scale = 15,size = 10000)}) data_exp = pd.DataFrame({'指數分布':np.random.exponential(scale=15, size=10000) + 45}) # 構建樣本數據 → 正態分布/指數分布 fig,axes = plt.subplots(1,2,figsize = (12,4)) data_norm.hist(bins=50,ax = axes[0],grid = True,color = 'gray',alpha = 0.6) data_exp.hist(bins = 50,ax = axes[1],grid = True,color = 'gray',alpha = 0.6) plt.show()
# 構建函數實現樣本數據生成模型，函數參數之一為“樣本數量”，並用該模型生成1萬男性+1萬女性數據樣本 def create_sample(n,gender): sample_data = pd.DataFrame({'fortune':np.random.exponential(scale=15, size=n) + 45, 'apperance':np.random.normal(loc = 60,scale = 15,size = n), 'character':np.random.normal(loc = 60,scale = 15,size = n)}, index = [gender + str(i) for i in range(1,n+1)]) sample_data.index.name = 'id' sample_data['score'] = sample_data.sum(axis = 1)/3 # 計算綜合評分 return sample_data # 創建函數 sample_m = create_sample(10000,'m') sample_f = create_sample(10000,'f') # 生成男女樣本數據 fig,axes = plt.subplots(2,1,figsize = (12,8)) sample_m[['apperance','character','fortune']].iloc[:50].plot(kind='bar',colormap='Blues_r',grid = True,stacked=True,ax = axes[0],ylim = [0,300]) sample_f[['apperance','character','fortune']].iloc[:50].plot(kind='bar',colormap='Reds_r',grid = True,stacked=True,ax = axes[1],ylim = [0,300]) plt.show() # 出圖查看數據 sample_m.head() # 查看男性樣本數據分布
2、生成99個男性、99個女性樣本數據，分別針對三種策略構建算法函數 ** 擇偶策略1：門當戶對，要求雙方三項指標加和的總分接近，差值不超過20分； ** 擇偶策略2：男才女貌，男性要求女性的外貌分比自己高出至少10分，女性要求男性的財富分比自己高出至少10分； ** 擇偶策略3：志趣相投、適度引領，要求對方的內涵得分在比自己低10分~高10分的區間內，且外貌和財富兩項與自己的得分差值都在5分以內 ** 每一輪實驗中，我們將三種策略隨機平分給所有樣本，這里則是三種策略分別33人 ** 這里不同策略匹配結果可能重合，所以為了簡化模型 → 先進行策略1模擬， → 模擬完成后去掉該輪成功匹配的女性數據,再進行策略2模擬， → 模擬完成后去掉該輪成功匹配的女性數據,再進行策略3模擬 要求： ① 生成樣本數據 ② 給男性樣本數據，隨機分配策略選擇 → 這里以男性為出發作為策略選擇方 ③ 嘗試做第一輪匹配，記錄成功的匹配對象，並篩選出失敗的男女性進入下一輪匹配 ④ 構建模型，並模擬1萬男性+1萬女性的配對實驗 ⑤ 通過數據分析，回答幾個問題： ** 百分之多少的樣本數據成功匹配到了對象？ ** 采取不同擇偶策略的匹配成功率分別是多少？ ** 采取不同擇偶策略的男性各項平均分是多少？ 提示： ① 擇偶策略評判標准： ** 若匹配成功，則該男性與被匹配女性在這一輪都算成功，並退出游戲 ** 若匹配失敗，則該男性與被匹配女性再則一輪都算失敗，並進入下一輪 ** 若同時多個男性選擇了同一個女性，且滿足成功配對要求，則綜合評分高的男性算為匹配成功 ② 構建空的數據集，用於存儲匹配成功的數據 ③ 每一輪匹配之后，刪除成功匹配的數據之后，進入下一輪，這里刪除數據用df.drop() ④ 這里建議用while去做迭代 → 當該輪沒有任何配對成功，則停止實驗
# 這里先生成99個男性、99個女性樣本數據 sample_m_test = create_sample(99,'m') sample_f_test = create_sample(99,'f') # 設置好樣本數據 sample_m_test['strategy'] = np.random.choice([1,2,3],99) # 給男性賦值策略選擇 # 1 → 擇偶策略1 # 2 → 擇偶策略2 # 3 → 擇偶策略3
# 擇偶策略，測試 match_success = pd.DataFrame(columns = ['m','f','round_n','strategy_type']) # 構建空的數據集，用於存儲匹配成功的數據 round1_f = sample_f_test.copy() # 復制女性樣本數據 round1_m = sample_m_test.copy() round1_m['choice'] = np.random.choice(round1_f.index,len(round1_m)) # 復制男性樣本數據，並做匹配選擇 round1_match = pd.merge(round1_m,round1_f,left_on = 'choice',right_index = True).reset_index() round1_match['score_dis'] = np.abs(round1_match['score_x'] - round1_match['score_y']) # 計算綜合評分差值 round1_match['cha_dis'] = np.abs(round1_match['character_x'] - round1_match['character_y']) # 求出內涵得分差值 round1_match['for_dis'] = np.abs(round1_match['fortune_x'] - round1_match['fortune_y']) # 求出財富得分差值 round1_match['app_dis'] = np.abs(round1_match['apperance_x'] - round1_match['apperance_y']) # 求出外貌得分差值 # 合並數據 # ① 策略1：門當戶對，要求雙方三項指標加和的總分接近，差值不超過20分； round1_s1_m = round1_match[round1_match['strategy'] == 1] # 篩選策略1的數據 round1_s1_success = round1_s1_m[round1_s1_m['score_dis'] <= 20].groupby('choice').max() # 篩選符合要求的數據 round1_s1_success = pd.merge(round1_s1_success,round1_m.reset_index(),left_on = 'score_x',right_on = 'score')[['id_y','choice']] round1_s1_success.columns = ['m','f'] round1_s1_success['strategy_type'] = 1 round1_s1_success['round_n'] = 1 # 得到策略1的成功匹配的結果 round1_match.index = round1_match['choice'] round1_match = round1_match.drop(round1_s1_success['f'].tolist()) # 刪除策略1成功匹配的女性數據 # ② 策略2：男才女貌，男性要求女性的外貌分比自己高出至少10分，女性要求男性的財富分比自己高出至少10分； round1_s2_m = round1_match[round1_match['strategy'] == 2] # 篩選策略2的數據 round1_s2_success = round1_s2_m[(round1_s2_m['fortune_x'] - round1_s2_m['fortune_y'] >= 10) & # 男性財富比女性高出至少10分 (round1_s2_m['apperance_y'] - round1_s2_m['apperance_x'] >= 10)] # 女性顏值比男性高出至少10分 round1_s2_success = round1_s2_success.groupby('choice').max() # 篩選符合要求的數據 round1_s2_success = pd.merge(round1_s2_success,round1_m.reset_index(),left_on = 'score_x',right_on = 'score')[['id_y','choice']] round1_s2_success.columns = ['m','f'] round1_s2_success['strategy_type'] = 2 round1_s2_success['round_n'] = 1 # 得到策略2的成功匹配的結果 round1_match.index = round1_match['choice'] round1_match = round1_match.drop(round1_s2_success['f'].tolist()) # 刪除策略2成功匹配的女性數據 # ③ 策略3：志趣相投、適度引領，要求對方的內涵得分在比自己低10分~高10分的區間內，且外貌和財富兩項與自己的得分差值都在5分以內 round1_s3_m = round1_match[round1_match['strategy'] == 3] # 篩選策略3的數據 round1_s3_success = round1_s3_m[(round1_s3_m['cha_dis'] <10) & # 內涵得分差在10分以內 (round1_s3_m['for_dis'] < 5 )& # 財富得分差在5分以內 (round1_s3_m['app_dis'] < 5 )] # 外貌得分差在5分以內 round1_s3_success = round1_s3_success.groupby('choice').max() # 篩選符合要求的數據 round1_s3_success = pd.merge(round1_s3_success,round1_m.reset_index(),left_on = 'score_x',right_on = 'score')[['id_y','choice']] round1_s3_success.columns = ['m','f'] round1_s3_success['strategy_type'] = 3 round1_s3_success['round_n'] = 1 # 得到策略3的成功匹配的結果 # 篩選出成功匹配數據 match_success = pd.concat([match_success,round1_s1_success,round1_s2_success,round1_s3_success]) # 篩選出下一輪實驗數據 round2_m = round1_m.drop(match_success['m'].tolist()) round2_f = round1_f.drop(match_success['f'].tolist()) match_success.head()
# 構建模型 def different_strategy(data_m,data_f,roundnum): # 創建函數 → # 根據輸入的該輪男女數據，得到匹配后數據，並做指標運算 # 根據匹配好的數據，根據不同策略輸出成功匹配的數據 data_m['choice'] = np.random.choice(data_f.index,len(data_m)) # 根據男性樣本數據做匹配選擇 round_match = pd.merge(data_m,data_f,left_on = 'choice',right_index = True).reset_index() round_match['score_dis'] = np.abs(round_match['score_x'] - round_match['score_y']) # 計算綜合評分差值 round_match['cha_dis'] = np.abs(round_match['character_x'] - round_match['character_y']) # 求出內涵得分差值 round_match['for_dis'] = np.abs(round_match['fortune_x'] - round_match['fortune_y']) # 求出財富得分差值 round_match['app_dis'] = np.abs(round_match['apperance_x'] - round_match['apperance_y']) # 求出外貌得分差值 # 合並數據 # 策略1：門當戶對，要求雙方三項指標加和的總分接近，差值不超過20分； s1_m = round_match[round_match['strategy'] == 1] s1_success = s1_m[s1_m['score_dis'] <= 20].groupby('choice').max() s1_success = pd.merge(s1_success,data_m.reset_index(),left_on = 'score_x',right_on = 'score')[['id_y','choice']] s1_success.columns = ['m','f'] s1_success['strategy_type'] = 1 s1_success['round_n'] = roundnum # 得到策略1的成功匹配的結果 round_match.index = round_match['choice'] round_match = round_match.drop(s1_success['f'].tolist()) # 刪除策略1成功匹配的女性數據 # 策略2：男才女貌，男性要求女性的外貌分比自己高出至少10分，女性要求男性的財富分比自己高出至少10分； s2_m = round_match[round_match['strategy'] == 2] s2_success = s2_m[(s2_m['fortune_x'] - s2_m['fortune_y'] >= 10) & (s2_m['apperance_y'] - s2_m['apperance_x'] >= 10)] s2_success = s2_success.groupby('choice').max() s2_success = pd.merge(s2_success,data_m.reset_index(),left_on = 'score_x',right_on = 'score')[['id_y','choice']] s2_success.columns = ['m','f'] s2_success['strategy_type'] = 2 s2_success['round_n'] = roundnum # 得到策略2的成功匹配的結果 round_match.index = round_match['choice'] round_match = round_match.drop(s2_success['f'].tolist()) # 刪除策略2成功匹配的女性數據 # 策略3：志趣相投、適度引領，要求對方的內涵得分在比自己低10分~高10分的區間內，且外貌和財富兩項與自己的得分差值都在5分以內 s3_m = round_match[round_match['strategy'] == 3] s3_success = s3_m[(s3_m['cha_dis'] <10) & (s3_m['for_dis'] < 5 ) & (s3_m['app_dis'] < 5 )] s3_success = s3_success.groupby('choice').max() s3_success = pd.merge(s3_success,data_m.reset_index(),left_on = 'score_x',right_on = 'score')[['id_y','choice']] s3_success.columns = ['m','f'] s3_success['strategy_type'] = 3 s3_success['round_n'] = roundnum # 得到策略3的成功匹配的結果 # 該輪成功匹配數據 data_success = pd.concat([s1_success, s2_success, s3_success]) return data_success print('finished!')
# 模型運行 # 這里建議用while去做迭代 → 當該輪沒有任何配對成功，則停止實驗 sample_m1 = create_sample(10000,'m') sample_f1 = create_sample(10000,'f') sample_m1['strategy'] = np.random.choice([1,2,3],10000) # 設置好樣本數據 test_m1 = sample_m1.copy() test_f1 = sample_f1.copy() # 復制數據 n = 1 # 設定實驗次數變量 starttime = time.time() # 記錄起始時間 success_roundn = different_strategy(test_m1, test_f1,n) match_success1 = success_roundn test_m1 = test_m1.drop(success_roundn['m'].tolist()) test_f1 = test_f1.drop(success_roundn['f'].tolist()) print('成功進行第%i輪實驗，本輪實驗成功匹配%i對，總共成功匹配%i對，還剩下%i位男性和%i位女性' % (n,len(success_roundn),len(match_success1),len(test_m1),len(test_f1))) # 第一輪實驗測試 while len(success_roundn) !=0: n += 1 success_roundn = different_strategy(test_m1,test_f1,n) #得到該輪成功匹配數據 match_success1 = pd.concat([match_success1,success_roundn]) # 將成功匹配數據匯總 test_m1 = test_m1.drop(success_roundn['m'].tolist()) test_f1 = test_f1.drop(success_roundn['f'].tolist()) # 輸出下一輪實驗數據 print('成功進行第%i輪實驗，本輪實驗成功匹配%i對，總共成功匹配%i對，還剩下%i位男性和%i位女性' % (n,len(success_roundn),len(match_success1),len(test_m1),len(test_f1))) # 運行模型 endtime = time.time() # 記錄結束時間 print('------------') print('本次實驗總共進行了%i輪，配對成功%i對\n------------' % (n,len(match_success1))) print('實驗總共耗時%.2f秒' % (endtime - starttime))
# 通過數據分析，回答幾個問題： # ** 百分之多少的樣本數據成功匹配到了對象？ # ** 采取不同擇偶策略的匹配成功率分別是多少？ # ** 采取不同擇偶策略的男性各項平均分是多少？ # ① 百分之多少的樣本數據成功匹配到了對象？ print('%.2f%%的樣本數據成功匹配到了對象\n---------' % (len(match_success1)/len(sample_m1)*100)) # ② 采取不同擇偶策略的匹配成功率分別是多少？ print('擇偶策略1的匹配成功率為%.2f%%' % (len(match_success1[match_success1['strategy_type']==1])/len(sample_m1[sample_m1['strategy'] == 1])*100)) print('擇偶策略2的匹配成功率為%.2f%%' % (len(match_success1[match_success1['strategy_type']==2])/len(sample_m1[sample_m1['strategy'] == 2])*100)) print('擇偶策略3的匹配成功率為%.2f%%' % (len(match_success1[match_success1['strategy_type']==3])/len(sample_m1[sample_m1['strategy'] == 3])*100)) print('\n---------') # ③ 采取不同擇偶策略的男性各項平均分是多少？ match_m1 = pd.merge(match_success1,sample_m1,left_on = 'm',right_index = True) result_df = pd.DataFrame([{'財富均值':match_m1[match_m1['strategy_type'] == 1]['fortune'].mean(), '內涵均值':match_m1[match_m1['strategy_type'] == 1]['character'].mean(), '外貌均值':match_m1[match_m1['strategy_type'] == 1]['apperance'].mean()}, {'財富均值':match_m1[match_m1['strategy_type'] == 2]['fortune'].mean(), '內涵均值':match_m1[match_m1['strategy_type'] == 2]['character'].mean(), '外貌均值':match_m1[match_m1['strategy_type'] == 2]['apperance'].mean()}, {'財富均值':match_m1[match_m1['strategy_type'] == 3]['fortune'].mean(), '內涵均值':match_m1[match_m1['strategy_type'] == 3]['character'].mean(), '外貌均值':match_m1[match_m1['strategy_type'] == 3]['apperance'].mean()}], index = ['擇偶策略1','擇偶策略2','擇偶策略3']) # 構建數據dataframe print('擇偶策略1的男性 → 財富均值為%.2f，內涵均值為%.2f，外貌均值為%.2f' % (result_df.loc['擇偶策略1']['財富均值'],result_df.loc['擇偶策略1']['內涵均值'],result_df.loc['擇偶策略1']['外貌均值'])) print('擇偶策略2的男性 → 財富均值為%.2f，內涵均值為%.2f，外貌均值為%.2f' % (result_df.loc['擇偶策略2']['財富均值'],result_df.loc['擇偶策略2']['內涵均值'],result_df.loc['擇偶策略2']['外貌均值'])) print('擇偶策略3的男性 → 財富均值為%.2f，內涵均值為%.2f，外貌均值為%.2f' % (result_df.loc['擇偶策略3']['財富均值'],result_df.loc['擇偶策略3']['內涵均值'],result_df.loc['擇偶策略3']['外貌均值'])) match_m1.boxplot(column = ['fortune','character','apperance'],by='strategy_type',figsize = (10,6),layout = (1,3)) plt.ylim(0,150) plt.show() # 繪制箱型圖 result_df
3、以99男+99女的樣本數據，繪制匹配折線圖 要求： ① 生成樣本數據，模擬匹配實驗 ② 生成繪制數據表格 ③ bokhe制圖 ** 這里設置圖例，並且可交互（消隱模式） 提示： ① bokeh制圖時，y軸為男性，x軸為女性 ② 繪制數據表格中，需要把男女性的數字編號提取出來，這樣圖表橫縱軸好識別 ③ bokhe繪制折線圖示意：p.line([0,女性數字編號，女性數字編號],[男性數字編號，男性數字編號，0])
# 生成樣本數據，模擬匹配實驗 sample_m2 = create_sample(99,'m') sample_f2 = create_sample(99,'f') sample_m2['strategy'] = np.random.choice([1,2,3],99) # 設置好樣本數據 test_m2 = sample_m2.copy() test_f2 = sample_f2.copy() # 復制數據 n = 1 # 設定實驗次數變量 starttime = time.time() # 記錄起始時間 success_roundn = different_strategy(test_m2, test_f2,n) match_success2 = success_roundn test_m2 = test_m2.drop(success_roundn['m'].tolist()) test_f2 = test_f2.drop(success_roundn['f'].tolist()) print('成功進行第%i輪實驗，本輪實驗成功匹配%i對，總共成功匹配%i對，還剩下%i位男性和%i位女性' % (n,len(success_roundn),len(match_success2),len(test_m2),len(test_f2))) # 第一輪實驗測試 while len(success_roundn) !=0: n += 1 success_roundn = different_strategy(test_m2,test_f2,n) #得到該輪成功匹配數據 match_success2 = pd.concat([match_success2,success_roundn]) # 將成功匹配數據匯總 test_m2 = test_m2.drop(success_roundn['m'].tolist()) test_f2 = test_f2.drop(success_roundn['f'].tolist()) # 輸出下一輪實驗數據 print('成功進行第%i輪實驗，本輪實驗成功匹配%i對，總共成功匹配%i對，還剩下%i位男性和%i位女性' % (n,len(success_roundn),len(match_success2),len(test_m2),len(test_f2))) # 運行模型 endtime = time.time() # 記錄結束時間 print('------------') print('本次實驗總共進行了%i輪，配對成功%i對\n------------' % (n,len(match_success2))) print('實驗總共耗時%.2f秒' % (endtime - starttime))
# 生成繪制數據表格 from bokeh.palettes import brewer # 導入調色模塊 # 設置調色盤 graphdata1 = match_success2.copy() graphdata1 = pd.merge(graphdata1,sample_m2,left_on = 'm',right_index = True) graphdata1 = pd.merge(graphdata1,sample_f2,left_on = 'f',right_index = True) # 合並數據，得到成功配對的男女各項分值 graphdata1['x'] = '0,' + graphdata1['f'].str[1:] + ',' + graphdata1['f'].str[1:] graphdata1['x'] = graphdata1['x'].str.split(',') graphdata1['y'] = graphdata1['m'].str[1:] + ',' + graphdata1['m'].str[1:] + ',0' graphdata1['y'] = graphdata1['y'].str.split(',') # 篩選出id的數字編號，制作x，y字段 round_num = graphdata1['round_n'].max() color = brewer['Blues'][round_num+1] # 這里+1是為了得到一個色帶更寬的調色盤，避免最后一個顏色太淺 graphdata1['color'] = '' for rn in graphdata1['round_n'].value_counts().index: graphdata1['color'][graphdata1['round_n'] == rn] = color[rn-1] # 設置顏色 graphdata1 = graphdata1[['m','f','strategy_type','round_n','score_x','score_y','x','y','color']] # 篩選字段 graphdata1.head()
# bokeh繪圖 p = figure(plot_width=500, plot_height=500,title="配對實驗過程模擬示意" ,tools= 'reset,wheel_zoom,pan') # 構建繪圖空間 for datai in graphdata1.values: p.line(datai[-3],datai[-2],line_width=1, line_alpha = 0.8, line_color = datai[-1],line_dash = [10,4],legend= 'round %i' % datai[3]) # 繪制折線 p.circle(datai[-3],datai[-2],size = 3,color = datai[-1],legend= 'round %i' % datai[3]) # 繪制點 p.ygrid.grid_line_dash = [6, 4] p.xgrid.grid_line_dash = [6, 4] p.legend.location = "top_right" p.legend.click_policy="hide" # 設置其他參數 show(p)
4、生成“不同類型男女配對成功率”矩陣圖 要求： ① 以之前1萬男+1萬女實驗的結果為數據 ② 按照財富值、內涵值、外貌值分別給三個區間，以區間來評判“男女類型” ** 高分（70-100分），中分（50-70分），低分（0-50分） ** 按照此類分布，男性女性都可以分為27中類型：財高品高顏高、財高品中顏高、財高品低顏高、... （財→財富，品→內涵，顏→外貌） ③ bokhe制圖 ** 散點圖 ** 27行*27列，散點的顏色深淺代表匹配成功率 提示： ① 注意繪圖的數據結構 ② 這里散點圖通過xy軸定位數據，然后通過設置顏色的透明度來表示匹配成功率 ③ alpha字段為每種類型匹配成功率標准化之后的結果，再乘以一個參數 → data['alpha'] = (data['chance'] - data['chance'].min())/(data['chance'].max() - data['chance'].min())*8
# 數據清洗 graphdata2 = match_success1.copy() graphdata2 = pd.merge(graphdata2,sample_m1,left_on = 'm',right_index = True) graphdata2 = pd.merge(graphdata2,sample_f1,left_on = 'f',right_index = True) # 合並數據，得到成功配對的男女各項分值 graphdata2 = graphdata2[['m','f','apperance_x','character_x','fortune_x','apperance_y','character_y','fortune_y']] # 篩選字段 graphdata2['for_m'] = pd.cut(graphdata2['fortune_x'],[0,50,70,500],labels = ['財低','財中','財高']) graphdata2['cha_m'] = pd.cut(graphdata2['character_x'],[0,50,70,500],labels = ['品低','品中','品高']) graphdata2['app_m'] = pd.cut(graphdata2['apperance_x'],[0,50,70,500],labels = ['顏低','顏中','顏高']) graphdata2['for_f'] = pd.cut(graphdata2['fortune_y'],[0,50,70,500],labels = ['財低','財中','財高']) graphdata2['cha_f'] = pd.cut(graphdata2['character_y'],[0,50,70,500],labels = ['品低','品中','品高']) graphdata2['app_f'] = pd.cut(graphdata2['apperance_y'],[0,50,70,500],labels = ['顏低','顏中','顏高']) # 指標區間划分 graphdata2['type_m'] = graphdata2['for_m'].astype(np.str) + graphdata2['cha_m'].astype(np.str) + graphdata2['app_m'].astype(np.str) graphdata2['type_f'] = graphdata2['for_f'].astype(np.str) + graphdata2['cha_f'].astype(np.str) + graphdata2['app_f'].astype(np.str) graphdata2 = graphdata2[['m','f','type_m','type_f']] # 篩選字段 graphdata2.head()
# 匹配成功率計算 success_n = len(graphdata2) success_chance = graphdata2.groupby(['type_m','type_f']).count().reset_index() success_chance['chance'] = success_chance['m']/success_n success_chance['alpha'] = (success_chance['chance'] - success_chance['chance'].min())/(success_chance['chance'].max() - success_chance['chance'].min())*8 # 設置alpha參數 success_chance.head()
# bokeh繪圖 mlst = success_chance['type_m'].value_counts().index.tolist() flst = success_chance['type_f'].value_counts().index.tolist() source = ColumnDataSource(success_chance) # 創建數據 hover = HoverTool(tooltips=[("男性類別", "@type_m"), ("女性類別","@type_f"), ("匹配成功率","@chance")]) # 設置標簽顯示內容 p = figure(plot_width=800, plot_height=800,x_range = mlst, y_range = flst, title="不同類型男女配對成功率" ,x_axis_label = '男', y_axis_label = '女', # X,Y軸label tools= [hover,'reset,wheel_zoom,pan,lasso_select']) # 構建繪圖空間 p.square_cross(x = 'type_m', y = 'type_f', source = source,size = 18 ,color = 'red',alpha = 'alpha') # 繪制點 p.ygrid.grid_line_dash = [6, 4] p.xgrid.grid_line_dash = [6, 4] p.xaxis.major_label_orientation = "vertical" # 設置其他參數 show(p)