用 Python 分析了 5 万条相亲数据，告诉你男女相亲背后的秘密

作者 | 叶庭云责编 | 张文
来源 | 转载自修炼 Python（ID：yetingyun_python）
前言

数据来源：https://www.zhenai.com/zhenghun/
本文利用 Python 分析了按城市寻找所有地区的征婚信息，看看相亲男女的画像。
数据查看和预处理
导入用到的库

import pandas as pdimport re

读取数据，查看前 5 行
df = pd.read_excel('marriage.xlsx')df.head()

结果如下：


查看索引、数据类型和内存信息
df.info()




可以看到数据都没有缺失值。
获取到的数据里，居住地是各地区的，为了便于分析，需要处理成省级行政区，学历/月薪那一列数据，有些是月薪，有些是学历，可以分别处理成两列数据，是学历的，提取出学历层次，月薪标记为 “未知”；是月薪的，提取出月薪并计算，学历标记为 “未知”。

# 获取34个省级行政区域，包括23个省，5个自治区，4个直辖市，2个特别行政区的名称with open('地区.txt', 'r', encoding='utf-8') as f:    area = f.read().split('\n')
print(area)print(len(area))

结果如下：


















['北京', '上海', '天津', '重庆', '黑龙江', '吉林', '辽宁', '内蒙古', '河北', '新疆', '甘肃', '青海', '陕西', '宁夏', '河南', '山东', '山西', '安徽', '湖北', '湖南', '江苏', '四川', '贵州', '云南', '广西', '西藏', '浙江', '江西', '广东', '福建', '台湾', '海南', '香港', '澳门']34
areas_list = []for i in df['居住地']:    for j in area:        if j in i:            areas_list.append(j)            break    else:        areas_list.append('未知')
df['居住地'] = areas_listdf.head()


结果如下：

with open('学历.txt', 'r', encoding='utf-8') as fp:    edu = fp.read().split('\n')
print(edu)

结果如下：





























['博士', '硕士', '本科', '大专', '中专', '高中', '初中', '小学']
salary_list = []edu_list = []for item in df['学历/月薪']:    if '元' in item:   # 这一列的数据是表达月薪的话  计算        data = re.findall('\d+', item)        data = [int(x) for x in data]        salary = int(sum(data) / len(data))  # 取整        salary_list.append(salary)        edu_list.append('未知')    else:        salary_list.append('未知')        for e in edu:            if e in item:                edu_list.append(e)                break        else:            edu_list.append('未知')
print(len(edu_list))print(len(salary_list))df['学历'] = edu_listdf['月薪'] = salary_listdf.head()


结果如下：

这时候数据处理好了，可以删掉学历/月薪这一列，再重新保存到Excel。
del df['学历/月薪']df


df.to_excel('处理后数据.xlsx', index=False)




数据分析



相亲男女占比情况如何？
# -*- coding: UTF-8 -*-"""@File    ：男女占比情况.py@Author  ：叶庭云@CSDN    ：https://yetingyun.blog.csdn.net/"""import pandas as pdimport collectionsfrom pyecharts.charts import Piefrom pyecharts import options as optsfrom pyecharts.globals import ThemeType, CurrentConfig
# 引用本地js资源渲染CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/'# 提取数据df = pd.read_excel('处理后数据.xlsx')gender = list(df['性别'])# 统计男女人数gender_count = collections.Counter(gender).most_common()gender_count = [(k, v) for k, v in gender_count]
pie = Pie(init_opts=opts.InitOpts(theme=ThemeType.MACARONS))# 富文本效果  环图pie.add('性别', data_pair=gender_count, radius=["40%", "55%"],        label_opts=opts.LabelOpts(            position="outside",            formatter="{a|{a}}{abg|}\n{hr|}\n {b|{b}: }{c}  {per|{d}%}  ",            background_color="#eee",            border_color="#aaa",            border_width=1,            border_radius=4,            rich={                "a": {"color": "#999", "lineHeight": 22, "align": "center"},                "abg": {                    "backgroundColor": "#e3e3e3",                    "width": "100%",                    "align": "right",                    "height": 22,                    "borderRadius": [4, 4, 0, 0],                },                "hr": {                    "borderColor": "#aaa",                    "width": "100%",                    "borderWidth": 0.5,                    "height": 0,                },                "b": {"fontSize": 16, "lineHeight": 33},                "per": {                    "color": "#eee",                    "backgroundColor": "#334455",                    "padding": [2, 4],                    "borderRadius": 2,                },            },        ),)pie.set_global_opts(title_opts=opts.TitleOpts(title='相亲男女占比情况'))pie.set_colors(['red', 'blue'])   # 设置颜色pie.render('男女占比情况.html')

结果如下：


相亲男女中男士有 25910 人，占比 45.72%；女士有 30767 人，占比 54.28%。参加相亲人数中女士多于男士。
相亲男女年龄分布？
# -*- coding: UTF-8 -*-"""@File    ：年龄分布.py@Author  ：叶庭云@CSDN    ：https://yetingyun.blog.csdn.net/"""import pandas as pdimport collectionsfrom pyecharts.charts import Barfrom pyecharts.globals import ThemeType, CurrentConfigfrom pyecharts import options as opts
CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/'
df = pd.read_excel('处理后数据.xlsx')age = list(df['年龄'])age_count = collections.Counter(age).most_common()# 按年龄排序age_count.sort(key=lambda x: x[0])age = [x[0] for x in age_count]nums = [y[1] for y in age_count]
# print(age_count)bar = Bar(init_opts=opts.InitOpts(theme=ThemeType.MACARONS))bar.add_xaxis(age)bar.add_yaxis('人数', nums)  # 数据多的时候设置不显示标签bar.set_global_opts(title_opts=opts.TitleOpts(title='相亲男女年龄分布'))# 标记最大值  最小值  平均值   标记平均线bar.set_series_opts(label_opts=opts.LabelOpts(is_show=False),                    markpoint_opts=opts.MarkPointOpts(                    data=[                        opts.MarkPointItem(type_="max", name="最大值"),                        opts.MarkPointItem(type_="min", name="最小值"),                        opts.MarkPointItem(type_="average", name="平均值")]),                    markline_opts=opts.MarkLineOpts(                    data=[                        opts.MarkLineItem(type_="average", name="平均值")]))bar.render('年龄分布.html')

结果如下：







31 岁的相亲男女人数最多，有 2637 人，各个年龄段都有一定数量的人，我们将年龄小于等于 20 岁，大于等于 70 岁的相亲男女数据单独提取出来看看。
















import pandas as pd
df = pd.read_excel('处理后数据.xlsx')df1 = df[df['年龄'] <= 20]df2 = df1['婚况'].value_counts()    # 统计小于等于20岁的相亲男女的婚况print(df2)
结果如下：未婚    153离异      6丧偶      2Name: 婚况, dtype: int64


大部分是未婚，年纪轻轻就那么急着相亲吗？再看看婚况是离异、丧偶的数据，
import pandas as pd
df = pd.read_excel('处理后数据.xlsx')df1 = df[df['年龄'] <= 20]
df3 = df1[df1['婚况'] == '离异']print(df3)

结果如下：
                网名  性别  ...  学历     月薪17425          微风轻起  男士  ...  未知  5000029645            媳妇  女士  ...  大专     未知30398            仙妹  女士  ...  高中     未知30485  会员1415395937  男士  ...  未知  3500036684         微笑着变老  女士  ...  高中     未知49864        风吹动了风玲  女士  ...  高中     未知
[6 rows x 9 columns]

月薪写着 50000、35000 的男士有些显眼啊，取数据集中查看。


月薪 50000 的微风轻起，征婚信息年龄写的 19，征婚宣言里又写到 1994 年 26 岁；月薪 35000 的会员某某某，征婚信息年龄写的 20，征婚宣言里又写到 81 年的，看来网站里年龄、身高这些信息真实性值得怀疑。
相亲男女婚况？
# -*- coding: UTF-8 -*-"""@File    ：男女占比情况.py@Author  ：叶庭云@CSDN    ：https://yetingyun.blog.csdn.net/"""import pandas as pdimport collectionsfrom pyecharts.charts import Piefrom pyecharts import options as optsfrom pyecharts.globals import ThemeType, CurrentConfig
# 引用本地js资源渲染CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/'# 提取数据  婚况不为未填写的df = pd.read_excel('处理后数据.xlsx')data = df[df['婚况'] != '未填写']# 统计各婚况相亲男女人数data_count = collections.Counter(data['婚况']).most_common()print(data)
c = (    Pie()    .add(        "婚况",        data_count,        radius=["40%", "55%"],        label_opts=opts.LabelOpts(            position="outside",            formatter="{a|{a}}{abg|}\n{hr|}\n {b|{b}: }{c}  {per|{d}%}  ",            background_color="#eee",            border_color="#aaa",            border_width=1,            border_radius=4,            rich={                "a": {"color": "#999", "lineHeight": 22, "align": "center"},                "abg": {                    "backgroundColor": "#e3e3e3",                    "width": "100%",                    "align": "right",                    "height": 22,                    "borderRadius": [4, 4, 0, 0],                },                "hr": {                    "borderColor": "#aaa",                    "width": "100%",                    "borderWidth": 0.5,                    "height": 0,                },                "b": {"fontSize": 16, "lineHeight": 33},                "per": {                    "color": "#eee",                    "backgroundColor": "#334455",                    "padding": [2, 4],                    "borderRadius": 2,                },            },        ),    )    .set_colors(["#8B008B", "#FF1493", "#000000"])    .set_global_opts(title_opts=opts.TitleOpts(title="相亲男女婚况"))    .render("pie_rich_label.html"))

结果如下：



相亲男女婚况，离异的占比 57.67%，未婚占比 34.14%，丧偶占比 8.19%。
相亲男女学历分布情况？
# -*- coding: UTF-8 -*-"""@File    ：学历分布.py@Author  ：叶庭云@CSDN    ：https://yetingyun.blog.csdn.net/"""import pandas as pdimport collectionsfrom pyecharts.charts import Piefrom pyecharts import options as optsfrom pyecharts.globals import CurrentConfig
# 引用本地js资源渲染CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/'# 提取数据  学历不为未知的df = pd.read_excel('处理后数据.xlsx')data = df[df['学历'] != '未知']# print(data)# 统计各学历层次相亲男女数量data_count = collections.Counter(data['学历']).most_common()c = (    # 宽  高  背景颜色    Pie(init_opts=opts.InitOpts(width="800px", height="500px", bg_color="#2c343c"))    .add(        series_name="相亲男女学历",   # 系列名称        data_pair=data_count,         # 系列数据项，格式为 [(key1, value1), (key2, value2)...]        rosetype="radius",        # radius：扇区圆心角展现数据的百分比，半径展现数据的大小        radius="55%",             # 饼图的半径        center=["50%", "50%"],    # 饼图的中心（圆心）坐标，数组的第一项是横坐标，第二项是纵坐标        label_opts=opts.LabelOpts(is_show=False, position="center"),   # 标签配置项    )    .set_colors(["#00BFFF", "#00FF7F", "#FF1493", "#8B008B", "#FFFF00", "#556B2F"])    .set_global_opts(        title_opts=opts.TitleOpts(            title="相亲男女学历",            pos_left="center",            pos_top="20",            title_textstyle_opts=opts.TextStyleOpts(color="#fff"),        ),        legend_opts=opts.LegendOpts(is_show=False),    )    .set_series_opts(        tooltip_opts=opts.TooltipOpts(            trigger="item", formatter="{a} <br/>{b}: {c} ({d}%)"  # 'item': 数据项图形触发，主要在散点图，饼图等无类目轴的图表中使用         ),        label_opts=opts.LabelOpts(color="#fff"),    )    .render("相亲男女学历.html"))

结果如下：



相亲男女学历大部分在高中(35.92%)、大专(24.72%)，有近六成的相亲男女，本科占比 20.7%，中专占比 16.35%，硕士、博士高学历的相亲男女人数较少，分别占比 2.14%，0.17%。
相亲男女地区分布?
# -*- coding: UTF-8 -*-"""@File    ：地区分布.py@Author  ：叶庭云@CSDN    ：https://yetingyun.blog.csdn.net/"""import pandas as pdimport collectionsfrom pyecharts import options as optsfrom pyecharts.charts import Geofrom pyecharts.globals import ChartTypefrom pyecharts.globals import ThemeType, CurrentConfig
CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/'
df = pd.read_excel('处理后数据.xlsx')area = list(df['居住地'])area_count = collections.Counter(area).most_common(34)print(area_count)
# 初始化配置项  背景颜色  大小  主题geo = Geo(init_opts=opts.InitOpts(width='1000px', height='600px', theme=ThemeType.DARK))# 设置是否显示省份geo.add_schema(maptype='china', label_opts=opts.LabelOpts(is_show=True))# 绘制什么类型图  热力图  涟漪图等geo.add('相亲男女人数', data_pair=area_count, type_=ChartType.EFFECT_SCATTER)geo.set_series_opts(label_opts=opts.LabelOpts(is_show=False))   # 不显示数据标签geo.set_global_opts(title_opts=opts.TitleOpts(title="相亲男女地区分布"),                  visualmap_opts=opts.VisualMapOpts(max_=5000, is_piecewise=True,   # 划分区间是否精确          pieces=[{"max": 1000, "min": 100, "label": "100-1000", "color": "#708090"},  # 分段  添加图例注释  和颜色                            {"max": 1500, "min": 1001, "label": "1001-1500", "color": "#00008B"},                            {"max": 2000, "min": 1501, "label": "1501-2000", "color": "#483D8B"},                            {"max": 2500, "min": 2001, "label": "2001-2500", "color": "#1E90FF"},                            {"max": 3000, "min": 2501, "label": "2501-3000", "color": "#8B008B"},                            {"max": 5000, "min": 3001, "label": ">=3000", "color": "#FF0000"}])                    )geo.render('地区分布.html')

结果如下：





[('重庆', 4436), ('广东', 2637), ('四川', 2519), ('山东', 2398), ('河南', 2160), ('上海', 2156), ('云南', 2039), ('北京', 2037), ('台湾', 1997), ('安徽', 1920), ('江苏', 1919), ('天津', 1918), ('黑龙江', 1918), ('湖南', 1800), ('新疆', 1799), ('辽宁', 1680), ('甘肃', 1680), ('广西', 1679), ('湖北', 1679), ('内蒙古', 1559), ('山西', 1440), ('福建', 1440), ('江西', 1440), ('浙江', 1440), ('陕西', 1439), ('河北', 1439), ('青海', 1339), ('贵州', 1200), ('吉林', 1080), ('西藏', 942), ('宁夏', 702), ('海南', 360), ('香港', 353), ('澳门', 117)]


征婚宣言一般是介绍自己情况，表达对另一半的要求和期望，下面我们分别来看看相亲男女征婚宣言里关键词都有些什么。
# -*- coding: UTF-8 -*-"""@File    ：征婚宣言词云.py@Author  ：叶庭云@CSDN    ：https://yetingyun.blog.csdn.net/"""import pandas as pdimport jiebaimport collectionsimport refrom wordcloud import WordCloudimport matplotlib.pyplot as pltimport numpy as npfrom PIL import Image
# 提取性别  征婚宣言这两列数据就好df = pd.read_excel('处理后数据.xlsx')[['性别', '征婚宣言']]# df1 = df[df['性别'] == '女士']['征婚宣言']df2 = df[df['性别'] == '女士']['征婚宣言']
# 读取停用词数据with open('stop_words.txt', encoding='utf-8') as f:    con = f.read().split('\n')    # 得到每一行的停用词    stop_words = set()    for i in con:        stop_words.add(i)
result_list = []for data in df2:    # 文本预处理  去除一些无用的字符   只提取出中文出来    new_data = re.findall('[\u4e00-\u9fa5]+', data, re.S)    new_data = "/".join(new_data)    # 文本分词    seg_list_exact = jieba.cut(new_data, cut_all=True)    # 去除停用词和单个词    for word in seg_list_exact:        if word not in stop_words and len(word) > 1:            result_list.append(word)
print(result_list)# 筛选后统计word_counts = collections.Counter(result_list)mask_ = 255 - np.array(Image.open('woman_mask.png'))# 绘制词云my_cloud = WordCloud(    background_color='white',  # 设置背景颜色  默认是black    mask=mask_,    font_path='simhei.ttf',   # 设置字体  显示中文    max_font_size=112,        # 设置字体最大值    min_font_size=12,         # 设置字体最小值    random_state=88           # 设置随机生成状态，即多少种配色方案).generate_from_frequencies(word_counts)
# 绘制词云plt.figure(figsize=(8, 5), dpi=200)# 显示生成的词云图片plt.imshow(my_cloud, interpolation='bilinear')# 显示设置词云图中无坐标轴plt.axis('off')plt.savefig('woman_cloud.png', dpi=200)plt.show()

结果如下：


相亲男女征婚宣言里，喜欢、希望、生活、善良、真诚、真心、幸福、性格都是出现频率高的词语。
以上。

程序员如何避免陷入“内卷”、选择什么技术最有前景，中国开发者现状与技术趋势究竟是什么样？快来参与「2020 中国开发者大调查」，更有丰富奖品送不停！


☞估值飙至 280 亿美元，Databricks G 轮融资 10 亿美元，谁说开源不挣钱？
☞编程网站 Perl.com 被劫，售价 19 万美元
☞Windows 会有开源的一天吗？
☞抖音否认封杀腾讯；程序员拒绝带电脑回家被开除，获赔 19.4 万；Excel 具备图灵完备性 | 极客头条