华为杯成绩出来的那几天我的建模群消息基本没断过。晒奖的、查排名的、争论E题评阅尺度的热闹程度堪比往年春节。今年是第二十二届中国研究生数学建模竞赛作为一个连续跟了近三届研赛数据的老选手我拿到官方公示的获奖名单之后第一时间做了一轮完整的成绩数据分析——从赛题热度到获奖率从一等奖高校分布到选题策略尽量把公开信息榨干看看数据背后到底藏了哪些值得琢磨的规律。这篇文章就是这次分析的全过程记录。我会从数据怎么拿、怎么清洗到核心分析维度怎么拆解再到可视化怎么做最后聊聊我踩过的坑和统计上容易犯的错。如果你准备参加下一届研赛或者你是带队老师想评估指导方向又或者你单纯想看看华为杯的获奖生态长什么样这篇文章应该能给你一些别人不会写的参考。1. 为什么要倒腾成绩数据它能回答哪些实际问题1.1 一份获奖名单不只是名单它是竞赛生态的切片很多人拿到获奖名单扫一眼自己学校有没有名字就关掉了。但其实这份名单里每一行都对应着一个真实参赛队伍四天三夜的选择选哪道题、怎么配置队员、最后拿到什么奖。把这些行汇总起来能看到的东西远超想象。以赛题分布来说获奖名单里每个赛题对应多少支队伍能在一定程度上反映这道题的“人气”。虽然严格来说它只能代表“获奖队伍中的选题偏好”不能完全代表所有参赛队伍但结合你所在的建模群、知乎、公众号里的讨论声量就能拼出一个比较完整的图景。今年我在几个大群里明显感觉到D题和E题的讨论热度高于其他题目而获奖名单的统计结果也印证了这个体感。另一个看得见的东西是奖项分布。一等奖、二等奖、三等奖各占多少获奖面有多宽直接决定你“拿奖的难度预期”。很多第一次参加研赛的同学对奖项没有概念以为“只要认真做完就能拿奖”这种想法非常危险。1.2 三类核心读者各自想从这里拿到什么我做这次分析之前给自己列了一个问题清单后来发现这些问题基本覆盖了不同人群的需求。对于打算参加下一届的学生来说最关心的是“有没有更容易拿奖的题”。注意我问的是“更容易”而不是“简单”。因为数学建模赛题没有真正简单的但不同赛题的竞争烈度、评阅尺度确实有差异。这个问题可以用数据给出一个概率参考。对于指导老师和学院教务来说关注点在于“哪些方向能出成绩”。如果某个学校在特定类型题目上屡屡拿一等奖说明这个方向有师资积累、有传承、有训练套路投入指导资源会更有针对性。对于像我这样单纯对竞赛生态感兴趣的人数据能回答的是更宏观的问题参赛规模是不是一年比一年大获奖率是变高还是变低哪些学校是稳定的获奖大户哪些是异军突起的黑马1.3 先说清楚这次统计的边界在进入正文之前我必须把口径交代清楚否则后面所有的数字都可能被误解。本次分析基于官方公示的获奖名单也就是获得一等奖、二等奖、三等奖以及专项奖的队伍。成功参赛奖不会被完整公布落榜队伍更不可能出现在名单里。所以这是一份“获奖者视角”的数据无法精确计算每道题真正的落榜率。凡是涉及“选题总人数”的判断我都只能做逻辑推断而不是直接断言。这一点非常重要也是很多人做类似分析最容易犯的错。2. 数据准备名单从哪下载、怎么清洗、有哪些硬骨头2.1 官方数据源和版本选择别一上来就用PDF华为杯的获奖名单一般会发布在赛事官方网站上文件格式通常是xlsx和pdf两种。这里我强烈建议优先下载Excel版本不要偷懒直接用PDF转表格。原因很简单PDF版本的获奖名单为了排版好看经常出现合并单元格、换行断句、学校名称被拆成两行之类的情况。用tabula或者pdfplumber提取时很容易出现错行比如一个队伍的三名队员被拆到两行里或者学校名和奖项错位。这类脏数据清洗起来极其痛苦。另外要注意版本。每年公布成绩之后会有公示期公示期内可能有异议、复核、调整。所以下载文件时一定要看清文件名里有没有“最终版”“定稿”之类的字样。我遇到过拿着公示稿做统计、结果最后官方补录了几个一等奖名额的情况数字白算。2.2 清洗三关编码、学校名、奖项字段下载到Excel文件之后真正的苦活才开始。获奖名单的字段一般包括队号队伍编号、学校名称、选题编号、奖项等级、队员姓名、指导教师等。大致看一下结构但你永远会碰到意外。第一关是中文乱码。如果你用pandas直接read_excel一般不会乱码因为有openpyxl兜底。但如果某些志愿者整理的名单是CSV格式用read_csv读取时就容易遇到编码问题。Windows下可以尝试encodinggbkmacOS或Linux下尝试encodingutf-8或gb18030。我个人的习惯是一律先用Excel打开另存为xlsx让格式问题提前暴露而不是在代码里硬猜编码。第二关是学校名称规范化。这是最花时间的一步。官方名单里同一个学校的名称可能有多种写法比如“北京大学医学部”和“北京大学”会被分成两行“哈尔滨工业大学深圳”和“哈尔滨工业大学”也会被分开。如果直接做groupby北京大学的获奖数量会被拆成两半排名自然失真。我的处理方法是建一个映射字典把带有校区、研究院、医学部这类后缀的学校合并到主校名下。第三关是奖项字段的统一。有些年份的名单里获奖等级写的是“一等奖”有些写“一等奖华为专项奖”还有写“国家一等奖”的。这些如果不归一化后面统计等级时会出现“假类别”。对于本文的分析我把所有一等奖统一归为“一等奖”然后单独把专项奖作为另一个标签保留。2.3 一套直接能跑的清洗流程下面是一段可以改用的Python代码数据字段名请按照自己下载的Excel表头调整。我以“队号、学校、选题、奖项、队员1、队员2、队员3、指导老师”这个常见结构为例。import pandas as pd # 读取数据注意sheet_name按实际情况填写 df pd.read_excel(华为杯2025获奖名单.xlsx, sheet_name最终版) # 重命名字段方便后续处理 df.columns [队号, 学校, 选题, 奖项, 队员1, 队员2, 队员3, 指导老师] # 第一步去空格、换行符 for col in [学校, 选题, 奖项]: df[col] df[col].astype(str).str.replace(\n, ).str.replace( , ).str.strip() # 第二步学校名称规范化映射 school_map { 北京大学医学部: 北京大学, 清华大学深圳国际研究生院: 清华大学, 哈尔滨工业大学深圳: 哈尔滨工业大学, 山东大学威海: 山东大学, 浙江大学软件学院: 浙江大学, } df[学校] df[学校].replace(school_map) # 第三步奖项归一化 df[奖项] df[奖项].replace({ 一等奖华为专项奖: 一等奖, 国家一等奖: 一等奖, 全国一等奖: 一等奖, # 二等奖、三等奖如果也有类似情况按相同思路补充 }) # 第四步去掉重复行 df df.drop_duplicates(subset[队号]) # 看看清洗后的效果 print(df.head()) print(总记录数, len(df))这段代码的思路很直白先处理格式问题再做名称合并最后统一口径。每一步顺序不能乱如果先合并且后做去空格映射字典可能匹配不上因为源数据里学校名后面可能带着空格。2.4 用“总数核对法”验证数据质量清洗完成后一定不要直接上统计。我用一个笨办法做质量验证叫“总数核对法”。第一步去官网新闻稿或者赛事总结里找参赛队伍总数。比如新闻报道提到“本届共有来自全国500多所高校的2万余支队伍参赛”那你手里的获奖名单行数应该明显小于这个数而且获奖比例通常在35%到45%之间。如果算出来获奖比例高达80%说明名单范围搞错了可能只下载了获奖比例特别高的某一类名单。第二步抽查自己熟悉的高校。随便选两三所你了解情况的高校比如你本科母校或身边的学校看名单里的队号、选题、奖项是否和你在学院通知里看到的一致。这一步不费时间但极其有效能快速暴露合并单元格没被正确处理、字段错位之类的数据问题。第三步看学校唯一值的数量是否合理。如果清洗后的学校数量比往年多了几十个大概率是同一学校的校区变体没有被合并干净。3. 核心分析结果赛题热度、获奖比例和高校格局3.1 赛题热度哪道题是“卷王之王”清洗完数据之后我做的第一个统计就是选题热度即各赛题在获奖名单中出现的频率。本届共有A到E五个赛题从统计结果看E题和D题对应的获奖队伍数量明显偏高这和赛期大家在群里吐槽“E题题面看了三遍没看懂”形成了有趣的对照——看不懂的人多选的人也多。凝练一下选题热度高的三个原因。一是题目背景贴近日常生活比如交通调度、资源配置、数据分析这类不需要额外补充大量专业知识就能开始建模型二是参考资料丰富往年论文和开源代码多起步门槛低三是题目自带“工程应用感”用到的算法相对成熟队伍容易在四天内拼出一个完整结果。不过热门题目是不是好选择要拆开看。获奖名单中某题队伍多只能说明“选择该题且获奖的人”多不能直接说明“选这道题更容易获奖”。如果一个题目总参赛人数特别多但获奖率偏低它可能反而是一条红海赛道。这个问题我会在3.2小结里继续讲。3.2 奖项分布一等奖的竞争比想象中更激烈接下来看奖项等级的整体分布。基于公开数据粗略估算近几届华为杯的整体获奖率三等奖及以上稳定在35%到45%之间其中一等奖比例通常不超过2%二等奖约13%到15%三等奖约20%到25%。下面这个表可以直观感受一下奖项等级大致比例范围难度感受一等奖约1.2% - 2%万里挑一核心赛道的顶尖队伍二等奖约13% - 15%需要完整建模和高完成度论文三等奖约20% - 25%认真做完、格式规范就有机会成功参赛奖剩余大部分绝大多数队伍的真实归宿这个数据意味着什么如果你目标只是拿三等奖保底那么只要完整跑完比赛流程、模型合理、论文结构清楚希望不小。但如果你想要二等奖以上那就不是“做完”的问题了而是要在模型创新度、算法实现精度、论文表达质量上都达到较高水平同时还要有运气成分。一等奖就更不用说了除了硬实力还要求你们队伍的选题正好对上评阅专家的偏好。每个赛题自己的获奖率也不一样。有些题目因为选的人多、竞争激烈评阅尺度会被迫拉高导致获奖率反而低于平均水平另一些相对冷门的题因为样本量小、参赛队伍平均水平波动大有时候反而容易出现“超高获奖率”的年份。这里我特别提醒一句单届数据里的获奖率浮动非常大千万别拿一年的数据做决策。3.3 高校一等奖排名头部稳固但黑马年年都有按学校汇总一等奖数量是大家最关心的榜单。我在自己的统计口径下做了排序为了不影响官方数据权威性这里不贴精确排名只说说我看到的格局。头部高校整体还是那几所北京理工大学、武汉大学、中山大学、华中科技大学、西安电子科技大学、东南大学、南京理工大学、北京航空航天大学、电子科技大学、西北工业大学这些学校的一等奖数量经常排在榜单前列。这些学校的共同特点是数模竞赛传统深厚校内培训体系完整有稳定的高年级参赛梯队很多队伍是从大四甚至研一就开始系统性训练的。但我注意到一个容易被忽略的细节绝对的一等奖数量受参赛基数影响很大。有些学校动辄几百支队伍参加校内选拔获一等奖的数量自然多而一些地方院校可能只有几十支队伍参赛但质量极高拿到两个一等奖折算成“一等奖转化率”反而领先。如果你评价格局建议算一下“一等奖数 / 该校获奖队伍总数”这个比例更能反映学校的竞赛浓度。黑马学校也年年存在。比如个别地方高校在E题这类应用性较强的题目上连续两届拿一等奖背后往往是有比较强势的导师团队在支撑某个具体方向。这说明华为杯并不是头部985的专利选题策略和训练方向对路小体量队伍也有机会。3.4 交叉分析什么类型的学校更容易在什么题目上拿奖只看总排名太过粗糙我更关注“学校类型和赛题类型”之间的对应关系。我按学校主管部门背景和学科结构粗略分了几个类型结合几年的获奖名单做了交叉统计结论比较有意思。理工科强校尤其是通信、电子、计算机方向积累深厚的学校在协议设计、信号处理、硬件优化类题目上优势明显。这个好理解平时课程和科研训练就是这些内容。财经类院校则在数据分析、评价模型、经济调度类题目上表现出色因为他们学生的统计学和经济学功底更扎实。师范类院校虽然参赛基数和获奖总量不大但在模型推导和论文写作规范性上经常被评阅专家打高分。放到实际操作层面组队选题时可以参考这一点。如果你的队伍全部来自机械工程专业硬选纯数据分析赛题多少有点拿短板去拼别人长板的意思。反过来如果你们学校在某个类型的赛题上有拿奖传承优先考虑同类型题目至少能借用上一届队伍的论文思路和训练资源。4. 数据可视化三步把获奖名单变成能直接发朋友圈的图4.1 先想清楚“给谁看”再选图表统计做完之后表达方式直接影响传播效果。我给图分成三个使用场景不同场景对图表的精度要求不一样。如果只是自己看数据规律用matplotlib画最朴素的条形图、折线图就够了不需要任何花哨的效果。如果想拿给导师看在图上标注数据来源、统计口径再补充关键结论的注释文字让导师不用看代码也能快速抓取信息。如果你想发朋友圈或者做公众号素材可以用pyecharts做交互式图表地图热力、漏斗图、桑基图效果会更好。整体原则是图是辅助解释的不是用来装饰的。如果你做完一个图还要用自然语言反复解释“这个颜色是什么意思”“这个数字代表什么”那这个图就失败了。4.2 一份可直接改用的Python可视化代码我以“赛题热度”和“一等奖Top高校”这两个维度为例给出一段可以直接跑的代码。import pandas as pd import matplotlib.pyplot as plt # 解决中文乱码问题 plt.rcParams[font.sans-serif] [Microsoft YaHei, SimHei, PingFang SC] plt.rcParams[axes.unicode_minus] False # 假设df是清洗后的数据框 # df pd.read_excel(清洗后的名单.xlsx) # 统计各赛题获奖队伍数量 topic_stats df.groupby(选题)[队号].count().sort_values(ascendingTrue) # 统计一等奖高校数量 df_first df[df[奖项] 一等奖] school_stats df_first.groupby(学校)[队号].count().sort_values(ascendingTrue).tail(10) # 并排画两个横向条形图 fig, axes plt.subplots(1, 2, figsize(14, 5)) topic_stats.plot(kindbarh, axaxes[0], color#4C72B0) axes[0].set_title(各赛题获奖队伍数量) school_stats.plot(kindbarh, axaxes[1], color#DD8452) axes[1].set_title(一等奖数量 Top 10 高校) plt.tight_layout() plt.savefig(华为杯2025成绩分析.png, dpi300)代码很短但有几个细节值得说。设置font.sans-serif时最好把系统里确定存在的中文字体放在最前面否则matplotlib会按顺序找找不到时就会显示方块字。设置axes.unicode_minus为False是为了让负号正常显示否则坐标轴上的“-1”会变成一个横杠。保存图片用dpi300是为了在微信群里被压缩之后还能保持清晰。4.3 配色和版式别用默认的彩虹色真的辣眼睛如果你是给自己看的图用matplotlib默认配色没问题。但如果你要把图发出去默认配色是很多人的雷区。我建议至少用一组色盲友好配色比如Tableau 10或者Matplotlib的tab10配色。我自己常用的是深蓝和橙色的组合因为对比度高打印出来或者屏幕上看都比较舒服。再提一个容易被忽略的问题横向条形图的数据在plot之前先sort_values并且用ascendingTrue让数据从小到大排列这样画出来时最大的条在顶部。如果忘了排序得到的图会非常凌乱别人一眼看不出重点。另外如果学校名称很长注意调整figsize或者用plt.tight_layout()避免标签被截断。5. 统计陷阱与避坑实录这些坑我替你踩过了5.1 公示名单不等于最终名单每年成绩公布后都有公示期这期间并不是走走形式真的会有队伍的奖项被调整。去年我就亲眼见过一份基于公示稿做的高校排名后来官方发布最终稿时某高校多了一等奖名次直接跳过两档。所以做分析之前一定还要做一件事确认文件名里有没有“最终”“定稿”字样并用最终数据重新核对一遍你的核心结论。5.2 同一所学校多个校区和研究院必须合并这是最影响排名准确性的坑。官方名单里带校区后缀的学校相当多比如“哈尔滨工业大学深圳”、“山东大学威海”、“北京大学医学部”等。如果统计时不做合并排名表里同一个学校会被拆成好几条高手的成绩被稀释。建议在清洗环节就建立完整的映射字典并且每跑一次数据都检查“学校唯一值数量”如果数量超过常规模大概率有新的校区变体没被识别出来。5.3 获奖率不等于题目难度这个问题在很多场合都会被误读。某道题获奖率低并不一定意味着它难也可能是选这道题的队伍整体水平偏低因为门槛看起来低吸引了很多新手。某道题获奖率高也可能是题目的评阅标准比较宽松或者题目偏“套路化”容易踩到专家喜欢的模型套路。用单届数据判断“哪题更好拿奖”非常不可靠至少要收集两到三届的跨年数据做横向对比才能稍微减小噪声。更隐蔽的问题是幸存者偏差。我们手里只有获奖队伍的数据所有落榜队伍的选题、奖项、学校分布我们完全看不到。所以没有办法计算各赛题真实的落榜率。如果某道题获奖队伍数量多绝不代表它的“投递性价比”高因为它可能同时吸引了海量炮灰队伍。这种时候群里反馈的“题目体验”反而比单看获奖名单更有效。5.4 从PDF提取表格的惨痛教训我早期偷懒下载过PDF格式名单想用tabula直接解析成Excel结果一页数据错位了将近三分之一。PDF的表格常常使用合并单元格比如一个奖项占三行、队员姓名跨页提取出来之后队号和学校根本对不上。从那以后我的原则是能等官网出xlsx版就等实在找不到就把PDF转成文本逐行人工核对关键字段。那不叫笨办法那叫稳妥。6. 一点个人体会数据帮我做的几个参赛决策分析做完之后我对华为杯的选题策略有了更现实的认识。以前我和很多人一样觉得选赛题就是要看题目难不难、资料多不多。现在我会多加一个维度看看目标赛题的“竞争烈度”也就是它在获奖名单里的队伍量、历届获奖率变化、以及本校在这个类型题目上的历史战绩。去年帮一位师妹团队选备赛题目时我们用类似的数据思路做了对比。当时大家都在讨论大数据分析类题目热度极高而另一道偏工程优化的题目选的人相对少但学校往届在同类题上有过教练传承。权衡之后师妹组选了后者最后拿了二等奖。我不敢说这是数据的功劳但至少数据帮她们避开了最拥挤的一条赛道。最后再分享一个我在多次实战里反复提醒自己的认知数据只能告诉你概率不能替你坐在那张桌前。华为杯说到底拼的还是四天三夜里你们团队的推理速度、代码工程能力和论文写作耐力。获奖名单上的数字是抽象的但每一个数字背后都是真实存在的熬夜、争吵和重写。用数据做决策然后回到认真的训练里去这才是成绩分析真正的意义。
华为杯数学建模竞赛成绩数据分析：赛题热度与获奖格局全解析
华为杯成绩出来的那几天我的建模群消息基本没断过。晒奖的、查排名的、争论E题评阅尺度的热闹程度堪比往年春节。今年是第二十二届中国研究生数学建模竞赛作为一个连续跟了近三届研赛数据的老选手我拿到官方公示的获奖名单之后第一时间做了一轮完整的成绩数据分析——从赛题热度到获奖率从一等奖高校分布到选题策略尽量把公开信息榨干看看数据背后到底藏了哪些值得琢磨的规律。这篇文章就是这次分析的全过程记录。我会从数据怎么拿、怎么清洗到核心分析维度怎么拆解再到可视化怎么做最后聊聊我踩过的坑和统计上容易犯的错。如果你准备参加下一届研赛或者你是带队老师想评估指导方向又或者你单纯想看看华为杯的获奖生态长什么样这篇文章应该能给你一些别人不会写的参考。1. 为什么要倒腾成绩数据它能回答哪些实际问题1.1 一份获奖名单不只是名单它是竞赛生态的切片很多人拿到获奖名单扫一眼自己学校有没有名字就关掉了。但其实这份名单里每一行都对应着一个真实参赛队伍四天三夜的选择选哪道题、怎么配置队员、最后拿到什么奖。把这些行汇总起来能看到的东西远超想象。以赛题分布来说获奖名单里每个赛题对应多少支队伍能在一定程度上反映这道题的“人气”。虽然严格来说它只能代表“获奖队伍中的选题偏好”不能完全代表所有参赛队伍但结合你所在的建模群、知乎、公众号里的讨论声量就能拼出一个比较完整的图景。今年我在几个大群里明显感觉到D题和E题的讨论热度高于其他题目而获奖名单的统计结果也印证了这个体感。另一个看得见的东西是奖项分布。一等奖、二等奖、三等奖各占多少获奖面有多宽直接决定你“拿奖的难度预期”。很多第一次参加研赛的同学对奖项没有概念以为“只要认真做完就能拿奖”这种想法非常危险。1.2 三类核心读者各自想从这里拿到什么我做这次分析之前给自己列了一个问题清单后来发现这些问题基本覆盖了不同人群的需求。对于打算参加下一届的学生来说最关心的是“有没有更容易拿奖的题”。注意我问的是“更容易”而不是“简单”。因为数学建模赛题没有真正简单的但不同赛题的竞争烈度、评阅尺度确实有差异。这个问题可以用数据给出一个概率参考。对于指导老师和学院教务来说关注点在于“哪些方向能出成绩”。如果某个学校在特定类型题目上屡屡拿一等奖说明这个方向有师资积累、有传承、有训练套路投入指导资源会更有针对性。对于像我这样单纯对竞赛生态感兴趣的人数据能回答的是更宏观的问题参赛规模是不是一年比一年大获奖率是变高还是变低哪些学校是稳定的获奖大户哪些是异军突起的黑马1.3 先说清楚这次统计的边界在进入正文之前我必须把口径交代清楚否则后面所有的数字都可能被误解。本次分析基于官方公示的获奖名单也就是获得一等奖、二等奖、三等奖以及专项奖的队伍。成功参赛奖不会被完整公布落榜队伍更不可能出现在名单里。所以这是一份“获奖者视角”的数据无法精确计算每道题真正的落榜率。凡是涉及“选题总人数”的判断我都只能做逻辑推断而不是直接断言。这一点非常重要也是很多人做类似分析最容易犯的错。2. 数据准备名单从哪下载、怎么清洗、有哪些硬骨头2.1 官方数据源和版本选择别一上来就用PDF华为杯的获奖名单一般会发布在赛事官方网站上文件格式通常是xlsx和pdf两种。这里我强烈建议优先下载Excel版本不要偷懒直接用PDF转表格。原因很简单PDF版本的获奖名单为了排版好看经常出现合并单元格、换行断句、学校名称被拆成两行之类的情况。用tabula或者pdfplumber提取时很容易出现错行比如一个队伍的三名队员被拆到两行里或者学校名和奖项错位。这类脏数据清洗起来极其痛苦。另外要注意版本。每年公布成绩之后会有公示期公示期内可能有异议、复核、调整。所以下载文件时一定要看清文件名里有没有“最终版”“定稿”之类的字样。我遇到过拿着公示稿做统计、结果最后官方补录了几个一等奖名额的情况数字白算。2.2 清洗三关编码、学校名、奖项字段下载到Excel文件之后真正的苦活才开始。获奖名单的字段一般包括队号队伍编号、学校名称、选题编号、奖项等级、队员姓名、指导教师等。大致看一下结构但你永远会碰到意外。第一关是中文乱码。如果你用pandas直接read_excel一般不会乱码因为有openpyxl兜底。但如果某些志愿者整理的名单是CSV格式用read_csv读取时就容易遇到编码问题。Windows下可以尝试encodinggbkmacOS或Linux下尝试encodingutf-8或gb18030。我个人的习惯是一律先用Excel打开另存为xlsx让格式问题提前暴露而不是在代码里硬猜编码。第二关是学校名称规范化。这是最花时间的一步。官方名单里同一个学校的名称可能有多种写法比如“北京大学医学部”和“北京大学”会被分成两行“哈尔滨工业大学深圳”和“哈尔滨工业大学”也会被分开。如果直接做groupby北京大学的获奖数量会被拆成两半排名自然失真。我的处理方法是建一个映射字典把带有校区、研究院、医学部这类后缀的学校合并到主校名下。第三关是奖项字段的统一。有些年份的名单里获奖等级写的是“一等奖”有些写“一等奖华为专项奖”还有写“国家一等奖”的。这些如果不归一化后面统计等级时会出现“假类别”。对于本文的分析我把所有一等奖统一归为“一等奖”然后单独把专项奖作为另一个标签保留。2.3 一套直接能跑的清洗流程下面是一段可以改用的Python代码数据字段名请按照自己下载的Excel表头调整。我以“队号、学校、选题、奖项、队员1、队员2、队员3、指导老师”这个常见结构为例。import pandas as pd # 读取数据注意sheet_name按实际情况填写 df pd.read_excel(华为杯2025获奖名单.xlsx, sheet_name最终版) # 重命名字段方便后续处理 df.columns [队号, 学校, 选题, 奖项, 队员1, 队员2, 队员3, 指导老师] # 第一步去空格、换行符 for col in [学校, 选题, 奖项]: df[col] df[col].astype(str).str.replace(\n, ).str.replace( , ).str.strip() # 第二步学校名称规范化映射 school_map { 北京大学医学部: 北京大学, 清华大学深圳国际研究生院: 清华大学, 哈尔滨工业大学深圳: 哈尔滨工业大学, 山东大学威海: 山东大学, 浙江大学软件学院: 浙江大学, } df[学校] df[学校].replace(school_map) # 第三步奖项归一化 df[奖项] df[奖项].replace({ 一等奖华为专项奖: 一等奖, 国家一等奖: 一等奖, 全国一等奖: 一等奖, # 二等奖、三等奖如果也有类似情况按相同思路补充 }) # 第四步去掉重复行 df df.drop_duplicates(subset[队号]) # 看看清洗后的效果 print(df.head()) print(总记录数, len(df))这段代码的思路很直白先处理格式问题再做名称合并最后统一口径。每一步顺序不能乱如果先合并且后做去空格映射字典可能匹配不上因为源数据里学校名后面可能带着空格。2.4 用“总数核对法”验证数据质量清洗完成后一定不要直接上统计。我用一个笨办法做质量验证叫“总数核对法”。第一步去官网新闻稿或者赛事总结里找参赛队伍总数。比如新闻报道提到“本届共有来自全国500多所高校的2万余支队伍参赛”那你手里的获奖名单行数应该明显小于这个数而且获奖比例通常在35%到45%之间。如果算出来获奖比例高达80%说明名单范围搞错了可能只下载了获奖比例特别高的某一类名单。第二步抽查自己熟悉的高校。随便选两三所你了解情况的高校比如你本科母校或身边的学校看名单里的队号、选题、奖项是否和你在学院通知里看到的一致。这一步不费时间但极其有效能快速暴露合并单元格没被正确处理、字段错位之类的数据问题。第三步看学校唯一值的数量是否合理。如果清洗后的学校数量比往年多了几十个大概率是同一学校的校区变体没有被合并干净。3. 核心分析结果赛题热度、获奖比例和高校格局3.1 赛题热度哪道题是“卷王之王”清洗完数据之后我做的第一个统计就是选题热度即各赛题在获奖名单中出现的频率。本届共有A到E五个赛题从统计结果看E题和D题对应的获奖队伍数量明显偏高这和赛期大家在群里吐槽“E题题面看了三遍没看懂”形成了有趣的对照——看不懂的人多选的人也多。凝练一下选题热度高的三个原因。一是题目背景贴近日常生活比如交通调度、资源配置、数据分析这类不需要额外补充大量专业知识就能开始建模型二是参考资料丰富往年论文和开源代码多起步门槛低三是题目自带“工程应用感”用到的算法相对成熟队伍容易在四天内拼出一个完整结果。不过热门题目是不是好选择要拆开看。获奖名单中某题队伍多只能说明“选择该题且获奖的人”多不能直接说明“选这道题更容易获奖”。如果一个题目总参赛人数特别多但获奖率偏低它可能反而是一条红海赛道。这个问题我会在3.2小结里继续讲。3.2 奖项分布一等奖的竞争比想象中更激烈接下来看奖项等级的整体分布。基于公开数据粗略估算近几届华为杯的整体获奖率三等奖及以上稳定在35%到45%之间其中一等奖比例通常不超过2%二等奖约13%到15%三等奖约20%到25%。下面这个表可以直观感受一下奖项等级大致比例范围难度感受一等奖约1.2% - 2%万里挑一核心赛道的顶尖队伍二等奖约13% - 15%需要完整建模和高完成度论文三等奖约20% - 25%认真做完、格式规范就有机会成功参赛奖剩余大部分绝大多数队伍的真实归宿这个数据意味着什么如果你目标只是拿三等奖保底那么只要完整跑完比赛流程、模型合理、论文结构清楚希望不小。但如果你想要二等奖以上那就不是“做完”的问题了而是要在模型创新度、算法实现精度、论文表达质量上都达到较高水平同时还要有运气成分。一等奖就更不用说了除了硬实力还要求你们队伍的选题正好对上评阅专家的偏好。每个赛题自己的获奖率也不一样。有些题目因为选的人多、竞争激烈评阅尺度会被迫拉高导致获奖率反而低于平均水平另一些相对冷门的题因为样本量小、参赛队伍平均水平波动大有时候反而容易出现“超高获奖率”的年份。这里我特别提醒一句单届数据里的获奖率浮动非常大千万别拿一年的数据做决策。3.3 高校一等奖排名头部稳固但黑马年年都有按学校汇总一等奖数量是大家最关心的榜单。我在自己的统计口径下做了排序为了不影响官方数据权威性这里不贴精确排名只说说我看到的格局。头部高校整体还是那几所北京理工大学、武汉大学、中山大学、华中科技大学、西安电子科技大学、东南大学、南京理工大学、北京航空航天大学、电子科技大学、西北工业大学这些学校的一等奖数量经常排在榜单前列。这些学校的共同特点是数模竞赛传统深厚校内培训体系完整有稳定的高年级参赛梯队很多队伍是从大四甚至研一就开始系统性训练的。但我注意到一个容易被忽略的细节绝对的一等奖数量受参赛基数影响很大。有些学校动辄几百支队伍参加校内选拔获一等奖的数量自然多而一些地方院校可能只有几十支队伍参赛但质量极高拿到两个一等奖折算成“一等奖转化率”反而领先。如果你评价格局建议算一下“一等奖数 / 该校获奖队伍总数”这个比例更能反映学校的竞赛浓度。黑马学校也年年存在。比如个别地方高校在E题这类应用性较强的题目上连续两届拿一等奖背后往往是有比较强势的导师团队在支撑某个具体方向。这说明华为杯并不是头部985的专利选题策略和训练方向对路小体量队伍也有机会。3.4 交叉分析什么类型的学校更容易在什么题目上拿奖只看总排名太过粗糙我更关注“学校类型和赛题类型”之间的对应关系。我按学校主管部门背景和学科结构粗略分了几个类型结合几年的获奖名单做了交叉统计结论比较有意思。理工科强校尤其是通信、电子、计算机方向积累深厚的学校在协议设计、信号处理、硬件优化类题目上优势明显。这个好理解平时课程和科研训练就是这些内容。财经类院校则在数据分析、评价模型、经济调度类题目上表现出色因为他们学生的统计学和经济学功底更扎实。师范类院校虽然参赛基数和获奖总量不大但在模型推导和论文写作规范性上经常被评阅专家打高分。放到实际操作层面组队选题时可以参考这一点。如果你的队伍全部来自机械工程专业硬选纯数据分析赛题多少有点拿短板去拼别人长板的意思。反过来如果你们学校在某个类型的赛题上有拿奖传承优先考虑同类型题目至少能借用上一届队伍的论文思路和训练资源。4. 数据可视化三步把获奖名单变成能直接发朋友圈的图4.1 先想清楚“给谁看”再选图表统计做完之后表达方式直接影响传播效果。我给图分成三个使用场景不同场景对图表的精度要求不一样。如果只是自己看数据规律用matplotlib画最朴素的条形图、折线图就够了不需要任何花哨的效果。如果想拿给导师看在图上标注数据来源、统计口径再补充关键结论的注释文字让导师不用看代码也能快速抓取信息。如果你想发朋友圈或者做公众号素材可以用pyecharts做交互式图表地图热力、漏斗图、桑基图效果会更好。整体原则是图是辅助解释的不是用来装饰的。如果你做完一个图还要用自然语言反复解释“这个颜色是什么意思”“这个数字代表什么”那这个图就失败了。4.2 一份可直接改用的Python可视化代码我以“赛题热度”和“一等奖Top高校”这两个维度为例给出一段可以直接跑的代码。import pandas as pd import matplotlib.pyplot as plt # 解决中文乱码问题 plt.rcParams[font.sans-serif] [Microsoft YaHei, SimHei, PingFang SC] plt.rcParams[axes.unicode_minus] False # 假设df是清洗后的数据框 # df pd.read_excel(清洗后的名单.xlsx) # 统计各赛题获奖队伍数量 topic_stats df.groupby(选题)[队号].count().sort_values(ascendingTrue) # 统计一等奖高校数量 df_first df[df[奖项] 一等奖] school_stats df_first.groupby(学校)[队号].count().sort_values(ascendingTrue).tail(10) # 并排画两个横向条形图 fig, axes plt.subplots(1, 2, figsize(14, 5)) topic_stats.plot(kindbarh, axaxes[0], color#4C72B0) axes[0].set_title(各赛题获奖队伍数量) school_stats.plot(kindbarh, axaxes[1], color#DD8452) axes[1].set_title(一等奖数量 Top 10 高校) plt.tight_layout() plt.savefig(华为杯2025成绩分析.png, dpi300)代码很短但有几个细节值得说。设置font.sans-serif时最好把系统里确定存在的中文字体放在最前面否则matplotlib会按顺序找找不到时就会显示方块字。设置axes.unicode_minus为False是为了让负号正常显示否则坐标轴上的“-1”会变成一个横杠。保存图片用dpi300是为了在微信群里被压缩之后还能保持清晰。4.3 配色和版式别用默认的彩虹色真的辣眼睛如果你是给自己看的图用matplotlib默认配色没问题。但如果你要把图发出去默认配色是很多人的雷区。我建议至少用一组色盲友好配色比如Tableau 10或者Matplotlib的tab10配色。我自己常用的是深蓝和橙色的组合因为对比度高打印出来或者屏幕上看都比较舒服。再提一个容易被忽略的问题横向条形图的数据在plot之前先sort_values并且用ascendingTrue让数据从小到大排列这样画出来时最大的条在顶部。如果忘了排序得到的图会非常凌乱别人一眼看不出重点。另外如果学校名称很长注意调整figsize或者用plt.tight_layout()避免标签被截断。5. 统计陷阱与避坑实录这些坑我替你踩过了5.1 公示名单不等于最终名单每年成绩公布后都有公示期这期间并不是走走形式真的会有队伍的奖项被调整。去年我就亲眼见过一份基于公示稿做的高校排名后来官方发布最终稿时某高校多了一等奖名次直接跳过两档。所以做分析之前一定还要做一件事确认文件名里有没有“最终”“定稿”字样并用最终数据重新核对一遍你的核心结论。5.2 同一所学校多个校区和研究院必须合并这是最影响排名准确性的坑。官方名单里带校区后缀的学校相当多比如“哈尔滨工业大学深圳”、“山东大学威海”、“北京大学医学部”等。如果统计时不做合并排名表里同一个学校会被拆成好几条高手的成绩被稀释。建议在清洗环节就建立完整的映射字典并且每跑一次数据都检查“学校唯一值数量”如果数量超过常规模大概率有新的校区变体没被识别出来。5.3 获奖率不等于题目难度这个问题在很多场合都会被误读。某道题获奖率低并不一定意味着它难也可能是选这道题的队伍整体水平偏低因为门槛看起来低吸引了很多新手。某道题获奖率高也可能是题目的评阅标准比较宽松或者题目偏“套路化”容易踩到专家喜欢的模型套路。用单届数据判断“哪题更好拿奖”非常不可靠至少要收集两到三届的跨年数据做横向对比才能稍微减小噪声。更隐蔽的问题是幸存者偏差。我们手里只有获奖队伍的数据所有落榜队伍的选题、奖项、学校分布我们完全看不到。所以没有办法计算各赛题真实的落榜率。如果某道题获奖队伍数量多绝不代表它的“投递性价比”高因为它可能同时吸引了海量炮灰队伍。这种时候群里反馈的“题目体验”反而比单看获奖名单更有效。5.4 从PDF提取表格的惨痛教训我早期偷懒下载过PDF格式名单想用tabula直接解析成Excel结果一页数据错位了将近三分之一。PDF的表格常常使用合并单元格比如一个奖项占三行、队员姓名跨页提取出来之后队号和学校根本对不上。从那以后我的原则是能等官网出xlsx版就等实在找不到就把PDF转成文本逐行人工核对关键字段。那不叫笨办法那叫稳妥。6. 一点个人体会数据帮我做的几个参赛决策分析做完之后我对华为杯的选题策略有了更现实的认识。以前我和很多人一样觉得选赛题就是要看题目难不难、资料多不多。现在我会多加一个维度看看目标赛题的“竞争烈度”也就是它在获奖名单里的队伍量、历届获奖率变化、以及本校在这个类型题目上的历史战绩。去年帮一位师妹团队选备赛题目时我们用类似的数据思路做了对比。当时大家都在讨论大数据分析类题目热度极高而另一道偏工程优化的题目选的人相对少但学校往届在同类题上有过教练传承。权衡之后师妹组选了后者最后拿了二等奖。我不敢说这是数据的功劳但至少数据帮她们避开了最拥挤的一条赛道。最后再分享一个我在多次实战里反复提醒自己的认知数据只能告诉你概率不能替你坐在那张桌前。华为杯说到底拼的还是四天三夜里你们团队的推理速度、代码工程能力和论文写作耐力。获奖名单上的数字是抽象的但每一个数字背后都是真实存在的熬夜、争吵和重写。用数据做决策然后回到认真的训练里去这才是成绩分析真正的意义。