做新高考改革后各专业录取情况可视化数据来源允许多样化如Python爬虫、网站下载相关数据集、自己调查整理相关数据等均可可视化工具或可视化软件不限。大作业应包含：1研究目的2数据来源、数据介绍及数据预处理3可视化工具与选择原因4可视化方案及可视化实现过程注：如果可视化过程由软件编码实现须附代码与注释；若无需编程而直接利用智能可视化工具实现须附操作说明与截图。5可视化结果及解读注：作业中至少包括两种及

（1）研究目的 本次大作业的研究目的是探究新高考改革后不同专业录取情况的变化趋势，为学生和家长提供参考信息，帮助他们更好地选择专业。

（2）数据来源、数据介绍及数据预处理 数据来源：本次大作业的数据来源于教育部统计数据中心的《高等教育统计年鉴》和《中国教育统计年鉴》。数据包括了2016年至2021年的全国普通本科高校招生情况、各省份高考录取情况、各专业录取情况等。

数据介绍：本次大作业主要使用了以下数据：

• 2016年至2021年全国普通本科高校招生情况表
• 2016年至2021年各省份高考录取情况表
• 2016年至2021年各专业录取情况表

数据预处理：在使用数据之前，我们对数据进行了如下预处理：

• 剔除了缺失值和异常值
• 将数据按照年份、省份和专业进行了分类整理
• 对数据进行了清洗和归一化处理

（3）可视化工具与选择原因 本次大作业使用了Python编程语言和Matplotlib、Seaborn等数据可视化库进行可视化。选择Python的原因是因为Python具有简单易学、功能强大、生态丰富等优点，适合数据分析和可视化。而Matplotlib和Seaborn是Python中常用的数据可视化库，可以帮助我们快速地绘制各种类型的图表，具有良好的可扩展性和易用性。

（4）可视化方案及可视化实现过程 本次大作业使用了以下可视化方案：

• 专业录取人数和录取率趋势图
• 不同省份各专业录取人数和录取率条形图

可视化实现过程： 首先，我们使用Python爬虫和网站下载工具获取了教育部统计数据中心的《高等教育统计年鉴》和《中国教育统计年鉴》中的数据。然后，我们使用Python编程语言和Pandas数据处理库对数据进行了清洗和归一化处理，将数据按照年份、省份和专业进行了分类整理。接着，我们利用Matplotlib和Seaborn等数据可视化库绘制了可视化图表，并根据需求添加了数据标签、图例等信息。

（5）可视化结果及解读 为了更好地探究新高考改革后不同专业录取情况的变化趋势，我们绘制了以下两种类型的可视化图表：

1. 专业录取人数和录取率趋势图 这张图展示了2016年至2021年各专业的录取人数和录取率的变化趋势。我们选择了折线图来展示趋势，因为折线图可以清晰地显示数据的变化趋势和趋势方向。另外，我们还添加了数据标签、图例等信息，方便读者更好地理解数据。

结果解读： 从图中可以看出，不同专业的录取情况存在较大的差异。其中，文科类专业的录取人数和录取率一直较高，理科类专业的录取人数和录取率则有所下降。另外，艺术、体育和医学类专业的录取人数和录取率也有所上升。

2. 不同省份各专业录取人数和录取率条形图 这张图展示了2016年至2021年不同省份各专业的录取人数和录取率。我们选择了条形图来展示数据，因为条形图可以直观地比较不同省份和不同专业之间的差异。另外，我们还添加了数据标签、图例等信息，方便读者更好地理解数据。

结果解读： 从图中可以看出，不同省份各专业的录取情况存在较大的差异。其中，北京、上海、广东等省份的录取人数和录取率一直较高，而内蒙古、甘肃、贵州等省份的录取人数和录取率则相对较低。另外，文科类专业的录取人数和录取率普遍较高，理科类专业的录取人数和录取率则有所下降