[论文阅读] (26) 基于Excel可视化分析的论文实验图表绘制总结——以电影市场为例
《娜璋带你读论文》系列主要是督促自己阅读优秀论文及听取学术讲座,并分享给大家,希望您喜欢。由于作者的英文水平和学术能力不高,需要不断提升,所以还请大家批评指正,非常欢迎大家给我留言评论,学术路上期待与您前行,加油。
前文详细介绍了向量表征系列文章,从Word2vec和Doc2vec到Deepwalk和Graph2vec,再到Asm2vec和Log2vec。这篇文章将描述Excel可视化分析的基本知识,以2022年电影市场为例。在论文中,一个好的图表胜千言万语,而实验数据生成后如何可视化表示至关重要,之前作者通常利用Python、Echarts等编写代码实现,而这篇文章将利用Excel生成,不论是代码、工具还是Office,它们都只是论文的辅助工具,更重要的是论文的创新和实验所生成的结果。基础性文章,希望您喜欢。一方面自己英文太差,只能通过最土的办法慢慢提升,另一方面是自己的个人学习笔记,并分享出来希望大家批评和指正。希望这篇文章对您有所帮助,这些大佬是真的值得我们去学习,献上小弟的膝盖~fighting!
文章目录
- 一.论文实验图表的重要性
- 二.柱状图绘制
- 三.饼图绘制
- 四.折线图绘制
- 五.条形图绘制
- 六.词云图绘制
- 七.方框图绘制
- 八.重点:四象限图绘制
- 九.重点:演员关系图谱绘制
- 十.总结
前文赏析:
- [论文阅读] (01) 拿什么来拯救我的拖延症?初学者如何提升编程兴趣及LATEX入门详解
- [论文阅读] (02) SP2019-Neural Cleanse: Identifying and Mitigating Backdoor Attacks in DNN
- [论文阅读] (03) 清华张超老师 - GreyOne: Discover Vulnerabilities with Data Flow Sensitive Fuzzing
- [论文阅读] (04) 人工智能真的安全吗?浙大团队外滩大会分享AI对抗样本技术
- [论文阅读] (05) NLP知识总结及NLP论文撰写之道——Pvop老师
- [论文阅读] (06) 万字详解什么是生成对抗网络GAN?经典论文及案例普及
- [论文阅读] (07) RAID2020 Cyber Threat Intelligence Modeling Based on Heterogeneous GCN
- [论文阅读] (08) NDSS2020 UNICORN: Runtime Provenance-Based Detector for Advanced Persistent Threats
- [论文阅读] (09)S&P2019 HOLMES Real-time APT Detection through Correlation of Suspicious Information Flow
- [论文阅读] (10)基于溯源图的APT攻击检测安全顶会总结
- [论文阅读] (11)ACE算法和暗通道先验图像去雾算法(Rizzi | 何恺明老师)
- [论文阅读] (12)英文论文引言introduction如何撰写及精句摘抄——以入侵检测系统(IDS)为例
- [论文阅读] (13)英文论文模型设计(Model Design)如何撰写及精句摘抄——以入侵检测系统(IDS)为例
- [论文阅读] (14)英文论文实验评估(Evaluation)如何撰写及精句摘抄(上)——以入侵检测系统(IDS)为例
- [论文阅读] (15)英文SCI论文审稿意见及应对策略学习笔记总结
- [论文阅读] (16)Powershell恶意代码检测论文总结及抽象语法树(AST)提取
- [论文阅读] (17)CCS2019 针对PowerShell脚本的轻量级去混淆和语义感知攻击检测
- [论文阅读] (18)英文论文Model Design和Overview如何撰写及精句摘抄——以系统AI安全顶会为例
- [论文阅读] (19)英文论文Evaluation(实验数据集、指标和环境)如何描述及精句摘抄——以系统AI安全顶会为例
- [论文阅读] (20)USENIXSec21 DeepReflect:通过二进制重构发现恶意功能(恶意代码ROI分析经典)
- [论文阅读] (21)S&P21 Survivalism: Systematic Analysis of Windows Malware Living-Off-The-Land (经典离地攻击)
- [论文阅读] (22)图神经网络及认知推理总结和普及-清华唐杰老师
- [论文阅读] (23)恶意代码作者溯源(去匿名化)经典论文阅读:二进制和源代码对比
- [论文阅读] (24)向量表征:从Word2vec和Doc2vec到Deepwalk和Graph2vec,再到Asm2vec和Log2vec(一)
- [论文阅读] (25)向量表征经典之DeepWalk:从Word2vec到DeepWalk,再到Asm2vec和Log2vec(二)
- [论文阅读] (26) 基于Excel可视化分析的论文实验图表绘制总结——以电影市场为例
一.论文实验图表的重要性
个人认为,实验部分同样重要,更重要是如何通过实验结果、对比实验、图表描述来支撑你的创新点,让审稿老师觉得,就应该这么做,amazing的工作。作为初学者,我们可能还不能做到非常完美的实验,但一定要让文章的实验足够详细,力争像该领域的顶级期刊或会议一样,并且能够很好的和论文主题相契合,这样文章的价值也体现出来了。
- 对于结果的呈现,作图是特别重要的,一张好图胜过千言万语。
图/表的十个关键点(10 key points)
- 说明部分要尽量把相应图表的内容表达清楚
- 图的说明一般在图的下边
- 表的说明一般在标的上边
- 表示整体数据的分布趋势的图不需太大
- 表示不同方法间细微差别的图不能太小
- 几个图并排放在一起,如果有可比性,并排图的取值范围最好一致,利于比较
- 实验结果跟baseline在绝对数值上差别不大,用列表价黑体字
- 实验结果跟baseline在绝对数值上差别较大,用柱状图/折线图视觉表现力更好
- 折线图要选择适当的颜色和图标,颜色选择要考虑黑白打印的效果
- 折线图的图标选择要有针对性:比如对比A, A+B, B+四种方法:
A和A+的图标要相对应(例如实心圆和空心圆),B和B+的图标相对应(例如实心三角形和空心三角形)
说明部分要尽量把相应图表的内容表达清楚
图的说明一般在图的下边;表的说明一般在表的上边;表示整体数据的分布趋势的图不需太大;表示不同方法间细微差别的图不能太小。
几个图并排放在一起,如果有可比性,并排图的x/y轴的取值范围最好一致,利于比
较。
实验结果跟baseline在绝对数值上差别不大,用列表加黑体字;实验结果跟baseline在绝对数值上差别较大,用柱状图/折线图视觉表现力更好。
折线图要选择适当的颜色和图标,颜色选择要考虑黑白打印的效果;折线图的图标选择要有针对性,比如对比A, A+,B, B+四种方法。
二.柱状图绘制
Office办公软件具有强大的功能,尤其是绘图方面,包括Excel、PPT、Visio等。下图展示WPS Excel常见的图表类型。
本文以2022年中国电影市场数据为例,介绍基于Excel可视化分析的论文实验图表绘制方法。首先是柱状图,其效果如下图所示。
第一步:假设存在如图所示的近十年总票房、国产片票房和票房过亿元电影数量。
第二步:选中表格数据,点击“插入”=>“全部图表”,然后选择包含柱状图和折线图的组合图。
生成结果如下图所示。
第三步:选中图片,右键“设置数据系列格式”,然后设置字体颜色、表格线条等内容。
设置颜色如下图所示:
第四步:设置柱状图的填充图案、间距、线条等内容,设置左右坐标轴的刻度,让图像更饱满。
此时效果图如下所示:
第五步:添加数据标签,这里需要设置折线图节点的形状,在“填充与线条”=>“标记”的“数据标记选项”中设置,如下图所示:
最终效果如图所示:
三.饼图绘制
饼图绘制效果如下图所示:
第一步:假设存在2022年国产片和进口片的占比。
第二步:选中表格数据,点击“插入”=>“全部图表”,然后选择饼图。
第三步:为更好地区分区域,设置形状及格式即可。
四.折线图绘制
折线图绘制效果如下图所示:
第一步:假设存在近四年中国内地电影市场每月票房数据,如下图所示,我们需要对比折线图变化趋势。
第二步:选中表格数据,点击“插入”=>“全部图表”,然后选择带节点的平缓折线图。
如下图所示:
第三步:设置折线的形状、格式并添加数据标签。
五.条形图绘制
为更好地比较近四年三大黄金档期票房,绘制如下图所示的条形图。
第一步:假设存在近四年中国内地电影市场三大黄金档期票房。
第二步:选中表格数据,点击“插入”=>“全部图表”,然后选择条形图。
第三步:设置条形图的格式即可。
六.词云图绘制
为更好地评估影投公司2022年对中国电影的贡献,绘制如下图所示的词云图。先前的词云通常利用Python调用WordCloud库或PyEcharts实现,Excel如今也具备该功能。
第一步:假设存在影投公司的综合票房数据。
第二步:选中表格数据,点击“插入”=>“全部图表”,然后从其它图表中选择词云图。
此时的效果如下图所示:
第三步:选择图像右键,设置不同字体的颜色及格式。
七.方框图绘制
玫瑰方框图绘制效果如下图所示:
第一步:假设2022年总票房前十的观众年龄画像如下图所示。
第二步:选中表格数据,点击“插入”=>“全部图表”,然后从其它图表中选择方框图。
第三步:设置字体大小及垂直居中即可。
八.重点:四象限图绘制
如果读者认为Excel仅能绘制简单的图形,那就错了。接下来我们利用Excel绘制一个比较难的图形——四象限图,通过该图来评估电影的用户画像,从票房和豆瓣评分两个角度介绍,也是本文的重点。效果图如下所示:
第一步:假设存在春节档和国庆档电影票房超10亿元的影评信息,如下图所示。我们将票房大于30亿元的定位超高票房电影,豆瓣评分大于7的认为高质量电影。那么,如何绘制四象限图呢?
第二步:选中春节档票房和豆瓣评分两列电影数据,然后添加带坐标的散点图。
如下图所示:
第三步:选中坐标轴右键“设置坐标轴格式”,设置横坐标(票房)“坐标轴值”为30亿元。
接着设置评分为7,此时效果如图所示。
第四步:为节点添加标签,即电影名称。右键选中节点,然后添加数据标签,如下图所示。那么,如何将评分替换为电影名称呢?
第五步:继续选中节点,右键“设置数据标签格式”。在“标签包括”选项中勾选“单元格中的值”。
然后选择在弹出的数据标签区域中选择电影名称,如下图所示:
接着在右类标签设置中仅显示“单元格中的值”,显示效果如下图所示:
第六步:设置坐标轴的格式,含颜色、字体、线条等类型,并添加箭头。
此外,重合的标签区分下,显示效果如下图所示:
第七步:添加国庆档的数据,按照上述方法再进行设置。右键“选择数据”。
添加数据。
选择两列对应数据。
点击确定后新增节点,如下图所示。
第八步:设置节点格式,以区分春节档和国庆档。
最终通过上述设置如下图所示:
三个档期对比图如下所示:
九.重点:演员关系图谱绘制
最后,本文将补充演员关系图谱,它也是电影产业分析的重要内容,如下图所示。
- 利用Gephi实现,而非Excel
第一步:假设存在2022年所有电影的演员统计表,如下图所示。演员和导演可以通过豆瓣填写。
第二步:将演员信息复制到data.txt中(仅部分),然后撰写代码提取演员两两合作关系。
#coding:utf-8
import csv
import os
import time
import numpy as np
from scipy.sparse import coo_matrix
from collections import Counterdef get_feature(fr_name,fw_name):#记录关键词word = []all_str = ""fr = open(fr_name,"r",encoding="utf-8")#---------------------------------------------------------------------------#读取数据for line in fr.readlines():line = line.strip()line = line.replace("\n", "")all_str += line + "/"for n in line.split("/"):if n not in word:word.append(n)fr.close()print(len(word)) #关键词总数print(word)#数量统计all_words = all_str.split("/")c = Counter()for x in all_words:if len(x)>1 and x != '\r\n':c[x] += 1print('\n词频统计结果:')for (k,v) in c.most_common(20):print("%s:%d"%(k,v))#采用coo_matrix函数解决该MemoryError矩阵过大汇报内存错误word_vector = coo_matrix((len(word),len(word)), dtype=np.int32).toarray() print(word_vector.shape)#---------------------------------------------------------------------------#计算共现矩阵fr = open(fr_name,"r",encoding="utf-8")num = 0line = fr.readline() while line:line = line.strip()line = line.replace("\n", "")nums = line.split("/")#print(nums)#循环遍历关键词所在位置 设置word_vector计数i,j = 0,0while i<len(nums): #ABCD共现 AB AC AD BC BD CD加1j = i + 1w1 = nums[i] #第一个单词while j<len(nums):w2 = nums[j] #第二个单词k = 0n1 = 0while k<len(word): #从word数组中找到单词对应的下标if w1==word[k]:n1 = kbreakk = k +1#寻找第二个关键字位置k = 0n2 = 0while k<len(word):if w2==word[k]:n2 = kbreakk = k +1#重点:词频矩阵赋值 只计算上三角if n1<=n2:word_vector[n1][n2] = word_vector[n1][n2] + 1else:word_vector[n2][n1] = word_vector[n2][n1] + 1j = j + 1#print(w1,w2,n1,n2)i = i + 1num += 1line = fr.readline()fr.close()print("next:",num)#---------------------------------------------------------------------------#CSV文件写入fw = open(fw_name,"w",encoding="utf-8",newline="")writer = csv.writer(fw)writer.writerow(['Word1', 'Word2', 'Weight'])i = 0while i<len(word):w1 = word[i]j = 0 while j<len(word):w2 = word[j]#判断两个词是否共现 共现词频不为0的写入文件if word_vector[i][j]>0:#写入文件templist = []templist.append(w1)templist.append(w2)templist.append(str(int(word_vector[i][j])))writer.writerow(templist)j = j + 1i = i + 1else:fw.close()#共现分析
fr_name = "data.txt"
fw_name = "keywords-rela.csv"
get_feature(fr_name,fw_name)
print(fw_name)
代码的运行结果如下图所示,可以看到两两合作演员信息。
第三步:构建实体和关系数据集,按照gephi格式,如下图所示。
第四步:利用Gephi绘制知识图谱,导入数据至该软件并调整参数,详见作者前文。
- [Pyhon大数据分析] 五.人民网新闻话题抓取及Gephi构建主题知识图谱
最终结果如下图所示:
十.总结
写到这里,这篇文章就分享结束了,希望对您有所帮助,写得不好的地方,还请各位老师和博友批评指正。
提前祝大家新年快乐,也祝大家在读博和科研的路上不断前行。项目学习再忙,也要花点时间读论文和思考,这些大佬真心值得我们学习,加油!这篇文章就写到这里,希望对您有所帮助。由于作者英语实在太差,论文的水平也很低,写得不好的地方还请海涵和批评。同时,也欢迎大家讨论,继续努力!感恩遇见,且看且珍惜。
(By:Eastmount 2023-01-18 周三夜于贵阳 http://blog.csdn.net/eastmount/ )
[论文阅读] (26) 基于Excel可视化分析的论文实验图表绘制总结——以电影市场为例相关推荐
- 论文阅读笔记——基于CNN-GAP可解释性模型的软件源码漏洞检测方法
本论文相关内容 论文下载地址--Engineering Village 论文阅读笔记--基于CNN-GAP可解释性模型的软件源码漏洞检测方法 文章目录 本论文相关内容 前言 基于CNN-GAP可解释性 ...
- 论文阅读:基于LSTM的船舶航迹预测模型
论文阅读:基于LSTM的船舶航迹预测模型 论文下载:https://download.csdn.net/download/qq_33302004/15449386 目录 1. 摘要 2. 文章段落主要 ...
- [论文阅读] (10)基于溯源图的APT攻击检测安全顶会总结
<娜璋带你读论文>系列主要是督促自己阅读优秀论文及听取学术讲座,并分享给大家,希望您喜欢.由于作者的英文水平和学术能力不高,需要不断提升,所以还请大家批评指正,非常欢迎大家给我留言评论,学 ...
- 【论文阅读】基于强化学习的上下文感知的自适应路由变异方案
[论文阅读]基于强化学习的上下文感知的自适应路由变异方案 Context-Aware Adaptive Route Mutation Scheme:A Reinforcement Learning A ...
- Algorithm:数学建模大赛(CUMCM/NPMCM)之全国大学生数学建模竞赛历年考察知识点统计可视化分析、论文评阅标准参考、国内外CUMCM数学建模类参考文献论文集合之详细攻略
Algorithm:数学建模大赛(CUMCM/NPMCM)之全国大学生数学建模竞赛历年考察知识点统计可视化分析.论文评阅标准参考.国内外CUMCM数学建模类参考文献论文集合之详细攻略 目录 全国大学生 ...
- 论文阅读:基于区块链的一个车联网轻量级安全V2V通信特点:利用无线网络传输在V2V通信中的信道特性,生成特殊的LF(链路指纹)用于标识每个信道,区块链技术用于生成区块
论文阅读:基于区块链的一个车联网轻量级安全V2V通信特点:利用无线网络传输在V2V通信中的信道特性,生成特殊的LF(链路指纹)用于标识每个信道,区块链技术用于生成区块. 系统模型: 汽车使用MICAz ...
- python画熊猫论文_Python数据可视化之美:专业图表绘制指南(全彩)
Python数据可视化之美:专业图表绘制指南(全彩)电子书 系统性地介绍Python 的绘图语法系统,包括matplotlib.Seaborn.plotnine 包,以及用于地理空间数据可视化的Bas ...
- 论文阅读——《基于卷积神经网络的车行环境多类障碍物检测与识别》
近期学习了卷积神经网络相关的知识,在课余时间阅读了一篇有关障碍物检测的硕士生论文,不过就阅读的过程而言,感觉硕士论文有些冗杂,容易让读者抓不到重点,而且篇幅较多,耗费时间有些长,以后阅读论文可以直接从 ...
- 论文阅读:基于多模态词向量的语句距离计算方法
论文信息 华阳. 基于多模态词向量的语句距离计算方法[D].哈尔滨工业大学,2018. 1.主要工作 简述语句间的距离问题:自然语言处理任务是度量文本间的距离:不同阶段语言学习的难度可以抽象为距离,本 ...
最新文章
- 检查集群状态命令_巨杉数据库SequoiaDB巨杉Tech | 四步走,快速诊断数据库集群状态...
- 各种排序算法的js实现
- 自定义sql_SQL自定义排序,想怎么排就怎么排
- STM32F4 HAL库开发 --时钟使能和配置
- ubuntu18.04安装mysql8.0.16
- cpu风扇转速慢_cpu风扇简介有哪些?cpu风扇选购技巧介绍_
- 网络爬虫--26.Scrapy中下载器中间件Downloader Middlewares的使用
- 洛谷P1725琪露诺【单调队列+dp】
- c++ linux 线程等待与唤醒_Linux驱动程序基石-POLL机制(附.视频)
- 定制clojure的REPL
- 整流七 - 三相PWM整流器—公式推导篇
- Sublime格式化代码快捷键
- 网站小图标 (favicon) 的正确设置
- 记一次完整的npm包开发 --- 发布过程
- (六)K8S中HostPath、EmptyDir、ConfigMap、Secret、Downward API用法
- Mac上的QQ字体大小和颜色设置
- 【专题3:电子工程师 之 上位机】 之 【47.使用QT Opengl显示YUV图像】
- PLC信号处理系列之开关量信号(DI)防抖
- 瘦脸针价格 瘦脸针效果 瘦脸针副作用金霞微整形
- Elasticsearch DSL语法中queries/filters执行顺序探秘
热门文章
- 如何做好区块链社区?得社区者得天下
- OpenGL 透视投影 齐次裁剪空间 深度缓存
- 请让我像亲人一样爱你
- 导弹追踪飞机c语言编程,防御导弹 (C语言代码)
- python用一维数组存储学号和成绩_用一维数组存储学号和成绩,然后,按成绩排序输出...
- 一个很棒的手机app:金手指音乐曲谱​
- XMind2020介绍、下载
- 没钱人做什么投资?1天1元也能成百万富翁
- 2017第49周二乌镇互联网大会总结
- oracle存储多少条数据类型,Oracle目前可以存储极大的对象,这是因为它引入了四种新的数据类型。其中哪一种大对象数据类型在数...