昨日研招网（中国研究生招生信息网）发布了“2015-2018硕士研究生报考数据分析报告”，从硕士报考总人数、各省报考人数、应届生往届生报考比例、学硕专硕比例、男女比例、全日制和非全日制、热门报考专业、热门高校各专业报录比这8个方面，统计了2015-2018年的研究生报考数据，从而让我们直观的看到近几年的考研走势。

据教育部数据统计，2018年考研报考人数达到238万，比2017年增加37万人，增长18.4%。其中，应届考生131万人，比去年增加18万人，往届考生107万人，比去年增加19万人，考研增加人数和增长率均为近年来最高。

下面，京德君就跟大家一起来具体看看吧！

报名人数持续增长

据教育部数据统计，2018年考研报考人数达到238万，比2017年增加37万人，增长18.4%。其中，应届考生131万人，比去年增加18万人，往届考生107万人，比去年增加19万人，考研增加人数和增长率均为近年来最高。

人数增加的主要原因：

(1)本科就业压力大，考研可提升就业竞争力;

(2)名校情结;

(3)在职研究生纳入统考，往届生考研人数增加。

多个省市报名人数持续增长

山东作为生源大省，2018年考研人数达213803人，同比增长14.54%，为历年最多。

2018年，四川省研究生招生考试报名人数再度飙升，有效报名人数达到了119523人，较2017年增加了37583人，增幅为45.87%。

黑龙江省2018年硕士研究生招生考试共计报名79242人，比2017年增加了12053人，增幅为17.9%，这是该省研究生报考人数连续第三年增长。

2018年河北省共报考120580人，比2017年增加17525人，增幅为17.0%。报名人数和增幅均创历史新高。

往届生读研比例增幅明显

部分省市专硕报名人数超过学硕

近年来，由于招生计划增加的影响，除了总体报名人数呈上涨趋势之外，专硕的报考人数增长明显，多地甚至出现专硕报考人数超过学硕的现象。

最近几年，随着专硕培养规模壮大及认可度提升，在全国报考北京招生单位的考生中，瞄准专硕的考生比例逐年提升，2015年为43%，2016年为46.3%，2017则首次超过50%，达到52.2%，到了2018年，这个比例则高达54.7%。

女生读研占比超半数

硕士研究生招生规模不断增长的同时，女生考取研究生的比例不断提高，女生成考研群体主流。

全日制和非全日制统一招生

非全日制研究生在新政策发布之后，明显提高了考试难度，尤其对于在职考生而言，意味着要付出更多的努力。相应的，非全日制研究生的含金量也必然提高，非全日制研究生顺利毕业后，将拥有“双证”(学历证书和研究生学位证书)，和全日制研究生相同。因此，非全日制研究生成为了众多在职考生的首选。

全日制和非全日制统一招生两年以来，报考非全日制的考生占比逐年增多。

报考的热门专业

以北京为例：

2018年，工商管理专业报考人数居首，为19749人，随后为会计专业的13124人和法律硕士(非法学)专业的12957人，报考人数居第四至十位的专业依次为金融、公共管理、计算机技术、法律硕士(法学)、广播电视、软件工程、计算机科学与技术。

2016年，报考“工商管理”的人数为13395名，居各专业报考人数之首，报考会计的人数为9369名，报考“法律硕士(非法学)”的人数为7608名(不含推免生)，分别居第二位和第三位。报考人数居第4至10位的专业依次为金融、公共管理、计算机科学与技术、金融学、材料科学与工程、汉语国际教育、计算机技术。

由此可见，工商管理、会计、法律硕士（非法学）连续数年成为报考专业的前三甲，依然是最热门的专业。

热门高校各专业报录比

报录比指的是报考人数和录取人数之比，报录比越大说明该专业考研难度越大。近几年研究生招生规模扩大，使硕士研究生报考的竞争度变小 ，录取率提高。但是，一些热门专业，如经济类、管理类等专业的报录比相对较高，考研难度依然很大。

中国人民大学

复旦大学

南开大学

浙江大学

注：以上统计中不含非全日制、推免生、单独考试、强军计划、退役士兵计划以及少民骨干计划考生;录取人数中包括了由本校其他相近专业调剂到该专业录取的考生。

看了研招网公布的报考数据，你有没有一些紧迫感呢？

编者按：本文来自公众号秦路（ID：tracykanc），作者秦路；36氪经授权发布。

最近有不少同学在后台问我数据分析的职业发展相关，这里先列一个简易大纲。它更多是以我所在的互联网行业展开的。

入门和职业规划应该从两个角度考虑：领域和路线。

领域是不少新人常忽略的要素，其实数据分析不会脱离业务存在。你进入哪个行业，很大程度会决定你初期的技能树和技能点。譬如金融领域的风控模型、营销领域的生命周期、广告领域的点击率预估等，各有各的特色。

如果是一位应届生，不妨多了解自己感兴趣的领域，和专业相关是最好的，并且积累相关的经验，为面试做准备。

如果已经有一定行业履历，只是想要转岗数据分析师，那么跨岗不跨行，避免跳到一个陌生的领域。

领域经验太宽泛，我给不了太多的指点，主要也就三点：1.自己感兴趣的，2.自己擅长的，3.有钱途的。从职场生涯看，成为某领域的数据专家，会是一个更好的筹码。

而路线大致可以划分成四大方向：

数据分析，数据挖掘，数据产品，数据工程。

数据分析/数据运营/商业分析

这是业务方向的数据分析师。

绝大部分人，都是从这个岗位开始自己的数据之路，也是基数最大的岗位。

因为基数大，所以这类岗位通常鱼龙混杂。有些虽然叫数据分析师，但是每天只需要和Excel打交道，完成leader布置的表格整理工作就行。混个几年，成为一位数据分析主管，给下面的新人继续布置Excel任务。

又有一种数据分析师，岗位职责要求你掌握常用的机器学习算法，面试首先推导一个决策树或者逻辑回归。入职后也是各类代码，和分析打交道的情况不多。

都叫数据分析师，其实天差地别。

这里更多指互联网行业，偏业务的数据分析师，一般属于运营部门。不少公司也称数据运营或者商业分析。

这类岗位的职位描述一般是：

负责和支撑各部门相关的报表；

建立和优化指标体系；

监控数据的波动和异常，找出问题；

优化和驱动业务，推动数据化运营；

找出可增长的市场或产品优化空间；

输出专题分析报告；

实际情况是，不少业务端的数据分析师，主要工作只做第一点。别管它用汇总、分析、数据支持什么修饰词，基本是跑SQL，做报表。硬生生活成了业务端的表哥。

这是很常见的情况，也是入门新人的第一个坑。因为从头到尾，这类分析师，都没有解决问题。

业务部门往往更关心，某个指标为什么下跌或者上升。产品的用户是什么样的？怎么能更好的完成自己的KPI。

以活跃指标的下跌举例：

活跃指标下跌了多少？是属于合理的数据波动，还是突发式？

什么时候开始的下跌？

是整体的活跃用户下跌，还是部分用户？

为什么下跌？是产品版本，还是运营失误？

怎么解决下跌的问题

这是一套标准的解决思维。分别对应what、when、who、why、how，每一部分都不是三言两语可以解释清楚。不要看它简单，例如你通过多维分析，发现某个地区的活跃下跌了，不要急着把它作为分析的结论，这是不合格的数据分析。某地区的活跃下跌，只是现象，不是原因，把它作为结论提交，肯定会被骂的。

你要解决的是，为什么这个地区的活跃下跌了。是该地渠道，是该地竞争对手，是该地市场环境？这些问题都是细化深入的范畴。并且，它们要能以量化解释，而不是我认为。

做好了这点，才是一个真正的业务端的数据分析师。

当然，这一点看的是leader。leader能否带你进入业务分析的大门，决定你将来是不是成为一个表哥。新人切记切记。

解决问题是一方面工作，另外一方面，数据分析师的职责是将业务数据体系化，建立一套指标框架。活跃下跌的问题，本质上也是指标问题。什么时候开始下跌，哪部分下跌，都能转化成对应指标，如日活跃用户数，新老用户活跃数，地区活跃数。

你不能衡量它，就无法增长它，指的就是指标体系。指标体系可以是业务部门建立，但数据分析师也挺合适。一方面他们比数据挖掘这类技术岗位更贴合业务，一方面不像业务岗位对数据抓瞎。

两者结合，这岗位也能称为数据运营。

指标体系如果工程化自动化，也就是BI，所以数据分析师可以算半个BI分析师，这里不包括BI报表开发。BI如果采购第三方，数据分析师负责BI没问题，如果自有开发，那么BI岗技术的色彩更浓厚。

数据分析思维和业务的理解，是分析师赖以生存的技能。很多时候，工具是锦上添花的作用。掌握Excel+SQL/hive，了解描述统计学，知道常见的可视化表达，足够完成大部分任务。机器学习这类能力，对此类数据分析师不是必须的，Python也一样，只是加分项。毕竟为什么下跌，你无法用数据挖掘解答。

数据分析师是一个基础岗位，如果专精于业务，更适合往管理端发展，单纯的工具和技巧很难拉开差距。数据分析的管理岗，比较常见的有数据运营经理/总监，数据分析经理等，相对应的能力是能建立指标体系，并且解决日常的各类「为什么」问题。

商业/市场分析是另外一个方向，更多见于传统行业。你要开一家超市，你得考虑哪里开，这就要考虑居民密度，居民消费能力，竞争对手的多寡，步行交通距离，开车交通距离等。这些数据是宏观的大指标，往往靠搜索和调研完成，这是和互联网数据分析师最大的差异。

若往其他分支发展，比如数据挖掘工程师，则要继续掌握Python和机器学习等。从业务型发展上来的好处是接地气，具备商业洞察力（天天搞报表，怎么可能不熟），这点是直接做数据挖掘，或者程序员转岗，所不具备的。

新人，比较普适的发展路线是先成为一位数据分析师。积累相关的经验，在一两年后，决定往后的发展，是数据挖掘，还是专精数据分析成为管理岗。

学习资料：

这里对学习资料不再多做推荐，看历史文章：如何七周成为数据分析师

数据挖掘/算法专家

这是技术向的数据岗，有些归类在研发部门，有些则单独成立数据部门。

数据挖掘工程师要求更高的统计学能力、数理能力以及编程技巧。

从概念上说，数据挖掘Data mining是一种方式，机器学习Machine Learning是一门方法/学科。机器学习主要是有监督和无监督学习，有监督又可划分成回归和分类，它们是从过去的历史数据中学习到一个模型，模型可以针对特定问题求解。

数据挖掘的范围则大得多，即可以通过机器学习，而能借助其他算法。比如协同过滤、关联规则、PageRank等，它们是数据挖掘的经典算法，但不属于机器学习，所以在机器学习的书籍上，你是看不到的。

除此之外，还有一个领域，属于最优化问题的运筹学。现实中的问题往往有很多约束，比如护士排班，一共有三班（早、中、晚），现在要求每班满足最低护士人数，每位护士尽量不能连班，每位护士不能连续工作5天。每位护士的夜班数要均衡，每位护士每月的班数要均衡…这些问题很难用机器学习的方法完成，而在最优化领域，则有遗传算法、模拟退火算法、蚁群算法等。

实际的应用场景中，如外卖行业，如何寻找骑手效率最大化的最优路径，同样属于最优化，也是数据挖掘的工作范畴。

数据挖掘工程师，除了掌握算法，同样需要编程能力去实现，不论R、Python、Scala/Java，至少掌握一种。模型的实施，往往也要求Hadoop/Spark的工程实践经验，精通SQL/Hive是必须的。

常见数据挖掘项目的闭环如下：

定义问题

数据抽取

数据清洗

特征选取/特征工程

数据模型

数据验证

迭代优化

单看环节，数据挖掘对分析能力没有业务型那么高。这不代表业务不重要，尤其在特征选取方面，对业务的理解很大程度会影响特征怎么选取，进而影响模型质量。用户流失是一个经典的考题，如何选取合适的特征，预测用户会否流失，能够考察对业务是否深刻洞察。

数据挖掘的业务领域一样可以细分。金融行业的信用模型和风控模型/反欺诈模型、广告模型的点击预估模型、电商行业的推荐系统和用户画像系统。从需求提出到落地，数据挖掘工程师除了全程跟进也要熟悉业务。

因为要求高，所以数据挖掘的平均薪资高于数据分析师。

一个分工明确的团队，数据分析师负责将业务需求抽象成一个具体的数据假设或者模型。比如，运营希望减少用户流失，那么设立一个流失指标，现在需要预测用户流失率的模型。模型可以是数据分析师完成，也能是数据挖掘工程师。最终由数据挖掘团队部署到线上。

在一些公司，高级数据分析师会等价于数据挖掘工程师（其实行业内，对Title并没有严格的标准），只是工程能力可以稍弱，模型部署由专门的工程团队完成。

数据挖掘工程师，往后发展，称为算法专家。后者对理论要求更严苛，几乎都要阅读国外的前沿论文。方向不局限于简单的分类或者回归，还包括图像识别、自然语言处理、智能量化投顾这种复合领域。这里开始会对从业者的学校和学历提出要求，名校+硕士无疑是一个大优势，也有很多人直接做数据挖掘。

深度学习则更前沿，它由神经网络发展而来，是机器学习的一个子集。因为各类框架开枝散叶，诸多模型百花齐放，也可以算一个全新的分支。除了要求熟悉TensorFlow, Caffe, MXNet等深度学习框架，对模型的应用和调参也是必备的，后者往往是划分普通人和大牛的天堑。

算法专家和深度学习专家，薪资level会更高一级，一般对应于业务型的数据运营/分析总监。

数据科学家是上述岗位的最终形态之一，要么理论能力非常强，往往担任研究院的一把手。要么工程能力突出，上述的系统都能完成平台化的部署。

这类岗位对基础知识要求扎实，所以书籍需要比较大的阅读量，而且要保持领域新论文的吸收。

统计知识，除了「商务与经济统计」外，国外有一本「The Elements of Statistical Learning」，评价不错。

机器学习的入门，李航的「统计学习方法」，周志华的「机器学习」都是好书，英文好也能看PRML。

Python入门书籍的推荐太多，略过。「用Python进行数据分析」是必备的，当然这本书有点老，活用官网最新文档和stackoverflow，基本无碍。Python可视化查阅文档也够了，不用看书。

再进一步，则是机器学习的代码实现，比较知名的有「集体智慧编程」，「机器学习实战」等。其实最近还有不少新书，「Python DataScience Handbook」等，我当然不可能都看过，所以也不好推(hu)荐(you)。

除了基础，行业领域的也别落下，诸如推荐系统实战、计算广告…按需学习。如果你们公司对于人才有较高的挑战（一个人当两个人用），大概Spark/Hadoop机器学习相关的框架也得了解。

数据产品经理

这个岗位比较新兴，它有两种理解，一种是具备强数据分析能力的PM，一种是公司数据产品的规划者。

前者，以数据导向优化和改进产品。在产品强势的公司，数据分析也会划归到产品部门，甚至运营也属于产品部。这类产品经理有更多的机会接触业务，属于顺便把分析师的活也干了，一专多能的典型。

他们会运用不同的数据源，对用户的行为特征分析和挖掘，达到改进产品。最典型的场景就是AB测试。大到页面布局、路径规划、小到按钮的颜色和样式，均可以通过数据指标评估。

下图的案例，就是弱化心愿单按钮的存在感，让用户更多的聚焦在直接购买而不是收藏，最终让销售额提高了35%。

俗话说，再优秀的产品经理也跑不过一半AB测试。此类数据产品经理，更多是注重数据分析能力，擅长用分析进行决策。数据是能力的一部分。

后者，是真正意义上的数据产品经理。在公司迈大迈强后，数据量与日俱增，此时会有不少数据相关的产品项目：包括大数据平台、埋点采集系统、BI、推荐系统、广告平台等。这些当然也是产品，自然需要提炼需求、设计、规划、项目排期，乃至落地。

我们不妨看几个数据产品经理要求：

负责大数据产品的设计，输出需求文档、产品原型；

负责推荐算法的产品策略，完成相关推荐及个性化推荐产品的需求分析；

负责分析和挖掘用户消费内容的行为数据，为改进算法策略提供依据；

负责客户端数据需求的对接，制定相关埋点规范及口径，相关业务指标验证；

报表展示工具的落地和应用；

和C端注重用户体验不同，数据产品，更注重整体的分析能力和逻辑。除了产品经理最基础的Axure、Visio、MindManager等工具。往往还需要很多技术型的能力。比如了解BI/DW原理和实施、了解常用的推荐算法、了解机器学习模型等。这也很容易理解，C端要求你了解用户需求，而在数据端，主要用户就是数据。

这当然不是说，用户体验不重要，拿推荐算法来说，除了满足用户最基本的感兴趣，也要考虑时效性，考虑新兴趣的挖掘，考虑无数据时的冷启动问题…这些一样是用户体验，只是解决方案也得从数据出发。再多思考一步，模型是离线还是实时，实时怎么实现它？技术细则不用�...

目的：通过对不同省市的高考录取率进行观察，找出影响录取率的因素，以及如何影响，并提出相关建议。

摘要：每年的这段时间都是所有高三学子最开心同样也是最担心的时间，一场高考可以改变一个人的命运，它可以轻松毁去12年的努力，也可以瞬间功成名就。通过此次数据分析，可以发现一个省的高考难度主要取决于两个方面，一是所在省份的考生人数多少，二是录取比例；其次高考难度还体现在录取分数线上；全国卷的使用存在一定的规律，而全国1卷一般适用于人口基数较大的省市，而全国2卷一般适用于人口基数较少的省市。

关键词：高考；录取率；影响因素

一、案例背景

我们生活在同样一片土地，却享受着天差地别的高考待遇。据了解，2018年的高考考生共计975万，而在这些考生中，河南、河北、山东等高考大省的一本录取率却不超10%，而北京、天津、上海的一本录取率却高达21%以上。高考大省的一本录取率本省就不高，但是其高考题的难度却是最高的，在各省学校之间一直流传着这样一句话，“你的考试成绩若是在北京一定能上一本，但是在咱们学校却只能上二本”，这也是为什么那么多家长想要在北京落户的主要原因。

此次案例分析的主要数据是2017年全国31个省市的高考情况，包括高考难度，使用的试卷，高考报名人数，一本录取率等高考录取数据，通过对各省高考录取率进行分析，发现可能影响录取率的因素，并提出相关建议。

二、案例问题

高考录取的数据是每年所有的考生及其家长非常关注的数据，而高考录取率容易受到各种因素的影响。本文将着重讨论影响不同省市的高考录取率的因素。但由于销售类的高考数据用EXCEL来进行操作会略显麻烦，使用Datafocus产品就可以快速处理大量数据，分析的准确性也高。

三、案例分析

（一）综合分析

1.高考录取率

首先计算从2000年至2017年每年的高考录取率，即为计划录取人数除以参加高考人数，大体观察这18年来的录取率的波动情况。

图1 各年全国高考录取率

从图中可以观察到，前5年的全国高考录取率基本稳定在60%左右，2005-2008年录取率有所下降，2009-2013年高考录取率迅速上升至最高值，并稳定在74%左右波动。

2.各省报名人数

通过观察各年的录取率，无法实际看出不同省市之间的差距。因此，通过画出全国31个省市的四年实际高考报名人数的折线图，观察不同省份之间存在报名人数的差异。

图2 四年各省市高考报名人数变动

从上图可以明显的看出，2017年各省的高考报名人数之间有明显的差距，报名人数最多的是河南，其次是广东，山东，四川等省份。高考大省河南的高考报名人数从2015年开始一直稳步上升，但2017年山东的高考报名人数却出现了明显的下降，同样有下降的还有江苏，甘肃等省份。

（二）2017年的高考情况分析

1.报名人数影响

高考录取率的高低取决于本省的高考报名人数、高考录取人数、高考试题的难以程度等多方因素。因此，首先对2017年各省的高考报名人数与一本录取率进行整体观察。

图3 2017年全国各省市的高考报名人数和录取率

从上图可以观察到，一本录取率最高的三个省市分别是北京、天津、上海。从图中也可以明显看到北京、上海、天津的高考报名人数也是较少的；而人口大省河南，虽然河南学子的成绩都相当优异，但由于人口数量庞大，一本录取率仍处于相对较低的情况。

2.试卷使用情况

通过对不同省市使用的试卷情况进行研究，发现试卷难度对高考录取率的影响。

图4 各省市高考试卷使用情况

从图中可以观察到，各省市的高考试卷可以分为五种类型，分别是全国1卷，2卷，3卷，自主命题，半自主命题，其中使用最多的试卷是全国2卷，其次是全国1卷，最少的是半自主命题。

图5 下钻自主命题省市

对自主命题的省市进行下钻，可以发现自主命题的省市分别是上海、北京、天津、江苏和浙江。通过对网上资料的阅读，可以发现自主命题的五大省市之中，江苏和浙江的教育水平在全国是名列前茅的，同样高考的试题也可以说是非常难，这也是导致江苏、浙江的录取率偏低的原因之一。

3.常住人口的影响

对使用全国卷的省市进行观察，通过气泡图发现该省常住人口对高考报名人数的影响。

图6 全国卷使用情况

图中气泡的大小代表该省的常住人口数多少。从图中可以观察到，全国卷的使用也具有一定的规律，常住人口较多的省市高考报名人数也越多，而全国1卷一般适用于人口基数较大的省市；常住人口较少的省市高考报名人数也越少，而全国2卷一般适用于人口基数较少的省市。

4.全国1卷录取率

对使用全国1卷的省市的一本录取率进行分析。

图7 使用全国1卷的一本录取率

从图中可以看出，录取率最高的是福建省，其次是湖北省，最低的是河南省。结合图6，可以发现，在试卷难度一样的情况下，报名人数对录取率存在巨大的影响。

5.本科计划率

除了试卷难度、高考报名人数，录取比例也是影响一本录取率的重要因素之一。通过计算不同省市的本科计划率，对比不同省市的差距。

图8 不同省市的计划本科率

从图中可以看出自主命题的省市有较高的录取比例，其次是使用全国2卷的省市，录取比例最低的是使用全国3卷的省市。

6.全国2卷录取率

通过图8的录取比例的计算，观察到使用全国2卷的省市的录取比例仅次于自主命题，因此筛选使用“全国2卷”的省市，观察其录取率情况。

图9 使用全国2卷的一本录取率

从图中可以看出，录取率最高的是宁夏，其次是辽宁，最低的是重庆。结合图6，可以发现，使用全国2卷的省市基本都是高考人数较少的西北部地区，最高的录取率也仅有11.5%。

（三）数据看板

最后将这8个结果图导入“全国各省市高考录取情况”数据看板中，为了使数据看板更为美观，在全局样式中选择第三个预设样本，选择“自由布局”。操作结果如下：

图10 数据看板

四、结论

综上所述，一个省的高考难度主要取决于两个方面，一是所在省份的考生人数多少，如果考生多，竞争就非常激烈，要想进入名校，必须拼了老命；二是录取比例，这才是更要命的，如果大学在某个省份招生人数多，录取比例相对就高，考大学就容易些，考生的机会也更多。

其次高考难度还体现在录取分数线上。同样的试卷，有的省份分数线高，而有的省却创下新低，这种现象是存在的。

全国卷的使用也具有一定的规律，常住人口较多的省市高考报名人数也越多，而全国1卷一般适用于人口基数较大的省市；常住人口较少的省市高考报名人数也越少，而全国2卷一般适用于人口基数较少的省市。

通过此次分析可以将所有高考考生分成五类：一类是高考自主命题，且高考试卷难度较低；第二类是教育相对落后，考生人数偏少，录取比例高；第三类是高考分数线稳定，录取率居中游；第四类是考试经验丰富，经验能力全面，但竞争压力稍大；第五类是教育水平强大，但因试卷难度或报名人数原因，录取率偏低。

在江浙、两湖、两河高考基本上是噩梦，会导致很多优秀人才被埋没。

五、对策建议

1、全国的教育模式需进行一定的变动，应更加看重学生的综合素质能力培养，而不是培养其应试教育。

2、除了继续对西北教育贫乏地区进行适当的录取政策优待，也可适当调整河南的录取比例，争取对全国的考生能更加公平。

3、可以适当增设大学的数目或者增加985、211大学的数目，能是更多的学子有学习的机会。

数据分析师也是近几年兴起的热门行业，在一线城市数据分析师的发展前景比较乐观，作为一名数据分析师工作内容包括数据的采集、清洗、整理、分析、建模、挖掘、可视化等，数据分析的目的是把隐没在一大批看来杂乱无章的数据中的信息集中、萃取和提炼出来，以找出所研究对象的内在规律，能够从数据中发掘出有价值的信息。

零基础能成为数据分析师吗？

有一部分人不仅是数据分析零基础而是所有的都是零基础，那么该如何做数据整理呢？这里的数据整理可不单单是一些简单的几条或者是几十条信息的处理，而是成千上万甚至是几十万的数据收集。比如，你现在有一个任务，网络上收集上万条数据，你不可能一条一条的复制出来，怎么办呢？这时候你就需要一个方法：如何快速下载网页上的数据，于是你就知道了爬虫，知道了Python，虽然你刚开始还不清楚，但是依靠现有的第三方软件，和一些简单的教程，你知道了如何操作。

当你能够写Python爬虫的时候，工作效率就能够提高很多，包括文本清洗。因为知识的学习是融会贯通的，你也会因为学习了爬虫，继而学习HTML+CSS，后续便了解网站结构和网站分析。紧接着知道布置百度统计，知道JS，学习网页端的各类指标等等。

数据分析师需要具备的技能有哪些？

首先就是数据分析，“数据分析”是数据分析师最基本的技能。SQL是第二大所需技能，是用来从数据库检索信息的编程语言。如果你想成为业务分析师，数据分析师，数据工程师，数据科学家，Web开发人员，软件工程师或数据库管理员，那么了解SQL很重要。第三种就是商业智能，商业智能是通过收集数据来影响业务决策的做法。最后需要建立数据仓库，目的就是将大量数据组合到一个地方进行分析。

数据分析师的发展前景如何？

数据分析师的发展前景，不管是国内还是国外，数据以及大数据的有关人才都是达不到企业用人的需求，依据有关报告称，在美国市场大数据人才和高级数据分析专家的人才缺口将在20万左右，另外企业还需要150万能够提出正确问题和运用大数据分析结果的相关管理人才。

另外数据分析师的工作方向比较广泛，数据信息广泛分布在各行各业，数据分析师也有不同的工作，可能就是做报表的，有做些偏ETL的，也有做行业研究的，也有做偏向数据挖掘的，具体做哪个跟岗位的要求有关，也跟自己的特点，能力有关。

数据分析师在职业的选择上更加富有弹性，在工作内容强度上也不必像算法工程师一样，头苦干，绞尽脑汁，更多的是碎片化的时间，也经常和业务打成一遍，不纯属技术，更有业务的乐趣，所以说数据分析师是最适合女生和新入行者作为入门大数据的职业。

关注（河北达内）回“资料”获得学习礼

中商情报网讯 2014年2月26日，京津冀协同发展上升为重大国家战略，拥有国家政策的大力支持，京津冀发展前景光明。今年上半年，京津冀地区经济运行总体平稳，新动能加快成长，同时协同发展继续稳步推进，河北借助京津冀协同发展的东风，奋起追赶。

一、经济运行总体平稳

（一）从增速看

初步核算，京津冀三地实现地区生产总值合计38198.6亿元，占全国的10%，其中北京、天津、河北分别实现地区生产总值12406.8亿元、9386.9亿元和16404.9亿元，按可比价格计算，同比分别增长6.8%、6.9%和6.8%。

从主要领域运行情况看，京津冀三地规模以上工业增加值同比分别增长5.8%、5.6%和5%；分别实现服务业增加值10198.2亿元、5078.4亿元和6842亿元，分别增长7.2%、8.3%和10.4%。北京完成全社会固定资产投资3569.7亿元，增长6.2%；津冀固定资产投资（不含农户）分别为7329.9亿元和14722.8亿元，增长3.6%和6.8%。三地分别实现社会消费品零售总额5257亿元、2851亿元和7065.9亿元，分别增长5.6%、5.5%和10.6%。

（二）从就业看

今年以来，北京城镇登记失业率保持在1.5%左右的较低水平，上半年为1.49%，新增就业人数20.2万人；天津城镇登记失业率为3.5%，新增就业人数24.8万人；河北城镇登记失业率为3.63%，新增就业人数47.3万人。

（三）从价格看

京津冀三地居民消费价格同比分别上涨2.0%、2.5%和1.4%，涨势温和。

（四）从居民收入看

京津冀三地全体居民人均可支配收入分别为28566元、19691元和10478元，同比分别增长9.1%、8.8%和9.0%。按常住地分，城镇居民人均可支配收入分别为31016元、21476元和14672元，同比分别增长9%、8.5%和8.0%；农村居民人均可支配收入分别为12953元、11401元和6638元，分别增长8.2%、8.4%和7.9%。

二、新动能加快成长

1.产业结构持续优化

北京规模以上工业高精尖产业增加值增长11.6%，高于工业平均水平5.8个百分点，对工业增长的贡献率为48.5%。规模以上互联网和相关服务企业收入保持20%以上的快速增长态势。服务业扩大开放的六大领域规模以上非公经济收入增长15.7%，快于六大领域收入整体增速8个百分点。

天津战略性新兴产业规模以上工业增加值同比增长8.2%，比全市工业平均水平高出2.6个百分点；高技术制造业增加值增长12.9%，拉动工业增长1.6个百分点。金融业实现增加值980.4亿元，增长8.4%，占GDP的比重达到10.4%。1-5月，规模以上互联网和相关服务、软件和信息技术服务业营业收入分别增长51.8%和68.1%。

河北现代服务业较快发展，服务业增加值占地区生产总值的比重为41.7%，其中现代服务业占服务业的比重达到55%以上。同时，装备制造业带动作用增强，增加值增长15.6%，对规模以上工业增长的贡献率为77.0%，增速和贡献率均居七大主要行业首位。其中，通用设备制造业、汽车制造业、电器机械和器材制造业同比分别增长15.9%、12.2%和9.8%。

2.创新表现较为活跃

北京中关村示范区规模以上高新技术企业总收入增长16.7%，其中，先进制造、环境保护技术领域收入增速均在20%以上。中关村企业内部科技活动经费支出增长15.2%， 1-5月，大中型重点企业R&D经费内部支出同比增长5.1%，其中，信息服务、科技服务类企业支出分别增长19.3%和7.3%。

天津成功举办了首届世界智能大会，设立总规模300亿元的智能科技产业母基金，新增科技型企业7568家、科技“小巨人”242家，分别累计达到9.4万家和4135家。滨海高新区获批建设全国双创示范基地。全市139家众创空间入驻创业团队4150个，注册初创企业2408家。

河北科技服务业和信息服务业投资同比分别增长39.6%和20.9%，快于固定资产投资增速32.8个和14.1个百分点。高科技产品生产增长较快，新能源汽车、太阳能电池产量同比分别增长14.6%、22.2%，锂离子电池、工业机器人分别增长1.4倍和49.6倍。

三、协同发展稳步推进

北京大力推动非首都功能疏解。上半年，规模以上法人单位减少355家，6成以上集中在制造业、批发零售业、住宿餐饮业，其中城六区减少190家。疏解提升市场131个，物流中心20个。推进教育、医疗单位等公共服务功能疏解。部分市属高校外迁步伐加快，培训机构压缩31个；京津冀医疗合作取得重大进展，在北京周边地区初步形成了33家医院或院区构成的医疗服务带。

天津与北京共同建设滨海中关村科技园、未来科技城等承接平台，与北京中关村、河北科技厅联合实施推进京津冀传统产业改造升级行动计划。上半年引进京冀投资项目2061个，到位资金1255.6亿元，占全市实际利用内资的45.5%；其中引进北京项目772个，到位资金1088.4亿元，增长23.0%。天津口岸进出口总额中，来自北京、河北的货物比重达到30.5%。京津城际月票制正式实行，京津冀机场一体化运营机制初步形成。

河北积极承接京津产业转移。石家庄全力打造现代商贸物流中心城市，加快对接北京非首都功能疏解；唐山曹妃甸全面承接北京城六区及中关村、亦庄开发区等园区产业疏解转移，上半年签约北京项目35个、总投资796.9亿元；保定与北京携手建设京津冀科技成果转化中心，打造河北的“中关村”；廊坊中关村软件园创新基地建设完工；北京保健食品产业转移滦南拉开序幕。

中商情报网讯 2014年2月26日，京津冀协同发展上升为重大国家战略，拥有国家政策的大力支持，京津冀发展前景光明。今年上半年，京津冀地区经济运行总体平稳，新动能加快成长，同时协同发展继续稳步推进，河北借助京津冀协同发展的东风，奋起追赶。

一、经济运行总体平稳

（一）从增速看

初步核算，京津冀三地实现地区生产总值合计38198.6亿元，占全国的10%，其中北京、天津、河北分别实现地区生产总值12406.8亿元、9386.9亿元和16404.9亿元，按可比价格计算，同比分别增长6.8%、6.9%和6.8%。

从主要领域运行情况看，京津冀三地规模以上工业增加值同比分别增长5.8%、5.6%和5%；分别实现服务业增加值10198.2亿元、5078.4亿元和6842亿元，分别增长7.2%、8.3%和10.4%。北京完成全社会固定资产投资3569.7亿元，增长6.2%；津冀固定资产投资（不含农户）分别为7329.9亿元和14722.8亿元，增长3.6%和6.8%。三地分别实现社会消费品零售总额5257亿元、2851亿元和7065.9亿元，分别增长5.6%、5.5%和10.6%。

（二）从就业看

今年以来，北京城镇登记失业率保持在1.5%左右的较低水平，上半年为1.49%，新增就业人数20.2万人；天津城镇登记失业率为3.5%，新增就业人数24.8万人；河北城镇登记失业率为3.63%，新增就业人数47.3万人。

（三）从价格看

京津冀三地居民消费价格同比分别上涨2.0%、2.5%和1.4%，涨势温和。

（四）从居民收入看

京津冀三地全体居民人均可支配收入分别为28566元、19691元和10478元，同比分别增长9.1%、8.8%和9.0%。按常住地分，城镇居民人均可支配收入分别为31016元、21476元和14672元，同比分别增长9%、8.5%和8.0%；农村居民人均可支配收入分别为12953元、11401元和6638元，分别增长8.2%、8.4%和7.9%。

二、新动能加快成长

1.产业结构持续优化

北京规模以上工业高精尖产业增加值增长11.6%，高于工业平均水平5.8个百分点，对工业增长的贡献率为48.5%。规模以上互联网和相关服务企业收入保持20%以上的快速增长态势。服务业扩大开放的六大领域规模以上非公经济收入增长15.7%，快于六大领域收入整体增速8个百分点。

天津战略性新兴产业规模以上工业增加值同比增长8.2%，比全市工业平均水平高出2.6个百分点；高技术制造业增加值增长12.9%，拉动工业增长1.6个百分点。金融业实现增加值980.4亿元，增长8.4%，占GDP的比重达到10.4%。1-5月，规模以上互联网和相关服务、软件和信息技术服务业营业收入分别增长51.8%和68.1%。

河北现代服务业较快发展，服务业增加值占地区生产总值的比重为41.7%，其中现代服务业占服务业的比重达到55%以上。同时，装备制造业带动作用增强，增加值增长15.6%，对规模以上工业增长的贡献率为77.0%，增速和贡献率均居七大主要行业首位。其中，通用设备制造业、汽车制造业、电器机械和器材制造业同比分别增长15.9%、12.2%和9.8%。

2.创新表现较为活跃

北京中关村示范区规模以上高新技术企业总收入增长16.7%，其中，先进制造、环境保护技术领域收入增速均在20%以上。中关村企业内部科技活动经费支出增长15.2%， 1-5月，大中型重点企业R&D经费内部支出同比增长5.1%，其中，信息服务、科技服务类企业支出分别增长19.3%和7.3%。

天津成功举办了首届世界智能大会，设立总规模300亿元的智能科技产业母基金，新增科技型企业7568家、科技“小巨人”242家，分别累计达到9.4万家和4135家。滨海高新区获批建设全国双创示范基地。全市139家众创空间入驻创业团队4150个，注册初创企业2408家。

河北科技服务业和信息服务业投资同比分别增长39.6%和20.9%，快于固定资产投资增速32.8个和14.1个百分点。高科技产品生产增长较快，新能源汽车、太阳能电池产量同比分别增长14.6%、22.2%，锂离子电池、工业机器人分别增长1.4倍和49.6倍。

三、协同发展稳步推进

北京大力推动非首都功能疏解。上半年，规模以上法人单位减少355家，6成以上集中在制造业、批发零售业、住宿餐饮业，其中城六区减少190家。疏解提升市场131个，物流中心20个。推进教育、医疗单位等公共服务功能疏解。部分市属高校外迁步伐加快，培训机构压缩31个；京津冀医疗合作取得重大进展，在北京周边地区初步形成了33家医院或院区构成的医疗服务带。

天津与北京共同建设滨海中关村科技园、未来科技城等承接平台，与北京中关村、河北科技厅联合实施推进京津冀传统产业改造升级行动计划。上半年引进京冀投资项目2061个，到位资金1255.6亿元，占全市实际利用内资的45.5%；其中引进北京项目772个，到位资金1088.4亿元，增长23.0%。天津口岸进出口总额中，来自北京、河北的货物比重达到30.5%。京津城际月票制正式实行，京津冀机场一体化运营机制初步形成。

河北积极承接京津产业转移。石家庄全力打造现代商贸物流中心城市，加快对接北京非首都功能疏解；唐山曹妃甸全面承接北京城六区及中关村、亦庄开发区等园区产业疏解转移，上半年签约北京项目35个、总投资796.9亿元；保定与北京携手建设京津冀科技成果转化中心，打造河北的“中关村”；廊坊中关村软件园创新基地建设完工；北京保健食品产业转移滦南拉开序幕。

综合上半年京津冀三地主要领域运行情况，可以看出，经济走势总体平稳，同时就业、价格形势稳定，居民收入稳步增加，新动能加快成长，区域经济保持了平稳向好态势。与此同时，三地携手推动区域协同发展，在产业转移承接、协同创新、交通一体化等方面继续取得积极成效。

过去几年，越来越多的人想要逃离北上广，但北漂大军的规模似乎并没有缩小。北京的大学生落户指标越来越少，北京的房价越来越高、生活压力越来越大、非北京籍的儿童上学越来越难。为什么北漂们还是毅然决然地留下来，而且人数越来越多？北京为何有巨大的吸引力？

北京市外来人口的主要来源地

根据第六次全国人口普查数据，北京常住外来人口的82.5%来自东北、北部沿海、黄河中游及长江中游地区，比重较2000年上升5.8个百分点，外来人口的来源地区集中程度有所加强 。其中，65.7%的外来人口来自河北、河南、安徽、山东、黑龙江、湖北和四川七个省。

主要来源地为河北、河南，河北省占常住外来人口的22.1%，河南省占13.9%，四川省位居第三，占8.5%。

北京与外来人口来源都在人均GDP方面的差距

主要来源地人均GDP普遍低于北京的人均GDP。河北的人均GDP仅相当于北京的40%。与北京差距最小的是山东省，但也仅为北京人均GDP的62%。

北京与外来人口来源地在人均可支配收入上的差距

主要来源地的人均可支配收入与北京差距较大，均没有北京的一半水平。主要来源地河北省其人均可支配收入相当于北京的37%。最高的省份山东省、湖北省也仅相当于北京的47%、41%。

收入差距的巨大吸引了无数来京人士。

北京与外来人口来源地在重点国有企业数量和高新技术企业就业机会上的差距

102家央企中，总部在北京的占81所，343家国有重点企业中，65家的总部在北京。北京各开发区有15026家高新企业，为138.5万人提供了就业机会。

在北京就业机会相对较多，容易找到适合自己的工作单位。

北京与外来人口来源地在平均工资上的差距

平均工资较高的城市有济南、青岛、成都，但也仅为北京的61%。

北京在文化和 医疗方面也有着突出的优势。

北京本地医疗资源配置很高，具有显著的医疗优势和便利服务。

在北京平均每5.4万人即有一家剧场或影剧院提供服务。北京的人均图书馆藏量为1.1本。

北京拥有着优质的资源，几乎每一种资源都可以达到最优。所以北京的吸引力极强。但北京不一定适合所有人，适合自己的才是真正好的。

数据及数据图片来源：FT中文网。

阅读本文不需要技术背景。

总体介绍

首先模拟一个数据分析场景，某企业积累了如下表格所示的销售数据：

表格中每一行表示某个时间段内某种商品在某个地区的销售情况。很明显，这些数据涉及到了时间、地区、产品三个业务角度。

在对这样的数据进行分析时，不同的角色都会基于自己所感兴趣的业务角度提出问题

销售经理关心各个地区的销售情况，希望找出销售增长率在平均水平之下的地区产品总监则希望了解近期内各种产品的销量对比，以作为后期产品研发方向的参考CEO想要知道近六个月内整体销售环比信息，用以评估是否达到公司运营目标

对于表格中的数据，可以将其转换为另一种数据格式 - "三维空间立方体"，如下图所示：

相对于表格，以三维立方体形式呈现的数据结构更加直观。

在这个数据立方体中，每一个坐标轴都代表一个业务角度（时间、地区、产品），坐标轴上的坐标值则表示了某个业务角度的一个确定的值（如：北京市、3月份、手机），不同坐标轴坐标值的交叉点则表示一个具体的销售额。

实际上，此数据立方体中表示业务角度的坐标轴就是维度，类似于三维立方体的数据结构则被称为多维数据结构（也称数据立方体）。

再次回顾前文中销售经理、产品总监、CEO各自提出的问题，不难发现他们各自所关注的维度分别为：地区、产品、时间

目前我们所模拟的这个数据分析场景较为特殊，因为只有三个维度，所以可以直观的将数据想象成一个三维立方体。

实际情况中，企业进行数据分析时往往要参考更多的维度，而且提出的问题也会更加复杂，此时，已经不能将数据以经典的三维立方体结构进行呈现。

虽然无法在三维空间中呈现更多维度的数据结构，但是面对更多维度时进行数据分析的思路却完全不变，不同的角色只需要从自身所关注的维度出发并提出问题即可，他们即不需要了解十几甚至几十维的数据如何存储，也无需考虑多维数据查询的具体实现方式。

核心概念简介

在多维数据分析领域中，有几个非常重要的核心概念：

数据立方体（Cube）维度（Dimension）成员（Member），又称维度成员（Dimension Member）度量（Measure）级别（Level）

维度（Dimension）

维度就是描述数据的业务角度。在不同的数据分析场景中，会存在若干个不同的维度。

以上图为例，存在三个维度：时间、地区、产品。在这个数据分析场景中，“哪种产品销量最好？”这样的问题显然主要关注的是产品这个维度，而“哪些地区连续六个月销售额环比增长？”则同时关注了地区和日期两个维度。

在一个多维数结构中，维度可以被抽象理解成一个坐标轴，图1中所示的数据分析场景由三个维度组成，每个维度各自代表了三维空间中的一个坐标轴。

相对于三维空间，具有更多维度的空间结构显然不易于被理解，实际上，您并不需要在头脑中想象出一个更多维度的空间场景，下文中几个简单的步骤将帮助您快速理解多维空间结构：

【理解一维空间结构】

一维空间是一把尺子，只有一个坐标轴，坐标轴上的一个坐标值就能确定一个点

【理解二维空间结构】

二维空间是一个平面，具有两个坐标轴，不同坐标轴上的两个坐标值确定一个点

【理解三维空间结构】

三维空间具有长、宽、高三个坐标轴，三个坐标轴坐标值确定一个点

【理解四维空间结构】

四维空间比三维空间多出一个坐标轴，这里我们称这个新的坐标轴为“第四坐标轴”，现在如果需要确定一个点，除了长、宽、高三个轴上的坐标值外，还需要第四坐标轴上的一个坐标值

【理解N维空间结构】

N（N可以是大于零的任意整数）维空间中具有N个坐标轴，需要N个不同坐标轴上的坐标值才能确定一个点

维度成员（Dimension Member）

前文介绍维度概念时，讲到可将维度理解成表示某种业务角度的坐标轴，而维度成员则非常类似于维度坐标轴上的坐标值。

以时间维度为例，“一季度”、“1月份”、“2月份”这三个维度成员同属于时间维度，它们各自表示了时间维度下一个具体的时间段。

由下图可以看出，同一个维度下的维度成员呈现出树状结构，我们将没有子级成员的成员称为明细成员（Leaf Member，又称明细维度成员Leaf Dimension Member），其他成员称为非明细成员。

数据立方体（Cube）

数据立方体表示由若干个维度所描述的一个数据集合，每个维度各自表示一个可对此数据集合进行观察和分析的业务角度。

之所以称为“立方体”，是因为由三个维度所描述的一个数据集，能够非常轻松的被想象成三维空间中的一个立方体结构。

需要注意的是，在多维数据分析体系中，一个数据立方体往往具有更多的维度，虽然更多维度形态并不像三维空间立方体那样直观，但维度表示某些业务角度的作用不会改变。

度量（Measure）

在一个数据立方体中，从每个维度上都选取一个确定的维度成员，这些维度成员组合所确定的一个点就是度量值。

在图 10示例中，日期维度：1月份、地区维度：河北省、产品维度：手机确定了一个最细粒度的数据方块，这个小数据方块（下文称为Data Cell）就是销售额6688这个度量值，显然，这表示“河北地区1月份手机产品的销售额是6688”。

如果仔细观察图 10，您可能会发现并没有一个Data Cell能够直接表示“北京市一季度手机产品的销售额”。由于一季度与1、2、3三个月份是父子级的关系，所以“北京市一季度手机产品的销售额”可以通过汇总计算得到，如下图所示：

图 11 - 度量值汇总

一般情况下，数据立方体中并不直接存储非明细成员所描述的度量值，而是通过对其后代成员中的全部明细成员进行汇总计算而得出。

级别（Level）

级别表示维度成员所描述业务角度的细节程度，也可理解为通过维度成员观察数据的粒度。例如日期维度中一季度、1月这两个成员，分别属于季度、月份两个不同的级别，显而易见，季度级别的维度成员描述数据的粒度较为宽泛，月级别则较为细致。

中商情报网讯：据统计数据显示，2017年我国铁矿进口量为107539.82万吨，进口金额为7595987.67万美元。出口方面，2017年铁矿的出口量为545.07万吨，出口金额为42241.85万美元。

数据来源：中商产业研究院整理

数据来源：中商产业研究院整理

分省市来看，2017年铁矿进口量第一的为河北省，进口量达26989.36万吨，进口金额为1871086.05万美元。2017年铁矿进口量排名前十的依次为河北、江苏、山东、北京、辽宁、天津、上海、广东、广西、浙江。

2017年铁矿出口量排名第一的省市为辽宁省，出口量为479.45万吨，出口金额为35284.24万美元。2017年铁矿出口量排名前十的省市依次为辽宁、广东、山东、天津、河北、甘肃、新疆、四川、江苏、湖北。

更多资料请参考中商产业研究院发布的《2018-2023年中国铁矿市场前景分析与投融资战略研究报告》。

前两天各省都在传一个谣言：“700分以上157个，上不了清华北大”。显然人们都在以讹传讹，没有调查就没有发言权。那到底多少分才可以上清华北大？作为高分大省，河北在全国真的傲视群雄吗？一些省的高考状元在河北的真实排名是多少呢？下面，我就用数据一一解答。

全国高考命题标准主要分为如下几类，通俗地说就是全国一类卷，二类卷，三类卷，自主命题地区等。其中河北用的是新课标I卷，也就是俗称的一类卷。同用此卷的省份还有福建、河南、山西、江西、湖北、湖南、广东、安徽。同样的卷子分数才有可比性，因此二刀收集以上省份数据与河北进行一个对比。由于江西一分一档直到写稿时还没有出来，因此有些数据并不包含江西。

本次数据分析主要分为六个方面：

一、河北考生，700分以上到底能不能上清华大北大？

通过河北一分一档表分析，理科700分以上122人，文科此档没有标注，但695以上有12人，总计134人。那么清华北大2018年在河北的招生人数是多少呢？因为我手头没有相关资料，只能根据历史情况预估。2015年，北大河北录148人，清华录100人（不含保送），共计248人。2017年，北大从河北录137人。仅从这两项数据可知，如果今年没有特别大的变化，清华北大在河北的招生人数应该在240至260之间，那么理论上，只要理科700分文科695分以上这134人报了清华北大，肯定是没有问题的。因此，河北考生700分以上一定可以上清华北大。

二、九省状元怎样一个排名？

这里说的状元，其实并非官方说法，更多来自于媒体和民间。各省随着分数线、一分一档表的公布，第一名自然而然就产生了。九省中，只有广东省前二十名的排名是从公开数据中查不到的，因此这里的排名实际上是八个。河北当仁不让是老大，理科734分，文科707分。山西文科第一名是663分，如果放在河北一分一档表中，排名相当于465。

三、670以上的考生绝对数量的排名

如果我们把670分作为一个标线，那么看一下各省670分以上考生各有多少。

四、670以上考生占本省高考人数千分比的排名

如果说上面的数据排名是一个绝对值，那么这个排名就是相对值，也就是用本省670分以上人数除以本省参加考试的人数，然后再以这个千分比进行排名。 比如河北670分以上理科生为2168人，参加高考的河北理科生为225818人，其千分比为9.6，其他同理。

五、本一本二分数线排名

这组数据中，由于广东没有分本一和本二，只公布了最低分数线，于是没有进入统计序列。通过数据可以发现，河北虽然是高分大省，但本一分数线并非最高。

六、本一本二差值排名

这是一组反映本一与本二差距的排名。河北排名反而比较靠前。空间大，要么是这一区域的人少，要么是本二以上的学校招生名额多。

通过以上数据，可以得出几个结论：1、河北高分考生真多，无论是绝对数量还是相对比例；2、河北考生竞争真激烈；3、江西真沉得住气，一分一档线至今没有出来；4、广东真牛，状元是谁就是不说。5、如果大家都像广东一样，不借状元去炒作，是不是各校招生就会相对均衡？6、如果生源相差不多，是不是就不会有所谓的超级中学？7、如果没有超级中学的存在，学生们是不是就不会这么累了？8、山西状元一定可以上清华北大，你信不？

（注，所有数据均来自各省教育考试院及媒体的公开数据）

------------------------------------------------------------------------------

欢迎注明出处的转发，转发请注明如下信息

平台创始者新浪微博：@胡二刀 从纸媒到互联网，亲身感受了媒体变迁。

文章出处：新媒体运营

新媒体运营（meitiku，也就是媒体库）是一个专门讨论互联网、微博、微信、社会化营销原理与技巧的平台，有思想，无主义，有碰撞，无诉求。同时兼具对传统媒体的评价与思辨。