构建算法函数

内容：

  1. 生成99个男性、99个女性样本数据，分别针对三种策略构建算法函数

    1. 择偶策略1：门当户对，要求双方三项指标加和的总分接近，差值不超过20分
    2. 择偶策略2：男才女貌，男性要求女性的外貌分比自己高出至少10分，女性要求男性的财富分比自己高出至少10分
    3. 择偶策略3：志趣相投、适度引领，要求对方的内涵得分在比自己低10分~高10分的区间内，且外貌和财富两项与自己的得分差值都在5分以内
    4. 每一轮实验中，我们将三种策略随机平分给所有样本，这里则是三种策略分别33人
    5. 这里不同策略匹配结果可能重合，所以为了简化模型
      1. 先进行策略1模拟
      2. 模拟完成后去掉该轮成功匹配的女性数据，再进行策略2模拟
      3. 模拟完成后去掉该轮成功匹配的女性数据，再进行策略3模拟

        要求

  2. 生成样本数据

  3. 给男性样本数据，随机分配策略选择 → 这里以男性为出发作为策略选择方
  4. 尝试做第一轮匹配，记录成功的匹配对象，并筛选出失败的男女性进入下一轮匹配
  5. 构建模型，并模拟1万男性+1万女性的配对实验

  6. 通过数据分析，回答几个问题：

    1. 百分之多少的样本数据成功匹配到了对象？
    2. 采取不同择偶策略的匹配成功率分别是多少？
    3. 采取不同择偶策略的男性各项平均分是多少？

      提示

  7. 择偶策略评判标准：

    1. 若匹配成功，则该男性与被匹配女性在这一轮都算成功，并退出游戏
    2. 若匹配失败，则该男性与被匹配女性再则一轮都算失败，并进入下一轮
    3. 若同时多个男性选择了同一个女性，且满足成功配对要求，则综合评分高的男性算为匹配成功
  8. 构建空的数据集，用于存储匹配成功的数据
  9. 每一轮匹配之后，删除成功匹配的数据之后，进入下一轮，这里删除数据用df.drop()
  10. 这里建议用while去做迭代 → 当该轮没有任何配对成功，则停止实验

导入库

  1. import numpy as np
  2. import pandas as pd
  3. import matplotlib.pyplot as plt
  4. import time
  5. import os
  7. import warnings
  8. warnings.filterwarnings('ignore')
  9. #不发出警告
  11. from bokeh.plotting import figure, show, output_file
  12. from bokeh.models import ColumnDataSource, HoverTool
  13. #导图绘图模块

创建样本数据

根据题目需要，我们需要创建两组数据，分别代表男性和女性，每一组数据99个，过程如下：

  1. 创建一个函数
    1. 设置财富值符合指数分布，且标准差控制在15
    2. 设置外貌值和内涵值符合正态分布，且标准差和平均值分别控制在15和60
    3. 计算上述三项值的均值
  2. 生成样本数据
    1. 分别生成99个代表男性的数据和代表女性的数据
    2. 并随即为99个男性数据生成三组样本数据数，将数据分成三类
      ```python def create_sample(n, gender): sample_data = pd.DataFrame({‘fortune’:np.random.exponential(scale = 15, size = n) + 45,
      1.                       'apperance': np.random.normal(loc = 60, scale = 15, size = n),
      2.                       'character': np.random.normal(loc = 60, scale = 15, size = n)},
      3.                       index = [gender + str(i) for i in range(1, n+1)])
      sample_data.index.name = ‘id’ sample_data[‘score’] = sample_data.sum(axis = 1)/3 return sample_data

sample_m_test = create_sample(99, ‘m’) sample_f_test = create_sample(99, ‘f’) sample_m_test[‘strategy’] = np.random.choice([1, 2, 3], 99)

创建样本数据

![图片.png](https://cdn.nlark.com/yuque/0/2020/png/397148/1588519948751-5200c990-4a76-4b93-b5c7-34df7ffcd6a6.png#align=left&display=inline&height=512&margin=%5Bobject%20Object%5D&name=%E5%9B%BE%E7%89%87.png&originHeight=1030&originWidth=1503&size=134088&status=done&style=stroke&width=747)
<a name="4Dwws"></a>
# 合并样本数据
根据上述生成的样本数据，我们需要将数据进行合并，具体操作如下：

1. 创建一个空数据集，为后续匹配成功的数据存储做准备
1. 分别创建男性数据和女性数据的副本，接下来用副本数据来做匹配
1.  通过样本随机函数，根据男性选择女性样本数据
1. 将男性样本数据和女性样本数据，通过参数合并
1. 分别计算每一组数据的综合平均分的差值、内涵值的差值、财富水平的差值与外貌水平的差值
```python
match_success = pd.DataFrame(columns = ['m', 'f', 'round_n', 'strategy_type'])
#创建空数据集，分别是男性编号、女性编号、第几轮、哪个策略

round1_f = sample_f_test.copy()
round1_m = sample_m_test.copy()
#复制实验数据，创建实验副本

round1_m['choice'] = np.random.choice(round1_f.index, len(round1_m))
#该轮的匹配选择，根据男性数量选择女性数量
round1_match = pd.merge(round1_m, round1_f, left_on = 'choice', right_index = True).reset_index()

round1_match['score_dis'] = np.abs(round1_match['score_x'] - round1_match['score_y'])   #就散综合评分差值
round1_match['cha_dis'] = np.abs(round1_match['character_x'] - round1_match['character_y']) #计算内涵评分差值
round1_match['for_dis'] = np.abs(round1_match['fortune_x'] - round1_match['fortune_y']) #计算财富评分差值
round1_match['app_dis'] = np.abs(round1_match['apperance_x'] - round1_match['apperance_y']) #计算外貌评分差值

#合并数据

图片.png

策略1：门当户对

开始进行匹配，从实现分成三类的男性数据中，挑选出第一类数据，作为策略1的匹配数据，然后筛选出综合平均分差值小于20分的数据，由于可能一个女性匹配成功多个女性，因此需要在其中筛选出一组数据中的最大值，但是由于‘choice’数据匹配数据与其他数据存在不一致的情况，因此需要将筛选出的数据，与原始数据进行合并然后更改匹配成功数据的columns，标记此次匹配的策略和次数，最终将匹配成功的数据从源数据中删掉
接下来的几轮匹配参照同样的方法

round1_s1_m = round1_match[round1_match['strategy'] == 1]
round1_s1_success = round1_s1_m[round1_s1_m['score_dis'] <= 20].groupby('choice').max()
round1_s1_success = pd.merge(round1_s1_success, round1_m.reset_index(), left_on = 'score_x', right_on = 'score')[['id_y', 'choice']]

round1_s1_success.columns = ['m','f']
round1_s1_success['strategy_type'] = 1
round1_s1_success['round_n'] = 1    #成功得到策略1的匹配结果


round1_match.index = round1_match['choice']
round1_match = round1_match.drop(round1_s1_success['f'].tolist())
#由于在之前，一个女性可能匹配多个男性，所有当删除匹配成功的数据后，除了删掉了相应匹配成功的男性，同样也删除了竞争失败的男性

图片.png

策略2：郎才女貌

round1_s2_m = round1_match[round1_match['strategy'] == 2]
round1_s2_success = round1_s2_m[(round1_s2_m['fortune_x'] - round1_s2_m['fortune_y']>=10)
                                &(round1_s2_m['apperance_y'] - round1_s2_m['apperance_x'] >= 10)]
round1_s2_success = round1_s2_success.groupby('choice').max()
round1_s2_success = pd.merge(round1_s2_success, round1_m.reset_index(), left_on = 'score_x', right_on = 'score')[['id_y','choice']]
round1_s2_success = round1_s2_success[['id_y','choice']]
round1_s2_success.columns = ['m', 'f']
round1_s2_success['strategy_type'] = 2
round1_s2_success['round_n'] = 1
round1_match.index = round1_match['choice']
round1_match = round1_match.drop(round1_s2_success['f'].tolist())

图片.png

策略3：志趣相投、适度引领

round1_s3_m = round1_match[round1_match['strategy'] == 3]
round1_s3_success = round1_s3_m[(round1_s3_m['cha_dis'] <10) &   # 内涵得分差在10分以内\n",
                                   (round1_s3_m['for_dis'] < 5 )&    # 财富得分差在5分以内\n",
                                  (round1_s3_m['app_dis'] < 5 )]    # 外貌得分差在5分以内\n",
round1_s3_success = round1_s3_success.groupby('choice').max()                                      # 筛选符合要求的数据\n",
round1_s3_success = pd.merge(round1_s3_success,round1_m.reset_index(),left_on = 'score_x',right_on = 'score')[['id_y','choice']]
round1_s3_success.columns = ['m','f']
round1_s3_success['strategy_type'] = 3
round1_s3_success['round_n'] = 1

图片.png

筛选出匹配成功的数据

# 筛选出成功匹配数据
match_success = pd.concat([match_success,round1_s1_success,round1_s2_success,round1_s3_success])

图片.png

筛选出下一轮实验数据

round2_m = round1_m.drop(match_success['m'].tolist())
round2_f = round1_f.drop(match_success['f'].tolist())

图片.png

构建模型

按照之前实验的99个男性与女性的结果，在此将之前的代码封装为一个函数，其功能包括数据的选择、合并数据、计算各个指标之前的差值、完成策略1、策略2、策略3的匹配，然后返回成功匹配的结果，代码如下：

'''
构建模型
'''
def different_strategy(data_m, data_f, roundnum):
    data_m['choice'] = np.random.choice(data_f.index, len(data_m))
    #该轮匹配的选择

    round_match = pd.merge(data_m, data_f, left_on = 'choice', right_index = True).reset_index()
    #合并数据
    round_match['score_dis'] = np.abs(round_match['score_x'] - round_match['score_y'])  #计算综合评分差值
    round_match['cha_dis'] = np.abs(round_match['character_x'] - round_match['character_y']) #计算内涵评分差值
    round_match['for_dis'] = np.abs(round_match['fortune_x'] - round_match['fortune_y']) #计算财富评分差值
    round_match['app_dis'] = np.abs(round_match['apperance_x'] - round_match['apperance_y']) #计算外貌评分差值
    #计算各个指标差值

    #策略1：门当户对
    s1_m = round_match[round_match['strategy'] == 1]
    s1_success = s1_m[s1_m['score_dis'] <= 20].groupby('choice').max()
    s1_success = pd.merge(s1_success, data_m.reset_index(), left_on = 'score_x', right_on = 'score')[['id_y', 'choice']]

    s1_success.columns = ['m','f']
    s1_success['strategy_type'] = 1
    s1_success['round_n'] = roundnum    #成功得到策略1的匹配结果    
    round_match.index = round_match['choice']
    round_match = round_match.drop(s1_success['f'].tolist())
    #由于在之前，一个女性可能匹配多个男性，所有当删除匹配成功的数据后，除了删掉了相应匹配成功的男性，同样也删除了竞争失败的男性


    '''
    策略2：郎才女貌
    '''
    s2_m = round_match[round_match['strategy'] == 2]
    s2_success = s2_m[(s2_m['fortune_x'] - s2_m['fortune_y']>=10)
                                    &(s2_m['apperance_y'] - s2_m['apperance_x'] >= 10)]
    s2_success = s2_success.groupby('choice').max()
    s2_success = pd.merge(s2_success, data_m.reset_index(), left_on = 'score_x', right_on = 'score')[['id_y','choice']]
    s2_success = s2_success[['id_y','choice']]
    s2_success.columns = ['m', 'f']
    s2_success['strategy_type'] = 2
    s2_success['round_n'] = roundnum
    round_match.index = round_match['choice']
    round_match = round_match.drop(s2_success['f'].tolist())


    '''
    策略3：志趣相投、适度引领
    '''
    s3_m = round_match[round_match['strategy'] == 3]
    s3_success = s3_m[(s3_m['cha_dis'] <10) &   # 内涵得分差在10分以内\n",
                                       (s3_m['for_dis'] < 5 )&    # 财富得分差在5分以内\n",
                                      (s3_m['app_dis'] < 5 )]    # 外貌得分差在5分以内\n",
    s3_success = s3_success.groupby('choice').max()                                      # 筛选符合要求的数据\n",
    s3_success = pd.merge(s3_success,data_m.reset_index(),left_on = 'score_x',right_on = 'score')[['id_y','choice']]
    s3_success.columns = ['m','f']
    s3_success['strategy_type'] = 3
    s3_success['round_n'] = roundnum

    #该轮成功匹配数据
    data_success = pd.concat([s1_success, s2_success, s3_success])
    return data_success

运行模型

在上诉99个男性与99个女性匹配成功后，成功构建模型，模拟1万男性+1万女性的配对实验

  • 按照之前生成99个男性与女性匹配的模式，在此次生成10000个男性与女性匹配的模型
  • 将创建好的10000个样本生成副本，使用副本进行模型试验
  • 这只一个试验次数变量n，初始值为1
  • 设置一个起始时间
  • 调用函数different_strategy()，向其传入参数男性数据、女性数据和实验次数n
  • 将成功匹配的数据，赋值给变量match_success1
  • 删除男性数据和女性数据中，成功匹配的数据
  • 使用while循环不断匹配数据，当该次匹配没有男性与女性成功配对时，退出循序
  • 记录结束时间 ```python ‘’’ 运行模型 ‘’’ sample1_m1 = create_sample(10000, ‘m’) sample1_f1 = create_sample(10000, ‘f’) sample1_m1[‘strategy’] = np.random.choice([1, 2, 3], 10000)

    创建样本数据

test_m1 = sample1_m1.copy() test_f1 = sample1_f1.copy()

复制实验数据，创建实验副本

n = 1

设置一个实验次数变量

starttime = time.time()

设置起始时间

success_roundn = different_strategy(test_m1, test_f1, n) match_success1 = success_roundn test_m1 = test_m1.drop(success_roundn[‘m’].tolist()) test_f1 = test_f1.drop(success_roundn[‘f’].tolist())

print(‘成功进行第%i轮试验，本轮实验成功匹配%i对，总共成功匹配%i对，还剩下%i位男性和%i为女性’% (n, len(success_roundn), len(match_success1), len(test_m1),len(test_f1)))

第一轮测试

while len(success_roundn) != 0: n += 1 success_roundn = different_strategy(test_m1,test_f1,n) 

#得到该轮成功匹配数据
match_success1 = pd.concat([match_success1,success_roundn])           
# 将成功匹配数据汇总
test_m1 = test_m1.drop(success_roundn['m'].tolist())
test_f1 = test_f1.drop(success_roundn['f'].tolist())
# 输出下一轮实验数据
print('成功进行第%i轮实验，本轮实验成功匹配%i对，总共成功匹配%i对，还剩下%i位男性和%i位女性' % 
      (n,len(success_roundn),len(match_success1),len(test_m1),len(test_f1)))

endtime = time.time()

记录结束时间

print(‘——————————‘) print(‘本次实验总共进行了%i轮，配对成功%i对\n———————-‘%(n, len(match_success1))) print(‘实验总共耗时%.2f秒’%(endtime - starttime))

<a name="PX4V3"></a>
## 运行结果
```python
成功进行第1轮试验，本轮实验成功匹配2810对，总共成功匹配2810对，还剩下7190位男性和7190为女性
成功进行第2轮实验，本轮实验成功匹配819对，总共成功匹配3629对，还剩下6371位男性和6371位女性
成功进行第3轮实验，本轮实验成功匹配300对，总共成功匹配3929对，还剩下6071位男性和6071位女性
成功进行第4轮实验，本轮实验成功匹配173对，总共成功匹配4102对，还剩下5898位男性和5898位女性
成功进行第5轮实验，本轮实验成功匹配135对，总共成功匹配4237对，还剩下5763位男性和5763位女性
成功进行第6轮实验，本轮实验成功匹配106对，总共成功匹配4343对，还剩下5657位男性和5657位女性
成功进行第7轮实验，本轮实验成功匹配107对，总共成功匹配4450对，还剩下5550位男性和5550位女性
成功进行第8轮实验，本轮实验成功匹配86对，总共成功匹配4536对，还剩下5464位男性和5464位女性
成功进行第9轮实验，本轮实验成功匹配74对，总共成功匹配4610对，还剩下5390位男性和5390位女性
成功进行第10轮实验，本轮实验成功匹配53对，总共成功匹配4663对，还剩下5337位男性和5337位女性
成功进行第11轮实验，本轮实验成功匹配70对，总共成功匹配4733对，还剩下5267位男性和5267位女性
成功进行第12轮实验，本轮实验成功匹配76对，总共成功匹配4809对，还剩下5191位男性和5191位女性
成功进行第13轮实验，本轮实验成功匹配69对，总共成功匹配4878对，还剩下5122位男性和5122位女性
成功进行第14轮实验，本轮实验成功匹配66对，总共成功匹配4944对，还剩下5056位男性和5056位女性
成功进行第15轮实验，本轮实验成功匹配45对，总共成功匹配4989对，还剩下5011位男性和5011位女性
成功进行第16轮实验，本轮实验成功匹配51对，总共成功匹配5040对，还剩下4960位男性和4960位女性
成功进行第17轮实验，本轮实验成功匹配43对，总共成功匹配5083对，还剩下4917位男性和4917位女性
成功进行第18轮实验，本轮实验成功匹配58对，总共成功匹配5141对，还剩下4859位男性和4859位女性
成功进行第19轮实验，本轮实验成功匹配39对，总共成功匹配5180对，还剩下4820位男性和4820位女性
成功进行第20轮实验，本轮实验成功匹配48对，总共成功匹配5228对，还剩下4772位男性和4772位女性
成功进行第21轮实验，本轮实验成功匹配48对，总共成功匹配5276对，还剩下4724位男性和4724位女性
成功进行第22轮实验，本轮实验成功匹配39对，总共成功匹配5315对，还剩下4685位男性和4685位女性
成功进行第23轮实验，本轮实验成功匹配42对，总共成功匹配5357对，还剩下4643位男性和4643位女性
成功进行第24轮实验，本轮实验成功匹配31对，总共成功匹配5388对，还剩下4612位男性和4612位女性
成功进行第25轮实验，本轮实验成功匹配26对，总共成功匹配5414对，还剩下4586位男性和4586位女性
成功进行第26轮实验，本轮实验成功匹配35对，总共成功匹配5449对，还剩下4551位男性和4551位女性
成功进行第27轮实验，本轮实验成功匹配32对，总共成功匹配5481对，还剩下4519位男性和4519位女性
成功进行第28轮实验，本轮实验成功匹配30对，总共成功匹配5511对，还剩下4489位男性和4489位女性
成功进行第29轮实验，本轮实验成功匹配38对，总共成功匹配5549对，还剩下4451位男性和4451位女性
成功进行第30轮实验，本轮实验成功匹配23对，总共成功匹配5572对，还剩下4428位男性和4428位女性
成功进行第31轮实验，本轮实验成功匹配25对，总共成功匹配5597对，还剩下4403位男性和4403位女性
成功进行第32轮实验，本轮实验成功匹配36对，总共成功匹配5633对，还剩下4367位男性和4367位女性
成功进行第33轮实验，本轮实验成功匹配32对，总共成功匹配5665对，还剩下4335位男性和4335位女性
成功进行第34轮实验，本轮实验成功匹配31对，总共成功匹配5696对，还剩下4304位男性和4304位女性
成功进行第35轮实验，本轮实验成功匹配20对，总共成功匹配5716对，还剩下4284位男性和4284位女性
成功进行第36轮实验，本轮实验成功匹配23对，总共成功匹配5739对，还剩下4261位男性和4261位女性
成功进行第37轮实验，本轮实验成功匹配24对，总共成功匹配5763对，还剩下4237位男性和4237位女性
成功进行第38轮实验，本轮实验成功匹配19对，总共成功匹配5782对，还剩下4218位男性和4218位女性
成功进行第39轮实验，本轮实验成功匹配30对，总共成功匹配5812对，还剩下4188位男性和4188位女性
成功进行第40轮实验，本轮实验成功匹配24对，总共成功匹配5836对，还剩下4164位男性和4164位女性
成功进行第41轮实验，本轮实验成功匹配17对，总共成功匹配5853对，还剩下4147位男性和4147位女性
成功进行第42轮实验，本轮实验成功匹配21对，总共成功匹配5874对，还剩下4126位男性和4126位女性
成功进行第43轮实验，本轮实验成功匹配33对，总共成功匹配5907对，还剩下4093位男性和4093位女性
成功进行第44轮实验，本轮实验成功匹配27对，总共成功匹配5934对，还剩下4066位男性和4066位女性
成功进行第45轮实验，本轮实验成功匹配29对，总共成功匹配5963对，还剩下4037位男性和4037位女性
成功进行第46轮实验，本轮实验成功匹配32对，总共成功匹配5995对，还剩下4005位男性和4005位女性
成功进行第47轮实验，本轮实验成功匹配17对，总共成功匹配6012对，还剩下3988位男性和3988位女性
成功进行第48轮实验，本轮实验成功匹配16对，总共成功匹配6028对，还剩下3972位男性和3972位女性
成功进行第49轮实验，本轮实验成功匹配19对，总共成功匹配6047对，还剩下3953位男性和3953位女性
成功进行第50轮实验，本轮实验成功匹配25对，总共成功匹配6072对，还剩下3928位男性和3928位女性
成功进行第51轮实验，本轮实验成功匹配16对，总共成功匹配6088对，还剩下3912位男性和3912位女性
成功进行第52轮实验，本轮实验成功匹配20对，总共成功匹配6108对，还剩下3892位男性和3892位女性
成功进行第53轮实验，本轮实验成功匹配21对，总共成功匹配6129对，还剩下3871位男性和3871位女性
成功进行第54轮实验，本轮实验成功匹配22对，总共成功匹配6151对，还剩下3849位男性和3849位女性
成功进行第55轮实验，本轮实验成功匹配15对，总共成功匹配6166对，还剩下3834位男性和3834位女性
成功进行第56轮实验，本轮实验成功匹配21对，总共成功匹配6187对，还剩下3813位男性和3813位女性
成功进行第57轮实验，本轮实验成功匹配15对，总共成功匹配6202对，还剩下3798位男性和3798位女性
成功进行第58轮实验，本轮实验成功匹配12对，总共成功匹配6214对，还剩下3786位男性和3786位女性
成功进行第59轮实验，本轮实验成功匹配14对，总共成功匹配6228对，还剩下3772位男性和3772位女性
成功进行第60轮实验，本轮实验成功匹配15对，总共成功匹配6243对，还剩下3757位男性和3757位女性
成功进行第61轮实验，本轮实验成功匹配13对，总共成功匹配6256对，还剩下3744位男性和3744位女性
成功进行第62轮实验，本轮实验成功匹配14对，总共成功匹配6270对，还剩下3730位男性和3730位女性
成功进行第63轮实验，本轮实验成功匹配15对，总共成功匹配6285对，还剩下3715位男性和3715位女性
成功进行第64轮实验，本轮实验成功匹配14对，总共成功匹配6299对，还剩下3701位男性和3701位女性
成功进行第65轮实验，本轮实验成功匹配8对，总共成功匹配6307对，还剩下3693位男性和3693位女性
成功进行第66轮实验，本轮实验成功匹配11对，总共成功匹配6318对，还剩下3682位男性和3682位女性
成功进行第67轮实验，本轮实验成功匹配20对，总共成功匹配6338对，还剩下3662位男性和3662位女性
成功进行第68轮实验，本轮实验成功匹配8对，总共成功匹配6346对，还剩下3654位男性和3654位女性
成功进行第69轮实验，本轮实验成功匹配12对，总共成功匹配6358对，还剩下3642位男性和3642位女性
成功进行第70轮实验，本轮实验成功匹配14对，总共成功匹配6372对，还剩下3628位男性和3628位女性
成功进行第71轮实验，本轮实验成功匹配12对，总共成功匹配6384对，还剩下3616位男性和3616位女性
成功进行第72轮实验，本轮实验成功匹配12对，总共成功匹配6396对，还剩下3604位男性和3604位女性
成功进行第73轮实验，本轮实验成功匹配11对，总共成功匹配6407对，还剩下3593位男性和3593位女性
成功进行第74轮实验，本轮实验成功匹配11对，总共成功匹配6418对，还剩下3582位男性和3582位女性
成功进行第75轮实验，本轮实验成功匹配11对，总共成功匹配6429对，还剩下3571位男性和3571位女性
成功进行第76轮实验，本轮实验成功匹配10对，总共成功匹配6439对，还剩下3561位男性和3561位女性
成功进行第77轮实验，本轮实验成功匹配14对，总共成功匹配6453对，还剩下3547位男性和3547位女性
成功进行第78轮实验，本轮实验成功匹配13对，总共成功匹配6466对，还剩下3534位男性和3534位女性
成功进行第79轮实验，本轮实验成功匹配13对，总共成功匹配6479对，还剩下3521位男性和3521位女性
成功进行第80轮实验，本轮实验成功匹配9对，总共成功匹配6488对，还剩下3512位男性和3512位女性
成功进行第81轮实验，本轮实验成功匹配16对，总共成功匹配6504对，还剩下3496位男性和3496位女性
成功进行第82轮实验，本轮实验成功匹配14对，总共成功匹配6518对，还剩下3482位男性和3482位女性
成功进行第83轮实验，本轮实验成功匹配10对，总共成功匹配6528对，还剩下3472位男性和3472位女性
成功进行第84轮实验，本轮实验成功匹配14对，总共成功匹配6542对，还剩下3458位男性和3458位女性
成功进行第85轮实验，本轮实验成功匹配5对，总共成功匹配6547对，还剩下3453位男性和3453位女性
成功进行第86轮实验，本轮实验成功匹配12对，总共成功匹配6559对，还剩下3441位男性和3441位女性
成功进行第87轮实验，本轮实验成功匹配14对，总共成功匹配6573对，还剩下3427位男性和3427位女性
成功进行第88轮实验，本轮实验成功匹配12对，总共成功匹配6585对，还剩下3415位男性和3415位女性
成功进行第89轮实验，本轮实验成功匹配10对，总共成功匹配6595对，还剩下3405位男性和3405位女性
成功进行第90轮实验，本轮实验成功匹配11对，总共成功匹配6606对，还剩下3394位男性和3394位女性
成功进行第91轮实验，本轮实验成功匹配5对，总共成功匹配6611对，还剩下3389位男性和3389位女性
成功进行第92轮实验，本轮实验成功匹配3对，总共成功匹配6614对，还剩下3386位男性和3386位女性
成功进行第93轮实验，本轮实验成功匹配11对，总共成功匹配6625对，还剩下3375位男性和3375位女性
成功进行第94轮实验，本轮实验成功匹配7对，总共成功匹配6632对，还剩下3368位男性和3368位女性
成功进行第95轮实验，本轮实验成功匹配9对，总共成功匹配6641对，还剩下3359位男性和3359位女性
成功进行第96轮实验，本轮实验成功匹配9对，总共成功匹配6650对，还剩下3350位男性和3350位女性
成功进行第97轮实验，本轮实验成功匹配10对，总共成功匹配6660对，还剩下3340位男性和3340位女性
成功进行第98轮实验，本轮实验成功匹配14对，总共成功匹配6674对，还剩下3326位男性和3326位女性
成功进行第99轮实验，本轮实验成功匹配9对，总共成功匹配6683对，还剩下3317位男性和3317位女性
成功进行第100轮实验，本轮实验成功匹配6对，总共成功匹配6689对，还剩下3311位男性和3311位女性
成功进行第101轮实验，本轮实验成功匹配19对，总共成功匹配6708对，还剩下3292位男性和3292位女性
成功进行第102轮实验，本轮实验成功匹配8对，总共成功匹配6716对，还剩下3284位男性和3284位女性
成功进行第103轮实验，本轮实验成功匹配5对，总共成功匹配6721对，还剩下3279位男性和3279位女性
成功进行第104轮实验，本轮实验成功匹配11对，总共成功匹配6732对，还剩下3268位男性和3268位女性
成功进行第105轮实验，本轮实验成功匹配12对，总共成功匹配6744对，还剩下3256位男性和3256位女性
成功进行第106轮实验，本轮实验成功匹配5对，总共成功匹配6749对，还剩下3251位男性和3251位女性
成功进行第107轮实验，本轮实验成功匹配14对，总共成功匹配6763对，还剩下3237位男性和3237位女性
成功进行第108轮实验，本轮实验成功匹配12对，总共成功匹配6775对，还剩下3225位男性和3225位女性
成功进行第109轮实验，本轮实验成功匹配10对，总共成功匹配6785对，还剩下3215位男性和3215位女性
成功进行第110轮实验，本轮实验成功匹配11对，总共成功匹配6796对，还剩下3204位男性和3204位女性
成功进行第111轮实验，本轮实验成功匹配8对，总共成功匹配6804对，还剩下3196位男性和3196位女性
成功进行第112轮实验，本轮实验成功匹配5对，总共成功匹配6809对，还剩下3191位男性和3191位女性
成功进行第113轮实验，本轮实验成功匹配7对，总共成功匹配6816对，还剩下3184位男性和3184位女性
成功进行第114轮实验，本轮实验成功匹配9对，总共成功匹配6825对，还剩下3175位男性和3175位女性
成功进行第115轮实验，本轮实验成功匹配12对，总共成功匹配6837对，还剩下3163位男性和3163位女性
成功进行第116轮实验，本轮实验成功匹配11对，总共成功匹配6848对，还剩下3152位男性和3152位女性
成功进行第117轮实验，本轮实验成功匹配6对，总共成功匹配6854对，还剩下3146位男性和3146位女性
成功进行第118轮实验，本轮实验成功匹配5对，总共成功匹配6859对，还剩下3141位男性和3141位女性
成功进行第119轮实验，本轮实验成功匹配4对，总共成功匹配6863对，还剩下3137位男性和3137位女性
成功进行第120轮实验，本轮实验成功匹配5对，总共成功匹配6868对，还剩下3132位男性和3132位女性
成功进行第121轮实验，本轮实验成功匹配8对，总共成功匹配6876对，还剩下3124位男性和3124位女性
成功进行第122轮实验，本轮实验成功匹配7对，总共成功匹配6883对，还剩下3117位男性和3117位女性
成功进行第123轮实验，本轮实验成功匹配5对，总共成功匹配6888对，还剩下3112位男性和3112位女性
成功进行第124轮实验，本轮实验成功匹配8对，总共成功匹配6896对，还剩下3104位男性和3104位女性
成功进行第125轮实验，本轮实验成功匹配9对，总共成功匹配6905对，还剩下3095位男性和3095位女性
成功进行第126轮实验，本轮实验成功匹配3对，总共成功匹配6908对，还剩下3092位男性和3092位女性
成功进行第127轮实验，本轮实验成功匹配8对，总共成功匹配6916对，还剩下3084位男性和3084位女性
成功进行第128轮实验，本轮实验成功匹配6对，总共成功匹配6922对，还剩下3078位男性和3078位女性
成功进行第129轮实验，本轮实验成功匹配7对，总共成功匹配6929对，还剩下3071位男性和3071位女性
成功进行第130轮实验，本轮实验成功匹配2对，总共成功匹配6931对，还剩下3069位男性和3069位女性
成功进行第131轮实验，本轮实验成功匹配8对，总共成功匹配6939对，还剩下3061位男性和3061位女性
成功进行第132轮实验，本轮实验成功匹配5对，总共成功匹配6944对，还剩下3056位男性和3056位女性
成功进行第133轮实验，本轮实验成功匹配2对，总共成功匹配6946对，还剩下3054位男性和3054位女性
成功进行第134轮实验，本轮实验成功匹配6对，总共成功匹配6952对，还剩下3048位男性和3048位女性
成功进行第135轮实验，本轮实验成功匹配3对，总共成功匹配6955对，还剩下3045位男性和3045位女性
成功进行第136轮实验，本轮实验成功匹配5对，总共成功匹配6960对，还剩下3040位男性和3040位女性
成功进行第137轮实验，本轮实验成功匹配4对，总共成功匹配6964对，还剩下3036位男性和3036位女性
成功进行第138轮实验，本轮实验成功匹配3对，总共成功匹配6967对，还剩下3033位男性和3033位女性
成功进行第139轮实验，本轮实验成功匹配7对，总共成功匹配6974对，还剩下3026位男性和3026位女性
成功进行第140轮实验，本轮实验成功匹配0对，总共成功匹配6974对，还剩下3026位男性和3026位女性
--------------------
本次实验总共进行了140轮，配对成功6974对
---------------
实验总共耗时36.35秒

问题：

  1. 百分之多少的样本数据成功匹配到了对象？
  2. 采取不同择偶策略的匹配成功率分别是多少？

采取不同择偶策略的男性各项平均分是多少

答案：

代码：

'''
(4)几个问题：
   百分之多少的样本数据成功匹配到了对象？
   采取不同择偶策略的匹配成功率分别是多少？
   采取不同择偶策略的男性各项平均分是多少？
'''
#百分之多少的样本数据成功匹配到了对象？
print('%.2f%%的样本数据成功许配到了对象\n-------------'%(len(match_success1)/len(sample1_m1)*100))

#采取不同择偶策略的匹配成功率分别是多少？
print('择偶策略1的匹配成功率为%.2f%%' % (len(match_success1[match_success1['strategy_type']==1])/len(sample1_m1[sample1_m1['strategy'] == 1])*100))
print('择偶策略2的匹配成功率为%.2f%%' % (len(match_success1[match_success1['strategy_type']==2])/len(sample1_m1[sample1_m1['strategy'] == 2])*100))
print('择偶策略3的匹配成功率为%.2f%%' % (len(match_success1[match_success1['strategy_type']==3])/len(sample1_m1[sample1_m1['strategy'] == 3])*100))
print('\n---------')

#采取不同择偶策略的男性各项平均分是多少？
match_m1 = pd.merge(match_success1,sample1_m1,left_on = 'm',right_index = True)
result_df = pd.DataFrame([{'财富均值':match_m1[match_m1['strategy_type'] == 1]['fortune'].mean(),
                          '内涵均值':match_m1[match_m1['strategy_type'] == 1]['character'].mean(),
                          '外貌均值':match_m1[match_m1['strategy_type'] == 1]['apperance'].mean()},
                         {'财富均值':match_m1[match_m1['strategy_type'] == 2]['fortune'].mean(),
                          '内涵均值':match_m1[match_m1['strategy_type'] == 2]['character'].mean(),
                          '外貌均值':match_m1[match_m1['strategy_type'] == 2]['apperance'].mean()},
                         {'财富均值':match_m1[match_m1['strategy_type'] == 3]['fortune'].mean(),
                          '内涵均值':match_m1[match_m1['strategy_type'] == 3]['character'].mean(),
                          '外貌均值':match_m1[match_m1['strategy_type'] == 3]['apperance'].mean()}],
                         index = ['择偶策略1','择偶策略2','择偶策略3'])
# 构建数据dataframe
print('择偶策略1的男性 → 财富均值为%.2f，内涵均值为%.2f，外貌均值为%.2f' % 
      (result_df.loc['择偶策略1']['财富均值'],result_df.loc['择偶策略1']['内涵均值'],result_df.loc['择偶策略1']['外貌均值']))
print('择偶策略2的男性 → 财富均值为%.2f，内涵均值为%.2f，外貌均值为%.2f' % 
      (result_df.loc['择偶策略2']['财富均值'],result_df.loc['择偶策略2']['内涵均值'],result_df.loc['择偶策略2']['外貌均值']))
print('择偶策略3的男性 → 财富均值为%.2f，内涵均值为%.2f，外貌均值为%.2f' % 
      (result_df.loc['择偶策略3']['财富均值'],result_df.loc['择偶策略3']['内涵均值'],result_df.loc['择偶策略3']['外貌均值']))

运行结果：

69.74%的样本数据成功许配到了对象
-------------
择偶策略1的匹配成功率为99.97%
择偶策略2的匹配成功率为37.36%
择偶策略3的匹配成功率为72.85%

---------
择偶策略1的男性 → 财富均值为60.03，内涵均值为59.75，外貌均值为59.59
择偶策略2的男性 → 财富均值为72.62，内涵均值为59.68，外貌均值为54.89
择偶策略3的男性 → 财富均值为57.37，内涵均值为60.09，外貌均值为58.04

图片.png

绘制箱型图

match_m1.boxplot(column = ['fortune','character','apperance'],by='strategy_type',figsize = (10,6),layout = (1,3))
plt.ylim(0,150)
plt.show()
# 绘制箱型图

图片.png