OnlineJudge难度与正确度的相关性检验

　　本着做题的心态，上了东莞理工学院的 oj 网；在选择难度的时候发现有些题目通过率和难度可能存在着某些关系，于是决定爬下这些数据简单查看一下是否存在关系。

一、新建项目

　　我是用 Scrapy 框架爬取的（因为刚学没多久，顺便练练手）。首先，先新建 project （下载 Scarpy 部分已省略），在控制台输入 scrapy startproject onlineJudge（其中， onlineJudge为项目名称），敲击回车键新建项目完成。

二、明确目的

　　在动手写代码之前，先分析一下网页结构。网站是通过动态加载的，数据通过 json 文件加载。

　　1、明确要爬取的目标： http://oj.dgut.edu.cn/problems 网站里的题目，难度，提交量，通过率。在查找 json 的时候发现只有通过数，那么通过率就要自己计算。

　　2、打开 onlineJudge 目录下的 items.py 写下如下代码：

class OnlinejudgeItem(scrapy.Item):

    id = scrapy.Field()                     # 题目编号
    title = scrapy.Field()                  # 标题
    difficulty = scrapy.Field()             # 难度
    submissionNo = scrapy.Field()      　　　# 提交量
    acceptedNo = scrapy.Field()         　　# 正确数
    passingRate = scrapy.Field()           # 正确率

三、制作爬虫

　　1、在当前目录下输入命令：scrapy genspider oj "oj.dgut.edu.cn" （其中 oj 是爬虫的名字，"oj.dgut.edu.cn"算是一个约束，规定一个域名）

　　2、打开 onlineJudge/spiders 下的 ojSpider.py ，增加或修改代码为：

import scrapy
import json
from onlineJudge.items import OnlinejudgeItem

class OjSpider(scrapy.Spider):
    name = 'oj'        # 爬虫的名字
    allowed_domains = ['oj.dgut.edu.cn']　　　　　# 域名范围
    offset = 0
    url = 'http://oj.dgut.edu.cn/api/xproblem/?limit=20&offset='
    start_urls = [url + str(offset)]　　　　　　　# 爬取的URL元祖/列表

    def parse(self, response):
        data = json.loads(response.text)['data']['results']
        if len(data):
            for i in range(len(data)):
                submissionNo = data[i]['submission_number']
                acceptedNo = data[i]['accepted_number']
                try:
                    passingRate = round((int(acceptedNo)/int(submissionNo)) * 100, 2)
                except ZeroDivisionError as e:
                    passingRate = 0

                strPR = str(passingRate) + "%"

                item = OnlinejudgeItem()

                item['id'] = data[i]['_id']
                item['title'] = data[i]['title']
                item['difficulty'] = data[i]['difficulty']
                item['submissionNo'] = submissionNo
                item['acceptedNo'] = acceptedNo
                item['passingRate'] = strPR

                yield item

                print(i)
            self.offset += 20
            yield scrapy.Request(self.url + str(self.offset), callback=self.parse)
 

四、存储数据

1、打算将数据存储为 excel 文档，要先安装 openpyxl 模块，通过 pip install openpyxl 下载。

2、下载完成后，在 pipelines.py 中写入如下代码

from openpyxl import Workbook

class OnlinejudgePipeline(object):

    def __init__(self):
        self.wb = Workbook()
        self.ws = self.wb.active                # 激活工作簿
        self.ws.append(['编号', '标题', '难度', '提交量', '正确数', '正确率'])    # 设置表头

    def process_item(self, item, spider):
        line = [item['id'], item['title'], item['difficulty'],
                item['submissionNo'], item['acceptedNo'], item['passingRate']]
        self.ws.append(line)
        self.wb.save('oj.xlsx')
        return item

五、设置 settings.py 

修改并增加代码：

LOG_FILE = "oj.log"

ROBOTSTXT_OBEY = True

ITEM_PIPELINES = {
    'onlineJudge.pipelines.OnlinejudgePipeline': 300,
}

六、运行爬虫

　　在当前目录下新建一个 main.py 并写下如下代码

from scrapy import cmdline

cmdline.execute("scrapy crawl oj".split())

　　然后运行 main.py 文件。

　　于是，想要的数据就被爬下来了

七、分析数据

　　分析数据之前，先安装好 numpy，pandas，matplotlib，xlrd。

import pandas as pd
import xlrd

data = pd.read_excel("../onlineJudge/onlineJudge/oj.xlsx")　　# 导入 excel 文件
data.describe()

　　通过观察，数据没有异常值以及确实值，虽然提交量和正确数有为0的部分，但属于正常范围，不做处理。

data = data.set_index('编号')　　# 设置编号为索引
data.head()　　　　　　　　　　　　# 显示前五条信息

from matplotlib import pyplot as plt
import matplotlib.style as psl
%matplotlib inline

psl.use('seaborn-colorblind')    # 设置图表风格
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签

　　查看题目各难度的数目：

level_values = data['难度'].values

difficulties = {
    '简单': 0,
    '中等': 0,
    '困难': 0
}

for value in level_values:
    if value == '简单':
        difficulties['简单'] += 1
    elif value == '中等':
        difficulties['中等'] += 1
    else:
        difficulties['困难'] += 1

level = pd.Series(difficulties)
print(level)

level.plot(kind = 'bar', figsize=(6, 7))
plt.grid(axis='y')

　　验证正确率与难度之间是否存在关系：

import numpy as np

relation = data[['难度', '正确率']]
rate_values = relation['正确率'].values

fig, axes = plt.subplots(figsize=(15, 6))
axes.scatter(rate_values, level_values)
plt.grid(axis='x')
plt.xticks(np.arange(0, 1, 0.05))
plt.xlabel('正确率')
plt.ylabel('难度')

　　根据图像显示，题目难度跟正确率存在一定关系，困难的题目正确率相对集中于8%-28%，中等难度的题目比较集中在23%-55%，简单难度的题目正确率主要在40%以上。