3.2每日总结

石家庄铁道大学2024年春季

  2022 级课堂测试试卷—数据同步练习

课程名称：大数据库技术与应用  任课教师：王建民  考试时间： 120 分钟 

一、     数据结构分析：

（1）京津冀三省的2015年度的科技成果数据原始表，为Access数据库，；

（2）要求将三省的科技成果数据汇总到同一表中（要求结果表为MySql数据表）；

（3）三个原始数据表结构不一致，要求结果表中包括所有的字段，表达意思相同或相似的字段要进行合并，不允许丢失字段（若只有本表独有字段，在结果表中其他两表数据在该字段填入空值）。

二、     数据同步练习：要求采编程实现三个原始表数据同步功能，将三个表的数据同步到一个结果表中。

三、    数据清洗练习：

（1）重复记录清洗，分析结果表中是否存在重复的数据记录，主要是地域和成果名称相同即判定为重复记录，保留一条记录，并补充其他重复记录中独有的数据字段内容，再删除其余记录。

（2）在结果表中追加年份和地域两个标准维度字段，如果原始表中存在该字段则直接转化成维度字段，若不存在则根据单位名称确定地域字段内容，天津科技成果表中不存在年度字段，则直接将年度维度字段确定为2015年。

四、   数据分析：

根据提供的已知字段名称，自动将科技成果分类，并且分析京津冀三地的科技优势。

五、   将最终的MySQL数据表导入，放入源程序，将文件夹命名为为班级学号姓名提交。

1.汇总表：

 2.数据清洗：

代码：

import java.sql.*;

public class thedataqingxi {

    public static void main(String[] args) {
        // 数据库连接信息
        String url = "jdbc:mysql://localhost:3306/2024.2.28test";
        String username = "root";
        String password = "123456";

        try {
            // 连接数据库
            Connection connection = DriverManager.getConnection(url, username, password);

            // 执行数据清洗操作
            cleanData(connection);

            // 关闭数据库连接
            connection.close();
        } catch (SQLException e) {
            e.printStackTrace();
        }
    }

    private static void cleanData(Connection connection) throws SQLException {
        // SQL查询语句，查找重复记录并保留一条
        String findDuplicatesSQL = "SELECT MIN(ID) as minID, name, danwei " +
                "FROM huizongbiao " +
                "GROUP BY name, danwei " +
                "HAVING COUNT(*) > 1";

        // SQL删除语句，删除除最小ID外的重复记录
        String deleteDuplicatesSQL = "DELETE FROM huizongbiao WHERE ID <> ? AND name = ? AND danwei = ?";

        // 执行查询
        Statement statement = connection.createStatement();
        ResultSet resultSet = statement.executeQuery(findDuplicatesSQL);

        // 遍历查询结果
        while (resultSet.next()) {
            int minID = resultSet.getInt("minID");
            String name = resultSet.getString("name");
            String danwei = resultSet.getString("danwei");

            // 执行删除操作
            PreparedStatement preparedStatement = connection.prepareStatement(deleteDuplicatesSQL);
            preparedStatement.setInt(1, minID);
            preparedStatement.setString(2, name);
            preparedStatement.setString(3, danwei);

            preparedStatement.executeUpdate();
            preparedStatement.close();
        }

        // 关闭Statement和ResultSet
        statement.close();
        resultSet.close();
    }
}

 3.导出csv文件：

 4.数据分析展示：

import pandas as pd
import matplotlib.pyplot as plt

# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 读取CSV文件
df = pd.read_csv('huizongbiao.csv')

# 按地区分组并计算各地区的应用行业占比
hebei_data = df[df['shengshiqu'] == '河北']
beijing_data = df[df['shengshiqu'] == '北京']
tianjin_data = df[df['shengshiqu'] == '天津']

def plot_pie_and_bar(data, title):
    # 计算应用行业占比
    industry_counts = data['yingyonghangye'].value_counts()

    # 只保留前五，其余用"其他"代指
    top_industries = industry_counts.head(5)
    other_count = industry_counts[5:].sum()
    top_industries['其他'] = other_count

    total_count = len(data)
    industry_percentages = top_industries / total_count * 100

    # 绘制饼状图
    plt.figure(figsize=(10, 6))
    plt.subplot(1, 2, 1)
    plt.pie(industry_percentages, labels=industry_percentages.index, autopct='%1.1f%%', startangle=140)
    plt.title(f'{title} - 行业占比')

    # 绘制柱状图
    plt.subplot(1, 2, 2)
    top_industries.plot(kind='bar')
    plt.title(f'{title} - 行业分布 (前五)')
    plt.xlabel('应用行业')
    plt.ylabel('数量')

    plt.tight_layout()
    plt.show()

# 绘制河北地区的图表
plot_pie_and_bar(hebei_data, '河北')

# 绘制北京地区的图表
plot_pie_and_bar(beijing_data, '北京')

# 绘制天津地区的图表
plot_pie_and_bar(tianjin_data, '天津')