🐸问题 4🐸

🐸问题 5🐸

💕二、解题思路💕

🤡问题 1

• 目标：找出352个城市中35200个景点的最高评分（BS）、获得此评分的景点数量以及具有最多这种评分景点的城市。
• 方法：首先，你需要从每个城市的CSV文件中提取所有景点的评分，并找出最高评分（BS）。之后，计算达到最高评分的景点数量，并统计每个城市获得该评分的景点数量。最后，按照这种评分的景点数量对城市进行排序，列出前10个城市。

🤡问题 2 使用模糊综合评价法

• 目标：使用模糊综合评价法（Fuzzy Comprehensive Evaluation, FCE）对352个城市进行综合评价，选择最吸引外国游客的50个城市。
• 方法：    
  1. 确定评价因素和等级：选择影响城市吸引力的因素，如城市规模、环境保护、人文底蕴、交通便利、气候、美食等。
  2. 构建模糊关系矩阵：基于专家评分或数据统计，为每个城市的每个因素分配一个隶属度值。
  3. 定义权重向量：确定各因素的权重，可以使用专家评分、问卷调查等方法确定。
  4. 模糊综合评价：通过权重向量与模糊关系矩阵的模糊合成，计算每个城市的总体评价值。
  5. 选择和排序：根据总体评价值选择得分最高的50个城市。

🤡问题 3 使用模拟退火算法

• 目标：为一名从广州入境的外国游客规划144小时内的最佳旅游路线，访问“最令外国游客向往的50个城市”中尽可能多的城市。
• 方法：
  1. 定义状态空间：每个状态表示一个可能的旅行路线。
  2. 目标函数：定义目标函数来评估每条路线的质量，包括访问的城市数量和综合体验评分。
  3. 邻域结构：定义如何从一个状态转移到另一个状态，例如更换一个城市的访问顺序。
  4. 模拟退火过程：从初始解开始，通过随机扰动生成新状态，根据目标函数和温度参数接受或拒绝新状态，逐渐降低温度直到收敛。

🤡问题 4 在问题 3 基础上进行优化

• 目标：在尽可能多地游览城市的同时，尽量减少门票和交通的总费用。
• 方法：在模拟退火算法的基础上，调整目标函数来同时考虑游览城市数量和总成本（门票+交通）。通过调整成本和数量的权重，找到最佳的权衡方案。

🤡问题 5 按照我的方法进行优化

• 目标：为主要想游览中国山景的外国游客定制144小时内的旅游路线。
• 方法：
  1. 数据准备：识别每个城市中评分最高的山。
  2. 路径优化算法：使用模拟退火算法，定义状态为游览的城市和山，目标函数为最大化游览的山数量和最小化总成本。
  3. 邻域结构：可以通过更改访问城市的顺序或替换城市来生成新状态。
  4. 实施细节：需要结合高铁时刻表和城市间距离来优化路线，考虑山景开放时间和门票费用。

💕三、解题代码和结果💕

🙌问题 1🙌

import matplotlib# 设置Matplotlib支持中文字体
matplotlib.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
matplotlib.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题#%%import pandas as pd
import glob
import matplotlib.pyplot as plt# 指定包含所有CSV文件的文件夹路径
folder_path = '附件/'  
def read_data(folder_path):# 使用glob模块找到文件夹中的所有csv文件file_paths = glob.glob(folder_path + '*.csv')print(f"Found {len(file_paths)} files.")  # 打印找到的文件数量data_frames = []for path in file_paths:print(f"Reading {path}")  # 打印正在读取的文件名df = pd.read_csv(path, usecols=[6])  # 只读取评分所在的第G列，索引为6df.columns = ['评分']  # 重命名列为"评分"df['City'] = path.split('/')[-1].split('.')[0]  # 提取城市名data_frames.append(df)if data_frames:  # 检查是否有数据框存在all_data = pd.concat(data_frames)return all_dataelse:return pd.DataFrame()  # 如果没有数据框，则返回空的数据框def analyze_data(data):if data.empty:print("No data to analyze.")return None, None# 数据清洗：确保评分列为数值类型data['评分'] = pd.to_numeric(data['评分'], errors='coerce')  # 将无法转换为数值的转换为NaNdata.dropna(subset=['评分'], inplace=True)  # 删除包含NaN的行# 找到最高评分best_score = data['评分'].max()print(f"最高评分(Best Score, BS): {best_score}")# 计算获得最高评分的景点数量best_score_count = data[data['评分'] == best_score].shape[0]print(f"获得最高评分的景点数量: {best_score_count}")# 找到获得最高评分的景点最多的城市best_score_cities = data[data['评分'] == best_score].groupby('City').size().sort_values(ascending=False)print("获得最高评分的景点最多的城市:")print(best_score_cities.head(10))return best_score_cities.head(10), best_scoredef plot_top_cities(best_score_cities, best_score):if best_score_cities is not None:plt.figure(figsize=(10, 6))best_score_cities.plot(kind='bar', color='skyblue')plt.title(f'评分{best_score}的旅游景点最多的城市')plt.xlabel('城市')plt.ylabel('旅游景点数量')plt.xticks(rotation=45)plt.tight_layout()plt.show()# 执行分析
data = read_data(folder_path)
top_cities, best_score = analyze_data(data)
plot_top_cities(top_cities, best_score)