数学建模国赛提速：问题分析、数据处理、图表绘制三件套-平芜编程栈

数学建模国赛只有三天时间，但真正让人崩溃的往往不是模型本身，而是思路还没理顺、数据一团乱麻、图表画出来自己都不想看。很多队伍不是不会建模，而是被“问题分析不聚焦、数据清洗太耗时、图表表达不专业”这三件事拖垮了。本文分享一套我在备赛和实战中反复打磨的“模块求解 skill”三件套——问题分析、数据处理、图表绘制，把每个环节变成可复用的标准化流程，配合完整代码示例和避坑清单，适合零基础参赛队伍，也适合想在数据处理和可视化上提速的老手。

1. 为什么需要一套“模块求解 skill”

1.1 数学建模竞赛的本质是一场限时科研

数学建模国赛（CUMCM）的题目通常给出一段真实背景、若干数据表和明确问题，要求参赛队在 72 小时内完成从读题、建模、求解到论文写作的完整闭环。这个过程本质上和一次小型科研项目非常像：先理解需求，再处理数据，然后构建模型，最后用图表和文字表达结论。

但很多队伍在实战中容易陷入三个误区：

拿到题目立刻开始套模型，忽略了题目中的约束条件和隐含假设，导致模型与数据脱节；
数据文件一打开就手动复制粘贴，耗时且容易出错，更不要说处理缺失值和异常值；
图表直接用 Excel 默认样式，或者用 Matplotlib 画出来就塞进论文，字号、标注、配色都不符合论文规范。

这三个误区叠加在一起，就导致一个常见结果：模型看起来很高端，但数据支撑不足，图表表达混乱，最终论文整体说服力不够。

1.2 “skill”在数学建模中的含义

“skill”这个词如果放在 AI Agent、Codex 的语境下，通常指“把一类任务的处理流程脚本化、模板化”。放到数学建模里，我们可以把它理解成一套可复用的解题流程：对某一类问题，把分析步骤、数据处理代码、图表模板沉淀下来，下次遇到相似题目可以直接调用，而不是每次从零开始。

本文要分享的三模块 skill 大致分工如下：

模块	定位	解决的核心问题
问题分析 skill	前端思路层	把一道赛题拆解成可执行的研究问题、约束条件和假设清单
数据处理 skill	中端数据层	统一读取、清洗、转换、特征构造，让数据可信可用
图表绘制 skill	后端表达层	绘制符合国赛规范、直接可插入论文的图表

这三个模块是递进关系：问题分析决定数据处理的方向，数据处理决定图表能画什么，图表决定论文最终呈现效果。

2. 环境准备与 Python 工具链

2.1 开发环境说明

本文所有代码基于 Python 3.9+ 编写，在 Windows / macOS / Linux 下均可运行。推荐使用 Anaconda 创建独立虚拟环境，避免包版本互相干扰。如果你已经有项目环境，也可以直接用 pip 安装依赖。

版本需要根据你的项目实际情况调整，本文示例以常见环境为例，重点演示配置思路。

建议创建虚拟环境：

conda create -n mathmodel python=3.9 -y conda activate mathmodel

2.2 需要安装的 Python 库

在实战中，我常用的库如下，统一写入requirements.txt：

pandas>=1.5.0 numpy>=1.23.0 matplotlib>=3.6.0 seaborn>=0.12.0 scikit-learn>=1.1.0 statsmodels>=0.13.0 scipy>=1.9.0 openpyxl>=3.0.0

安装命令：

pip install -r requirements.txt

简单说明一下每个库的用途：

pandas 负责数据读取、清洗、分组统计和透视；
numpy 提供高效的数值计算和数组操作；
matplotlib 是基础绘图库，负责几乎所有图表的绘制；
seaborn 在 matplotlib 基础上封装了统计图表，绘制热力图、分布图很方便；
scikit-learn 用于数据标准化、编码和基础机器学习模型；
statsmodels 常用于回归分析和时间序列分解；
scipy 提供优化、积分、插值等科学计算能力；
openpyxl 让 pandas 可以读写 .xlsx 文件。

2.3 项目目录结构

建议每个参赛队建一个统一的目录模板，这样找文件、备份和写作都很方便：

competition/ │ ├── data/ │ ├── raw/ # 原始赛题数据，只读不改 │ └── processed/ # 清洗后的数据 │ ├── code/ │ ├── analysis/ # 问题分析笔记 │ ├── data_process/ # 数据处理脚本 │ └── plot/ # 绘图脚本 │ ├── paper/ │ ├── figures/ # 论文用图 │ └── draft/ # 论文草稿 │ └── README.md

这个结构看起来简单，但能让你在比赛最后半天不用花时间找“那张画好的图到底存到哪里去了”。

3. Skill 一：问题分析模块

3.1 拿到题目后先做什么

很多队伍拿到赛题后第一件事是查资料、下文献，结果资料查了两三个小时，题目还没吃透。我建议把问题分析做成一个“固定流程”，前 30 分钟到 1 小时只做一件事：把题目逆向拆解。

所谓逆向拆解，就是从“题目要我们回答什么”出发，倒推出需要哪些数据、哪些模型、哪些假设。拆解时对照下面这张表：

拆解维度	要回答的问题	示例
研究对象	题目关注的核心对象是什么	城市共享单车的潮汐调度
显式目标	题目明确要求我们求解什么	优化调度方案，使车辆利用率最高
隐式约束	题目背景中隐藏的限制条件	车辆数量有限、调度车容量限制、时间窗口
数据需求	需要哪些字段才能支撑求解	订单数据、站点位置、天气、时间
可量化指标	怎么评价结果好坏	调度成本、用户等待时间、车辆空驶率

实际操作时，可以三个人同时读题，各自写一份拆解笔记，再碰头合并。这个做法的好处是能避免“一个人带偏全队思路”的情况。

3.2 建立问题的 WBS 分解清单

拆解完成后，把大问题分解成可执行的小任务，形成工作分解结构（WBS）。下面是用注释形式展示的一份通用 checklist，可以直接复制到项目 README 中：

# code/analysis/problem_checklist.py # 目标：把赛题变成可执行任务清单 # 使用方式：填空后，按顺序执行 TASK_LIST = { "业务理解": [ "用 3 句话向队友复述题目背景", "列出 5 个关键词：研究对象、时间段、地域范围、目标、限制", "画出业务逻辑草图（文字版）", ], "数据探查": [ "每个数据表有哪些字段？含义是什么？", "数据粒度是什么？（按天/按小时/按订单/按站点）", "是否有缺失值、异常值、重复记录？", "数据时间范围是否覆盖题目要求的周期？", ], "模型选择": [ "题目是否需要预测？如果是，优先考虑时间序列或回归", "题目是否需要评价？如果是，考虑层次分析法、熵权法、TOPSIS", "题目是否需要优化？如果是，考虑线性规划、遗传算法、模拟退火", "如果问题耦合，先拆成子问题，再考虑是否联立", ], "结果输出": [ "每个问题最终要输出哪些图表？", "每个图表要支撑哪个结论？", "是否需要灵敏度分析或误差分析？", ], }

3.3 问题分析阶段的常见误区

问题分析最常见的误区是“过早进入建模”。比如题目要求分析“交通拥堵的影响因素”，有队伍上来就写了一个多元线性回归，但连数据里有哪些指标都没看，最后发现关键字段缺失，只能返工。

正确做法是：先明确“题目限定的研究边界”，再确定“数据能不能支撑这个边界”，如果数据支撑不了，就需要合理假设或转换研究角度。数学建模允许做假设，但这意味着模型结果的可信度会受到影响，所以假设不要乱写，每一项假设都要能自圆其说。

4. Skill 二：数据处理模块

4.1 数据处理的标准流程

数据处理在竞赛中占比极大，甚至可以说“数据清洗的质量决定了模型上限”。我推荐把数据处理固定成下面这个流水线：

读取原始数据 → 统一列名与格式 → 缺失值处理 → 异常值处理 → 去重 → 特征构造 → 合并与透视 → 输出清洗后数据

每一步都做检查，防止错误在后续模型阶段才暴露。

下面是一个通用数据清洗函数，可以直接复制后按赛题修改字段名：

# code/data_process/clean_data.py import pandas as pd import numpy as np def load_data(file_path, sheet_name=None): """ 读取 csv 或 excel 文件 """ if file_path.endswith('.csv'): return pd.read_csv(file_path, encoding='utf-8') elif file_path.endswith(('.xlsx', '.xls')): return pd.read_excel(file_path, sheet_name=sheet_name) else: raise ValueError("不支持的文件格式，请使用 csv 或 excel") def clean_data(df, datetime_col=None, target_col=None): """ 通用数据清洗流程 """ # 1. 删除完全重复的行 df = df.drop_duplicates().copy() # 2. 统一列名：去除首尾空格、转小写 df.columns = [str(col).strip().lower().replace(' ', '_') for col in df.columns] # 3. 缺失值处理：数值列用中位数填充，类别列用众数填充 for col in df.columns: if df[col].dtype in ['int64', 'float64']: df[col] = df[col].fillna(df[col].median()) else: df[col] = df[col].fillna(df[col].mode().iloc[0] if not df[col].mode().empty else 'unknown') # 4. 异常值处理：使用 IQR 方法，超过上下边缘的值替换为边界值 numeric_cols = df.select_dtypes(include=[np.number]).columns for col in numeric_cols: Q1 = df[col].quantile(0.25) Q3 = df[col].quantile(0.75) IQR = Q3 - Q1 lower = Q1 - 1.5 * IQR upper = Q3 + 1.5 * IQR df.loc[df[col] < lower, col] = lower df.loc[df[col] > upper, col] = upper # 5. 时间列处理：提取年、月、日、小时等特征 if datetime_col and datetime_col in df.columns: df[datetime_col] = pd.to_datetime(df[datetime_col]) df['year'] = df[datetime_col].dt.year df['month'] = df[datetime_col].dt.month df['day'] = df[datetime_col].dt.day df['hour'] = df[datetime_col].dt.hour df['weekday'] = df[datetime_col].dt.weekday return df

4.2 数据探查（Data Profiling）

清洗之前，要先对数据做一次“体检”。建议在脚本中统一输出以下信息：

# 数据体检脚本，通常比赛开始 30 分钟内运行 def profile_data(df): print("数据形状：", df.shape) print("\n字段列表：") print(df.dtypes) print("\n缺失值统计：") print(df.isnull().sum()) print("\n数值字段描述：") print(df.describe()) print("\n类别字段唯一值数量：") print(df.select_dtypes(include=['object']).nunique())

运行后会得到一份“数据体检报告”，通过这份报告你可以快速判断：

数据量是否满足建模需求；
是否存在字段缺失严重的列，需要考虑删除或补全；
是否有明显离群值；
类别字段是否太多或太杂。

在国赛实战中，我见过不少队伍忽略了这一步，把包含大量缺失值的列直接放进模型，结果模型跑出来效果极差，还找不到原因。所以数据体检不是可选步骤，而是必选步骤。

4.3 特征构造与数据转换

原始数据往往不能直接建模，需要构造新的特征。常见做法包括：

时间特征：从时间戳中提取月份、星期、小时、是否节假日；
统计特征：按某个分组计算均值、方差、最大值、最小值，再拼回原表；
比例特征：如“订单量 / 可用车辆数”“故障数 / 总运行时长”；
编码特征：对类别型变量使用 one-hot 编码或标签编码。

下面是一个特征工程的示例片段：

# code/data_process/feature_engineering.py import pandas as pd from sklearn.preprocessing import StandardScaler, OneHotEncoder def build_features(df): """ 假设 df 已经完成缺失值清洗 """ # 1. 按站点构造统计特征 station_stats = df.groupby('station_id')['rent_count'].agg( station_mean='mean', station_std='std', station_max='max' ).reset_index() df = df.merge(station_stats, on='station_id', how='left') # 2. 构造比例特征 df['rent_per_bike'] = df['rent_count'] / (df['bike_count'] + 1e-6) # 3. 类别编码：对站点类型做 one-hot ohe = OneHotEncoder(sparse_output=False) encoded = ohe.fit_transform(df[['station_type']]) encoded_df = pd.DataFrame(encoded, columns=ohe.get_feature_names_out(['station_type'])) df = pd.concat([df, encoded_df], axis=1) # 4. 数值列标准化（留到建模前再做，避免信息泄露） return df

这里有一个容易被忽略的注意点：标准化应该在划分训练集和测试集之后再做，用训练集的均值和标准差去转换测试集。竞赛中很多队伍先标准化再划分，虽然大多数时候影响不大，但这属于“数据泄漏”的隐患，在严谨的建模流程中应该避免。

4.4 大数据量下的处理技巧

国赛有时会给出几百万行的订单数据，直接用 pandas 处理可能很慢，甚至内存溢出。这时候有几个实用办法：

读取时指定数据类型，比如用pd.read_csv(path, dtype={'station_id': 'int32'})；
用chunksize分块读取，先做必要的筛选再合并；
提前删除不必要的列，减少内存占用；
如果数据实在太大，先按题目要求聚合到“站点-小时”或“站点-天”粒度，再进入建模流程。

切记不要一开始就把原始全量数据 load 进内存再做所有操作，容易导致电脑卡死。

5. Skill 三：图表绘制模块

5.1 国赛论文图表的基本要求

论文图表不只是“展示数据”，更是“辅助论证”。评阅老师看一篇论文通常时间有限，图表的直观程度直接影响对模型的判断。我个人总结了三条硬性要求：

图片清晰，dpi 至少 300，插入 Word 后不模糊；
每一张图都有标题、坐标轴标签、单位和图例；
图表的结论与论文文字一致，图要能单独看懂。

5.2 统一绘图配置

Matplotlib 默认样式偏学术风，但直接使用会出现中文字体方框、坐标轴重叠、配色不够美观等问题。建议在绘图脚本开头设置统一配置：

# config/plot_config.py import matplotlib.pyplot as plt import matplotlib as mpl # 中文字体设置（Windows 使用 SimHei，macOS 可使用 Arial Unicode MS） plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'Arial Unicode MS'] plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题 # 全局绘图风格 plt.style.use('seaborn-v0_8-whitegrid') # 图片尺寸和清晰度 mpl.rcParams['figure.dpi'] = 100 mpl.rcParams['savefig.dpi'] = 300 mpl.rcParams['font.size'] = 12 mpl.rcParams['axes.labelsize'] = 12 mpl.rcParams['axes.titlesize'] = 14 mpl.rcParams['legend.fontsize'] = 10 # 统一保存参数 def save_fig(fig, path): fig.savefig(path, bbox_inches='tight', facecolor='white') print(f"图片已保存：{path}")

这段配置基本可以做到“一次配置，全局复用”。把这里的save_fig函数封装好，所有图都用它保存，保证输出风格一致。

5.3 常用图表类型与适用场景

图表类型	适用场景	关键代码
折线图	时间序列变化趋势	`plt.plot(x, y)`
散点图	两个变量之间的相关性	`plt.scatter(x, y)`
柱状图	类别之间的数值对比	`plt.bar(cat, val)`
堆叠柱状图	总量构成随时间变化	`plt.bar(x, a, label='A')`
箱线图	数据分布与异常值	`plt.boxplot(data)`
热力图	变量之间相关性矩阵	`seaborn.heatmap(corr)`
雷达图	多指标评价对比	`plt.polar(theta, values)`
3D 散点图	三维变量关系	`ax.scatter3D(x, y, z)`

5.4 论文级图表示例

下面是一个比较完整的示例，包含相关性热力图和预测效果对比图。

5.5 图表绘制的进阶细节

配色方面，尽量使用同一色系或低饱和色，不要每张图都换个花哨配色；
坐标轴范围要合理，不要因为个别异常值把整体趋势压扁；
如果有多子图，注意子图之间标题、图例、轴标签的对齐；
保存格式推荐 PNG 或 PDF，PDF 插入 Word 更清晰，但文件较大，建议最终提交 PDF 版本论文时用 PDF 图片；
汉字字体设置是个高频坑，如果绘图时出现方框，优先检查plt.rcParams['font.sans-serif']是否设置成功。

6. 完整实战案例：城市共享单车潮汐调度问题

下面用一个模拟赛题串联三个 skill，展示从问题分析到图表输出的完整链路。

赛题背景（示例数据，非真实赛题）：

某市共享单车系统记录了站点的借还车订单，包含站点编号、时间戳、借出车辆数、归还车辆数、可用车辆数等字段。请分析站点租还需求的时空规律，构建调度优化模型，并给出早晚高峰的调度建议。

6.1 问题分析阶段

首先按问题分析 skill 拆解：

研究对象：共享单车站点的租还需求；
显式目标：分析时空规律，构建调度优化模型，给出建议；
隐式约束：调度车辆数量有限、站点容量有限、调度耗时等；
数据需求：订单数据、站点容量、天气、节假日信息；
可量化指标：站点车辆溢出次数、车辆空缺时长、调度成本。

这个阶段输出的是一份一页纸的分析笔记，写清楚“我们要解决什么问题、用什么数据、用什么方法、输出什么结果”。

6.2 数据处理阶段

用前面写的clean_data函数处理订单数据，并按“站点-小时”粒度聚合：

# 主流程示意：main_process.py import pandas as pd from data_process.clean_data import load_data, clean_data from data_process.feature_engineering import build_features # 1. 读取原始数据 df = load_data('data/raw/order_data.xlsx', sheet_name='order') # 2. 清洗 df = clean_data(df, datetime_col='time', target_col='rent_count') # 3. 按站点-小时聚合 df['time_hour'] = df['time'].dt.floor('h') hourly = df.groupby(['station_id', 'time_hour']).agg( rent_sum=('rent_count', 'sum'), return_sum=('return_count', 'sum'), avg_available=('available_bikes', 'mean') ).reset_index() # 4. 构造特征 hourly = build_features(hourly) # 5. 保存 hourly.to_csv('data/processed/hourly_station.csv', index=False, encoding='utf-8-sig')

6.3 图表绘制阶段

分析早晚高峰需求时，先看全站点的需求量时序曲线：

# 全站点小时汇总 daily_hour = hourly.groupby(hourly['time_hour'].dt.hour)['rent_sum'].sum().reset_index() daily_hour.columns = ['hour', 'total_rent'] fig, ax = plt.subplots(figsize=(12, 5)) ax.plot(daily_hour['hour'], daily_hour['total_rent'], marker='o', color='steelblue') ax.set_xlabel('小时') ax.set_ylabel('总借车量') ax.set_title('全站点各小时借车需求分布') ax.set_xticks(range(0, 24)) ax.grid(True, linestyle='--', alpha=0.6) save_fig(fig, 'paper/figures/hourly_demand.png') plt.close(fig)

再按站点类型分面绘制箱线图，观察不同区域站点的需求差异：

fig, ax = plt.subplots(figsize=(12, 6)) sns.boxplot(data=hourly, x='station_type', y='rent_sum', ax=ax) ax.set_title('不同站点类型的借车需求分布') ax.set_xlabel('站点类型') ax.set_ylabel('每小时借车量') save_fig(fig, 'paper/figures/station_type_box.png') plt.close(fig)

6.4 运行与结果说明

运行上述脚本后，paper/figures/目录下会生成需求分布图、相关性热力图、预测对比图等。把这几个图和问题分析中的结论对应起来，论文写作阶段可以直接引用，不需要再临时补图。

整个链路跑通后，你会发现从拿到数据到输出第一批图表，可能只需要一个下午。剩下的时间可以集中火力优化模型和打磨论文，而不是在数据清洗和画图上反复挣扎。

7. 常见问题与排查思路

问题现象	常见原因	解决思路
绘图时中文显示为方框	未设置中文字体	设置`plt.rcParams['font.sans-serif']`，并`axes.unicode_minus=False`
pandas 读取 excel 报错	缺少 openpyxl 或 xlrd	安装`openpyxl`，或另存为 csv 再读取
数据量太大，内存崩溃	DataFrame 载入全量数据	只读必要列、指定`dtype`、分块读取或先聚合再建模
drop 列时出现警告	链式赋值问题	复制 DataFrame 再操作，避免连续使用`df[col][mask]`
缺失值过多，模型效果差	补全策略不合理或删除太多行	先看缺失占比，超过 50% 的列考虑删除，其余用中位数或模型插补
标准化后数值范围很奇怪	对类别变量也做了标准化	只用数值列做标准化，类别变量使用编码
保存图片后论文中模糊	dpi 设置太低或图片被拉伸	设置`savefig.dpi=300`，插入 Word 时保持原图比例
预测图和真实值对不上	时间对齐问题	排序后检查索引，确保真实值和预测值按同一时间轴对齐

如果遇到上面没列出的问题，排查顺序建议是：先看数据（打印 shape 和 head），再看类型（dtypes），然后看是否有 NaN，最后看绘图代码的坐标轴和颜色参数。大多数问题都能靠这个顺序定位到。

8. 团队分工与工程化建议

8.1 三人三角色的建议分工

数学建模竞赛通常是三人一组，我见过比较稳定的分工模式是：

建模手：负责问题分析、模型选择、公式推导、灵敏度分析；
代码手：负责数据清洗、模型实现、图表绘制、代码管理；
写作手：负责论文结构、图表排版、文字润色、摘要打磨。

但分工并不绝对，代码手要懂建模，写作手也要能看懂图表含义。最理想的状态是：三人对问题分析 skill 达成共识，由代码手统一实现数据处理和绘图流程，写作手在拿到图表后立即开始撰写对应章节。

8.2 代码与文件命名规范

数据文件按01_原始数据、02_清洗数据、03_特征数据的顺序编号；
图片按01_问题分析、02_数据探索、03_模型结果分类存放；
每个代码文件开头写清楚用途、输入、输出；
代码中不要出现绝对路径，使用相对路径，方便三台电脑同步运行；
每完成一个阶段，手动备份一次关键脚本和数据。

8.3 安全与合规边界

数学建模竞赛使用的数据是赛题官方提供的公开数据，原则上可以自由使用。但在实际项目或科研中处理数据时，需要注意几个边界：

涉及用户隐私、商业敏感信息的数据，必须做脱敏处理；
不要在论文中编造数据或结果，模型输出与论文图表必须一致；
如果使用第三方代码或开源项目，注意保留声明，避免学术不端风险；
对数据库执行删除、更新操作前，必须备份并在测试环境验证。

8.4 避免“过度加工”数据

数据处理的目标是让数据更干净，而不是刻意制造“好看的结果”。我见过有队伍为了追求相关性很高，反复筛选样本、删掉“不好看”的数据点，这种做法的本质是数据造假，在国赛评阅中是高风险行为。正确做法是记录每一步处理逻辑，让数据处理过程可复现、可解释，这样即使结果不理想，也能通过分析过程找到问题。

9. 总结与学习路线

围绕这篇文章，你至少可以掌握三条可迁移的技能：

第一，问题分析要“逆向拆解”，把一道赛题拆成研究对象、显式目标、隐式约束、数据需求、可量化指标五要素，再用 WBS 清单把任务落地；

第二，数据处理要走标准流水线，从读取、体检、清洗到特征构造，每一步都输出检查信息，避免脏数据进入模型；

第三，图表绘制要建立统一配置，从字体、配色、分辨率到保存格式都规范化，让图表直接达到论文可用的标准。

下一步建议你找一道往年国赛真题，用本文的流程走一遍“读题 → 数据体检 → 画三张图 → 写第一个简单模型”的完整练习。不用追求一次做到完美，重点是熟悉这套 skill 的操作节奏，同时把踩过的坑记在团队文档里。真正到了赛场上，时间紧张是常态，能让你稳住阵脚的，就是赛场前反复演练过的那套标准化流程。