① 按照一定规则生成了1万男性+1万女性样本： ** 在配对实验中，这2万个样本具有各自不同的个人属性（财富、内涵、外貌），每项属性都有一个得分 ** 财富值符合指数分布，内涵和颜值符合正态分布 ** 三项的平均值都为60分，标准差都为15分 ② 模拟实验。基于现实世界的提炼及适度简化，我们概括了三个最主流的择偶策略： ** 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； ** 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； ** 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 ③ 每一轮实验中，我们将三种策略随机平分给所有样本（即采用每种策略的男性有3333个样本） ④ 我们为每位单身男女随机选择一个对象，若双方互相符合要求就算配对成功，配对失败的男女则进入下一轮配对。
1、样本数据处理 ** 按照一定规则生成了1万男性+1万女性样本： ** 在配对实验中，这2万个样本具有各自不同的个人属性（财富、内涵、外貌），每项属性都有一个得分 ** 财富值符合指数分布，内涵和颜值符合正态分布 ** 三项的平均值都为60分，标准差都为15分 要求： ① 构建函数实现样本数据生成模型，函数参数之一为“样本数量”，并用该模型生成1万男性+1万女性数据样本 ** 包括三个指标：财富、内涵、外貌 ② 绘制柱状图来查看每个人的属性分值情况 提示： ① 正态分布：np.random.normal(loc=60, scale=15, size=n) ② 指数分布：np.random.exponential(scale=15, size=n) + 45
2、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 ** 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； ** 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； ** 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 ** 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 ** 这里不同策略匹配结果可能重合，所以为了简化模型 → 先进行策略1模拟， → 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， → 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： ① 生成样本数据 ② 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 ③ 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 ④ 构建模型，并模拟1万男性+1万女性的配对实验 ⑤ 通过数据分析，回答几个问题： ** 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？ 提示： ① 择偶策略评判标准： ** 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 ** 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 ** 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 ② 构建空的数据集，用于存储匹配成功的数据 ③ 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() ④ 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
3、以99男+99女的样本数据，绘制匹配折线图 要求： ① 生成样本数据，模拟匹配实验 ② 生成绘制数据表格 ③ bokhe制图 ** 这里设置图例，并且可交互（消隐模式） 提示： ① bokeh制图时，y轴为男性，x轴为女性 ② 绘制数据表格中，需要把男女性的数字编号提取出来，这样图表横纵轴好识别 ③ bokhe绘制折线图示意：p.line([0,女性数字编号，女性数字编号],[男性数字编号，男性数字编号，0])
4、生成“不同类型男女配对成功率”矩阵图 要求： ① 以之前1万男+1万女实验的结果为数据 ② 按照财富值、内涵值、外貌值分别给三个区间，以区间来评判“男女类型” ** 高分（70-100分），中分（50-70分），低分（0-50分） ** 按照此类分布，男性女性都可以分为27中类型：财高品高颜高、财高品中颜高、财高品低颜高、... （财→财富，品→内涵，颜→外貌） ③ bokhe制图 ** 散点图 ** 27行*27列，散点的颜色深浅代表匹配成功率 提示： ① 注意绘图的数据结构 ② 这里散点图通过xy轴定位数据，然后通过设置颜色的透明度来表示匹配成功率 ③ alpha字段为每种类型匹配成功率标准化之后的结果，再乘以一个参数 → data['alpha'] = (data['chance'] - data['chance'].min())/(data['chance'].max() - data['chance'].min())*8