叮！你要的Python脱单攻略已送达

年关将至，学妹却因为男朋友不愿意带她回家过年而难过，我劝学妹主动点，自己多提几次，但是学妹觉得身为女孩子不能太主动。

于是，作为妇女之友的我打算用一个故事来开导学妹，我准备用Python作分析，拿数据说话：

“学妹呀，我来给你讲个故事~”

有一座城市，当地风俗是，想结婚的男子必须先向心仪的女子求婚，而女子则需要等待求婚。

牧师每年会邀请人数相同的适婚男女参与一次集体相亲。一次相亲活动可能有很多轮：

• 男子会首先向自己最爱的女子求婚，女子则会在所有的追求者中选择她的最爱；
• 如果男子被拒绝，下一轮会向他第二喜欢的女子求婚；
• 上一轮已经订婚的女子如果得到她更爱的人的求婚，则会毫不留情地抛弃未婚夫，和更爱的人在一起；
• 被抛弃的男子需要重新参与求婚。

如此反复，等大家都订婚，就举办集体婚礼。

聪明学妹马上抓住了重点：只要这个活动没有结束，女生就有机会选择她更爱的人！这对女生来说实在是太棒了，只要等着就会等到最合适的那个人！

我点点头：是的没错，但每个人对自己最终伴侣的满意度才是我们更应该关注的。虽然无法实地调查，但作为熟知Python语言和蒙特卡洛模拟方法的数据分析师，透过规律看结果还是非常简单的。看到结果你会明白一些道理。

蒙特卡罗方法：一种基于随机试验和统计计算的数值方法。

1

接下去，就用Python来分析这类婚配规则的最终结果。

我要用Python随机生成数量相等的男女，每个人都有自己的代号和对每一位异性的喜爱程度排名，再用计算机模拟求婚过程，最后看结果。多轮模拟的结果就会更接近真实值。

先生成男性群体——

man = pd.DataFrame( [['w'+str(i) for i in random.sample(range(1,women_num+1),women_num)] 
                      for i in range(man_num)],
                    index = ['m'+str(i) for i in range(1,man_num+1)],
                    columns = ['level'+str(i) for i in range(1,women_num+1)]
                    )

人数设定为100人，生成的结果是这样的，包含每个人的代号，和对异性群体中每个人的喜好程度：

2

• 每天上午，每位还没订婚的男子，会向还没拒绝过他的女子中，他最爱的那一个求婚；
• 每天下午，每位女性会在自己接到的求婚信中，选择她最中意的男子接受求婚；如果没接到求婚，就继续等待。

这个过程实现起来可能要等很多天，但我们有Python就方便许多~部分代码长这样：

print('======测试集{}模拟开始====='.format(i))
print('=====开始模拟求婚过程=====')
level_num = 0
while man_ismapping['love_level'].min() == 0:
level_num += 1
print('=====开始第{}天婚姻配对====='.format(level_num))
u_mapping_man = man_ismapping[man_ismapping.target == 'n'].index.tolist()

*完整代码请看文末~

运行起来是这样的：

3

学妹看着正在运行的模拟过程有点着急了，于是我抽取其中一轮的结果：

纵轴代表该次模拟结果中，某位男性/女性的伴侣喜爱排名，即：匹配到的伴侣是他/她第X喜欢的异性。

男性更容易得到自己较为喜爱的另一半！这可和学妹最开始的预期差的有点多啊！

学妹陷入了困惑：明明随着匹配轮次增加，男性的伴侣总是从自己最喜欢的对象慢慢变成不那么喜欢的对象；而女性伴侣却在一步步变好。你会不会弄错了啊！

我：Python在手，100次模拟我有~看看这么多次模拟中，男性/女性匹配到的伴侣情况吧~

*纵轴代表其中一次模拟中，男性/女性的平均伴侣喜爱排名均值，即：匹配到的伴侣是他们/她们第X喜欢的异性。

可以明显看到，男性对自己最终匹配到的伴侣的喜爱程度，普遍高于女性。

学妹终于收起了质疑：原来主动出击真有这么大的作用！

我点点头：你看，男性在主动做出选择之时，每次都能选择自己最喜欢的对象。这个游戏保证男孩的伴侣是可能和他在一起的最好的那一个，但对女孩就不是。

故事到这里就结束了，学妹明白了主动出击的重要性跑去找她的男朋友了，我这手Python数据分析技能又被学妹夸赞了一番。