🧑 博主简介：曾任某智慧城市类企业算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）

💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

---

一、📊 引言：一个时代的终结，另一个时代的开始

2025年11月24日，教育部公布的数据震动了整个教育就业市场：全国考研报名人数为343万人，较上年下降45万人。而更引人注目的是，这一数字已被同年国考人数（约372万人）反超。

这不仅仅是一组数据的简单对比，更是中国高等教育与就业选择观念发生根本性转变的标志性事件。本文将通过Pyecharts库，对这一历史性转折进行深度可视化分析。

二、数据准备：理解转折的背景

"""
考研人数被考公反超：历史性转折可视化分析
数据来源：教育部、国家公务员局
单位：万人
重点突出：2026年国考首次反超考研
"""

from pyecharts import options as opts
from pyecharts.charts import Line, Grid
from pyecharts.globals import ThemeType
from pyecharts.commons.utils import JsCode
import pandas as pd
import numpy as np

# ==================== 数据准备 ====================
# 2010-2026年考研与国考人数数据
years = [f"{y}年" for y in range(2010, 2027)]
exam_data = {
    '考研人数': [141, 151, 166, 176, 172, 165, 201, 238, 290, 341, 377, 474, 457, 438, 388, 372, 343],
    '国考人数': [136, 140, 129, 128, 134, 156, 134, 129, 137, 143, 137, 123, 141, 203, 260, 303, 372]
}

# 创建DataFrame
df = pd.DataFrame(exam_data, index=years)

# 计算关键指标
df['总人数'] = df['考研人数'] + df['国考人数']
df['考研占比'] = (df['考研人数'] / df['总人数'] * 100).round(1)
df['国考占比'] = (df['国考人数'] / df['总人数'] * 100).round(1)
df['差值'] = df['考研人数'] - df['国考人数']

# 计算增长率
df['考研增长率'] = (df['考研人数'].pct_change() * 100).fillna(0).round(1)
df['国考增长率'] = (df['国考人数'].pct_change() * 100).fillna(0).round(1)

# 关键数据统计
print("=" * 80)
print("🚨 考研人数被国考反超：关键数据统计（2010-2026）")
print("=" * 80)
print(f"📚 考研总报名人数: {df['考研人数'].sum():.0f} 万人次")
print(f"🏛️ 国考总报名人数: {df['国考人数'].sum():.0f} 万人次")
print(f"📊 考研峰值: {df['考研人数'].max()} 万人 ({df['考研人数'].idxmax()})")
print(f"📊 国考峰值: {df['国考人数'].max()} 万人 ({df['国考人数'].idxmax()})")
print("-" * 80)
print("🎯 2026年关键数据对比：")
print(f"   📉 考研人数: {df['考研人数'].iloc[-1]} 万人")
print(f"       较上年下降: {df['考研人数'].iloc[-2] - df['考研人数'].iloc[-1]} 万人 (-{abs(df['考研增长率'].iloc[-1])}%)")
print(f"   📈 国考人数: {df['国考人数'].iloc[-1]} 万人")
print(f"       📊 差值: 国考比考研多 {abs(df['差值'].iloc[-1])} 万人")
print("=" * 80)

三、核心可视化：历史性转折折线图

3.1 创建主要趋势图

# 计算差值（考研人数 - 国考人数）
diff_values = [exam_data['考研人数'][i] - exam_data['国考人数'][i] for i in range(len(exam_data['考研人数']))]

def create_advanced_line_chart():
    """创建高级折线图"""
    
    line = (
        Line()
        .add_xaxis(
            xaxis_data=years,
        )
        .add_yaxis(
            series_name="考研人数",
            y_axis=exam_data["考研人数"],
            is_smooth=True,
            symbol="circle",
            symbol_size=12
            )
        )
        .add_yaxis(
            series_name="国考人数",
            y_axis=exam_data["国考人数"],
            is_smooth=True,
            symbol="diamond",
            symbol_size=14
            )
        )
        .add_yaxis(
            series_name="人数差值",
            y_axis=diff_values,
            yaxis_index=1,
            is_smooth=True,
            symbol="triangle",
            symbol_size=10
        )
        .set_global_opts(
            title_opts=opts.TitleOpts(
                title="📊 2010-2026年考研与国考人数趋势对比",
                subtitle="科技蓝：考研人数 | 激情红：国考人数 | 2026年国考首次反超成为历史转折点",
                title_textstyle_opts=opts.TextStyleOpts(
                    font_size=28,
                    font_weight="bold",
                    color="#ffffff",
                    font_family="Microsoft YaHei"
                )
            ),
            legend_opts=opts.LegendOpts(
                pos_top="60px",
                pos_left="center",
                orient="horizontal"
            ),
            xaxis_opts=opts.AxisOpts(
                name="年份",
                type_="category",
                name_textstyle_opts=opts.TextStyleOpts(
                    color="#94a3b8",
                    font_size=14,
                    font_family="Microsoft YaHei"
                )
            ),
            yaxis_opts=opts.AxisOpts(
                name="报名人数 (万人)",
                type_="value",
                name_textstyle_opts=opts.TextStyleOpts(
                    color="#94a3b8",
                    font_size=14,
                    font_family="Microsoft YaHei"
                )
            )
        )
    )
    
    # 扩展第二Y轴用于显示差值
    line.extend_axis(
        yaxis=opts.AxisOpts(
            name="人数差值 (万)",
            type_="value",
            position="right"
            ),
            splitline_opts=opts.SplitLineOpts(is_show=False)
        )
    )
    
    # 添加辅助线 - 2026年反超线
    line.set_series_opts(
        markline_opts=opts.MarkLineOpts(
            data=[
                opts.MarkLineItem(
                    x="2026年",
                    name="历史转折点",
                    symbol="none"
                )
            ]
        )
    )
    
    return line

# 生成图表
chart = create_advanced_line_chart()

# 渲染图表（在Jupyter Notebook中直接显示，或在其他环境中保存为HTML）
chart.render("考研与国考人数趋势对比.html")

3.2 生成的图表展示

生成的折线图的图表如下：

交互的视频如下：

四、数据分析与解读

4.1 🔍 核心发现

1. 历史性转折：2026年国考人数（372万）首次超过考研人数（343万），打破了长期以来考研人数占优的格局。

2. 趋势逆转：考研人数在2023年达到峰值474万后开始显著下降，而国考人数自2020年起持续快速增长。

3. 观念转变：数据显示中国年轻人就业观念正从"深造优先"向"稳定就业优先"转变。

4.2 📈 数据洞察

• 考研峰值：2023年达到474万，随后开始下降
• 国考增长：从2020年的203万增长到2026年的372万，增长83.3%
• 转折点：2024-2026年是关键转折期，差值从考研占优变为国考占优

4.3 🎯 社会意义

这一数据变化反映了中国教育就业市场的深刻变革：

1. 就业压力增大：面对就业市场竞争，更多人选择直接就业而非继续深造
2. 稳定就业需求：年轻人对工作稳定性、福利保障的重视程度提升
3. 教育投资回报：考研成本的增加和就业形势的变化影响决策

4.4 🛠️ 技术特色

本可视化采用Pyecharts库，具有以下特点：

1. 专业配色：采用科技蓝(#1e90ff)和激情红(#ff4757)的对比配色
2. 交互性强：支持鼠标悬停、缩放、保存等多种交互功能
3. 响应式设计：图表自适应不同屏幕尺寸
4. 数据完整：包含2010-2026年完整时间序列数据

五、结论

2026年的数据转折不仅仅是一个统计数字的变化，更是中国社会就业观念和教育路径选择的重大转变标志。 随着经济环境和就业市场的变化，越来越多的年轻人开始重新评估深造与就业的平衡点，这一趋势值得我们持续关注和研究。

可视化图表清晰展现了这一历史性转折的过程，为教育政策制定、就业市场分析和个人职业规划提供了重要的数据参考。

---

  注： 博主目前收集了6900+份相关数据集，有想要的可以领取部分数据，关注下方公众号或添加微信：