京公网安备 11010802034615号
经营许可证编号:京B2-20210330
解读诺贝尔奖“大”数据:想获奖先搬家
2015年的诺贝尔奖已经公布,咱们中国的女科学家屠呦呦获奖,真是举国振奋的好消息。
众所周知,诺贝尔奖的设立,对物理学、化学、医学的发展起着重要的激励作用。自1901年诺贝尔奖首次颁发到2014年为止,在过去114年中,已经有889位来自物理、化学、生理/医学、经济学、文学等方面的杰出人士获奖。他们的研究成果影响着世人,改变着世界,为当今科学的进步做出了巨大的贡献。
“中奖”虽然绝非易事,但也有规律可循。获奖者都有哪些相似点呢?都来自什么地方?下面我们就通过一张图试着分析下规律。
图片来源于意大利Accurat studio(http://www.accurat.it/)
这是一张记录了在1901年到2012年期间每一位获奖者信息的图片,包括了获奖年份,研究领域、所在机构以及学术方向。
看起来很复杂?且听小编下文分解。
首先总体来看,这张图的X轴代表获奖年份,Y轴代表获奖者的年龄,具体可以看上图的图例。图例上标示了所有获奖者的平均年龄,以及每个奖项获奖者的平均年龄。甚至标注了每一年每一位奖项颁发的人数,学历、性别以及获奖的时候所在大学的具体情况。
在名校工作的获奖者更多
由这张图可以看出,获奖者最多的七所大学分别是哈佛大学、麻省理工学院、斯坦福大学、加州理工学院、剑桥大学以及加州伯克利分院。这些都是世界名校,能进去其中工作的人都是领域内的佼佼者,而且这里不仅有优越的研究条件,还有优秀的合作伙伴,获奖者多也并不意外。
不仅要有成果,还要长寿
再来看获奖者的平均年龄,我们以化学奖来举例,所有获奖者的平均年龄为59岁,但化学奖获得者平均为57岁,不过近年来获奖人士的年纪普遍超过了平均年龄。这一方面是因为科学家们真的是“老骥伏枥,志在千里”,另一方面也是因为诺贝尔奖越来越倾向于“让时间先来检验成果”,这种趋势也带来了一些遗憾,给某个成果颁奖时,这个成果的核心人物已经去世了。
科学与性别无关
获奖者有男性也有女性,在这张图中都有统计数据,但这仅仅是为了统计之用。虽然目前来看,女性获奖者少于男性获奖者,但这背后有着复杂的社会因素,近年女性科学家们越来越杰出的表现已经说明了,其实性别并不重要,科学并没有国家、血统以及性别之分,只要在其领域中做出了卓越贡献就可以获奖。
想获奖?先搬家
你想获奖吗?那先搬家吧。这张图片还统计了获奖者的居住地,看来想获奖还得选地方啊。图中显示住在纽约的获奖者最多,有51人。位居次席的是巴黎,有23人之多,巴黎人不只浪漫,还是盛产诺奖的城市啊。怎么样,心动了吗?走,咱去巴黎吧。
团结就是力量
你知道诺贝尔奖可以几人共同分享吗?其实这种情况挺多的,在图中也有显示,那么究竟有多少呢?诺奖颁发了多少次呢?我们从诺贝尔奖的官方网站找到了相关数据。
获奖者多为博士
最后来看看获奖者的学历。由这图中可以看出,虽然在各个领域里获奖者以博士学历者居多,但也有以硕士、学士学历获奖的,这里边的差异是因为有些学科,硕士学位就可以了,不一定要博士学位才有更好的发展。在诺贝尔文学奖中,这一情况则不同。文学奖是比较特别的奖项,跟获奖人的学术高低无关,只跟你的作品有关,所以很多获奖者根本没有学位,而且没有学位的获奖者甚至占多数。还有一个奖项也是这样的情况,这就是诺贝尔和平奖。
从这张图中看,你会发现有些获奖者甚至很年轻,甚至还是个孩子,自然也没有学位了。例如2014年诺贝尔和平奖的获得者之一巴基斯坦女孩马拉拉当时才17岁,颁奖词称赞其“反抗针对儿童和年轻人的压迫,捍卫了儿童受教育的权利”。
居里夫人
图中还有特殊的注解,例如居里夫人是第一个两次获得诺贝尔奖的获奖者;简?丁伯根和尼可拉斯?丁伯根是唯一两兄弟都获得诺奖的亲兄弟,分别是经济学奖和医学奖。闻名世界的无线电之父马可尼是唯一一个没有学位的物理学获奖者。
简?丁伯根和尼可拉斯?丁伯根兄弟
2015年的诺贝尔奖已于10月5日至9日陆续发布,感兴趣的朋友也可以看看,今年的获奖者们是否吻合这张图中的规律。
最后,感谢科学进步对人类发展的推动,感谢获奖者们为世界做出的贡献。
注:
1、多次获奖的获奖者:居里夫人是第一个获得过两次诺贝尔奖的人(化学和物理)。
2、年纪最长的获奖者:莱昂尼德?赫维奇获奖的时候90岁。
3、最年轻的获奖者:威廉?劳伦斯?布拉格获奖时25岁(这个图表只到2012年,2014年巴基斯坦女孩马拉拉17岁获得和平奖)。
4、兄弟获奖:简?丁伯根和尼可拉斯?丁伯根是唯一两兄弟都获得过诺奖的亲兄弟(分别是经济学奖和医学奖)。
5、没有学位的获奖者:马可尼是唯一一个没有学位的获奖者(特指物理学奖)。
6、去世后获奖者:埃利克?阿克塞尔?卡尔费尔德(瑞典人)是唯一一个去世后获奖的人。
7、第一个女性经济学奖获得者:埃莉诺?奥斯特罗姆,是第一位也是唯一一位获得诺贝尔经济学奖的女性。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21