东西方时尚审美差异量化程序，分别统计男女消费者对中西服饰偏好打分。
用 Python 构建东西方时尚审美差异量化分析程序，通过对男女消费者的中西服饰偏好打分，统计分析性别与文化背景对审美偏好的影响，并以中立视角呈现分析结果。
一、实际应用场景描述
在《时尚产业与品牌创新》课程中，"跨文化审美差异"是国际时尚品牌本土化战略的核心议题。具体表现为：
- 东方审美偏好：含蓄、留白、对称、自然意象（山水、花鸟）、重意境与整体和谐感。
- 西方审美偏好：外放、曲线强调、视觉冲击、个体表达、重轮廓与比例张力。
- 性别差异：研究表明，男性消费者普遍更看重"功能性+身份象征"，女性消费者更关注"美学细节+情感共鸣"，但在不同文化背景下表现不同。
品牌面临核心问题：
"做全球化产品时，如何平衡东西方审美差异？男女消费者的跨文化偏好是否存在显著差异？哪些设计要素是'审美公约数'？"
本程序用 Python 构建审美维度评分 + 性别×文化双因素方差分析 + 可视化对比的完整统计框架，量化东西方时尚审美差异。
二、引入痛点
- 审美偏好研究多停留在"东方含蓄、西方奔放"的定性描述，缺乏可量化的维度评分体系。
- 真实跨文化消费者调研成本高（需中英美法日等多国样本），手工整理问卷数据效率低。
- 缺乏统计检验框架来判断"男女审美差异是否显著""东西方差异是否大于性别差异"等核心问题。
⇒ 用 Python 构建合成问卷数据 + 多维度 ANOVA 分析 + 可视化仪表盘，模拟完整分析流程。
三、核心逻辑讲解
1. 审美维度设计
基于审美心理学与时尚理论，提炼六大可量化审美维度：
维度 说明 东方偏好方向 西方偏好方向
色彩饱和度（Color Saturation） 0=低饱和莫兰迪 100=高饱和撞色 偏中低饱和 偏高饱和
剪裁复杂度（Cut Complexity） 0=极简直线 100=多层叠搭 偏简约流畅 偏结构感
装饰密度（Ornamentation） 0=无装饰 100=满绣满印 偏意境留白 偏繁复装饰
轮廓夸张度（Silhouette Boldness） 0=贴身自然 100=夸张廓形 偏自然垂坠 偏结构夸张
文化符号强度（Cultural Symbolism） 0=无文化标识 100=强文化符号 偏含蓄隐喻 偏直白表达
功能性权重（Functionality Weight） 0=纯装饰 100=纯功能 偏装饰意境 偏功能实用
2. 性别×文化双因素模型
审美偏好得分 = 基础分 + 文化效应 + 性别效应 + 交互效应 + 随机噪声
其中：
- 文化效应：东方 vs 西方的整体偏移
- 性别效应：男性 vs 女性的整体偏移
- 交互效应：文化×性别的交叉影响（如东方男性 vs 西方女性的差异模式不同）
3. 统计方法
- 描述性统计：各维度均值、标准差、分布
- 独立样本 t 检验：东西方差异是否显著 / 男女差异是否显著
- 双因素 ANOVA：文化 × 性别 交互效应检验
- 效应量（Cohen's d）：差异的实际意义大小，而非仅看 p 值
四、代码模块化（aesthetic_preference_analysis.py）
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
aesthetic_preference_analysis.py
东西方时尚审美差异量化分析
男女消费者对中西服饰偏好的统计建模与显著性检验
依赖: numpy, pandas, matplotlib, scipy, statsmodels
安装: pip install numpy pandas matplotlib scipy statsmodels
"""
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib import rcParams
from scipy import stats
import statsmodels.api as sm
from statsmodels.formula.api import ols
from dataclasses import dataclass, field
from typing import Dict, List, Tuple
from enum import Enum
# 中文字体设置
rcParams['font.sans-serif'] = ['Noto Sans CJK SC', 'SimHei', 'Microsoft YaHei']
rcParams['axes.unicode_minus'] = False
# ──────────────────────────────────────────────
# 1. 枚举与配置模块
# ──────────────────────────────────────────────
class Culture(Enum):
"""文化背景"""
EAST = "东方"
WEST = "西方"
class Gender(Enum):
"""性别"""
MALE = "男性"
FEMALE = "女性"
@dataclass
class AestheticDimension:
"""审美维度定义"""
name_en: str
name_cn: str
description: str
# 东西方基准偏移（0-100 量表）
east_base: float
west_base: float
# 性别偏移（叠加在文化基准上）
male_shift: float
female_shift: float
# 交互效应强度（文化×性别）
interaction_strength: float
# 组内标准差
std: float
# ──────────────────────────────────────────────
# 2. 审美维度数据库模块
# ──────────────────────────────────────────────
class AestheticDatabase:
"""
东西方时尚审美维度评分体系
基于审美心理学文献与跨文化时尚研究综合构建
"""
@staticmethod
def get_dimensions() -> Dict[str, AestheticDimension]:
"""返回六大审美维度的完整定义"""
return {
'color_saturation': AestheticDimension(
name_en='Color Saturation',
name_cn='色彩饱和度',
description='对色彩鲜艳/柔和程度的偏好',
east_base=35, west_base=65,
male_shift=-5, female_shift=+8,
interaction_strength=0.3, std=15
),
'cut_complexity': AestheticDimension(
name_en='Cut Complexity',
name_cn='剪裁复杂度',
description='对服装结构层次感的偏好',
east_base=40, west_base=60,
male_shift=-3, female_shift=+5,
interaction_strength=0.2, std=12
),
'ornamentation': AestheticDimension(
name_en='Ornamentation',
name_cn='装饰密度',
description='对装饰元素（刺绣/印花/铆钉等）的接受度',
east_base=55, west_base=50,
male_shift=-12, female_shift=+10,
interaction_strength=0.5, std=18
),
'silhouette_boldness': AestheticDimension(
name_en='Silhouette Boldness',
name_cn='轮廓夸张度',
description='对廓形夸张程度的接受度',
east_base=30, west_base=70,
male_shift=-8, female_shift=+5,
interaction_strength=0.4, std=16
),
'cultural_symbolism': AestheticDimension(
name_en='Cultural Symbolism',
name_cn='文化符号强度',
description='对显性文化标识（龙纹/十字架/图腾等）的偏好',
east_base=45, west_base=55,
male_shift=+3, female_shift=-2,
interaction_strength=0.3, std=14
),
'functionality_weight': AestheticDimension(
name_en='Functionality Weight',
name_cn='功能性权重',
description='对服装实用功能（口袋/防水/多用途）的重视程度',
east_base=50, west_base=55,
male_shift=+15, female_shift=-8,
interaction_strength=0.6, std=13
)
}
# ──────────────────────────────────────────────
# 3. 合成数据生成模块
# ──────────────────────────────────────────────
class SurveyDataGenerator:
"""
生成模拟的消费者审美偏好问卷数据
基于维度定义中的文化/性别效应叠加生成
"""
PERCEIVED_QUALITY_BASE = {
Culture.EAST: {
Gender.MALE: 62, Gender.FEMALE: 68
},
Culture.WEST: {
Gender.MALE: 58, Gender.FEMALE: 72
}
}
SAMPLE_SIZE_PER_CELL = 150 # 每个 文化×性别 组合的样本量
@classmethod
def generate(cls, seed: int = 42) -> pd.DataFrame:
"""
生成完整问卷数据集
每行 = 一位受访者对六大维度的评分（0-100）
加上人口统计变量与综合审美得分
"""
np.random.seed(seed)
dims = AestheticDatabase.get_dimensions()
rows = []
for culture in Culture:
for gender in Gender:
n = cls.SAMPLE_SIZE_PER_CELL
for i in range(n):
respondent = {
'respondent_id': f"{culture.name[:1]}{gender.name[:1]}_{i:04d}",
'culture': culture.value,
'culture_code': 0 if culture == Culture.EAST else 1,
'gender': gender.value,
'gender_code': 0 if gender == Gender.MALE else 1,
}
# 各维度评分
total_score = 0
for key, dim in dims.items():
base = dim.east_base if culture == Culture.EAST else dim.west_base
gender_shift = (dim.male_shift if gender == Gender.MALE
else dim.female_shift)
interaction = (dim.interaction_strength
* (1 if culture == Culture.WEST else -1)
* (1 if gender == Gender.FEMALE else -1))
true_score = base + gender_shift + interaction
noise = np.random.normal(0, dim.std)
final_score = np.clip(true_score + noise, 0, 100)
respondent[key] = round(final_score, 1)
total_score += final_score
# 综合审美得分（标准化到 0-100）
respondent['overall_aesthetic_score'] = round(
total_score / len(dims), 1
)
# 人口统计模拟（年龄、收入层级）
respondent['age'] = int(np.random.choice(
[22, 27, 32, 37, 42, 47],
p=[0.15, 0.30, 0.25, 0.15, 0.10, 0.05]
))
respondent['income_tier'] = np.random.choice(
['Low', 'Mid', 'High'], p=[0.25, 0.50, 0.25]
)
rows.append(respondent)
return pd.DataFrame(rows)
# ──────────────────────────────────────────────
# 4. 统计分析模块
# ──────────────────────────────────────────────
class AestheticAnalyzer:
"""核心统计分析引擎"""
DIMENSION_KEYS = list(AestheticDatabase.get_dimensions().keys())
DIMENSION_NAMES = {
k: v.name_cn for k, v in AestheticDatabase.get_dimensions().items()
}
@classmethod
def describe_by_group(cls, df: pd.DataFrame,
group_cols: List[str]) -> pd.DataFrame:
"""按分组计算各维度描述性统计"""
return df.groupby(group_cols)[cls.DIMENSION_KEYS].agg(
['mean', 'std', 'count']
).round(2)
@classmethod
def t_test_culture(cls, df: pd.DataFrame) -> pd.DataFrame:
"""东西方差异 t 检验（全样本）"""
results = []
for key in cls.DIMENSION_KEYS:
east = df[df['culture'] == Culture.EAST.value][key]
west = df[df['culture'] == Culture.WEST.value][key]
t_stat, p_value = stats.ttest_ind(east, west, equal_var=False)
cohen_d = (east.mean() - west.mean()) / np.sqrt(
(east.std()**2 + west.std()**2) / 2
)
results.append({
'dimension': cls.DIMENSION_NAMES[key],
'east_mean': round(east.mean(), 2),
'west_mean': round(west.mean(), 2),
'diff': round(east.mean() - west.mean(), 2),
't_statistic': round(t_stat, 3),
'p_value': round(p_value, 4),
'cohen_d': round(cohen_d, 3),
'significant': p_value < 0.05,
'sig_level': ('**' if p_value < 0.01
else '*' if p_value < 0.05 else 'ns')
})
return pd.DataFrame(results)
@classmethod
def t_test_gender(cls, df: pd.DataFrame) -> pd.DataFrame:
"""男女差异 t 检验（全样本）"""
results = []
for key in cls.DIMENSION_KEYS:
male = df[df['gender'] == Gender.MALE.value][key]
female = df[df['gender'] == Gender.FEMALE.value][key]
t_stat, p_value = stats.ttest_ind(male, female, equal_var=False)
cohen_d = (male.mean() - female.mean()) / np.sqrt(
(male.std()**2 + female.std()**2) / 2
)
results.append({
'dimension': cls.DIMENSION_NAMES[key],
'male_mean': round(male.mean(), 2),
'female_mean': round(female.mean(), 2),
'diff': round(male.mean() - female.mean(), 2),
't_statistic': round(t_stat, 3),
'p_value': round(p_value, 4),
'cohen_d': round(cohen_d, 3),
'significant': p_value < 0.05,
'sig_level': ('**' if p_value < 0.01
else '*' if p_value < 0.05 else 'ns')
})
return pd.DataFrame(results)
@classmethod
def two_way_anova(cls, df: pd.DataFrame) -> pd.DataFrame:
"""
双因素 ANOVA：文化 × 性别 对综合审美得分的影响
"""
results = []
for key in cls.DIMENSION_KEYS + ['overall_aesthetic_score']:
# 构建 OLS 模型
formula = f'{key} ~ C(culture) * C(gender)'
model = ols(formula, data=df).fit()
anova_table = sm.stats.anova_lm(model, typ=2)
row = {'dimension': cls.DIMENSION_NAMES.get(key, key)}
# 提取各效应
for effect in ['C(culture)', 'C(gender)', 'C(culture):C(gender)']:
if effect in anova_table.index:
row[f'{effect}_F'] = round(anova_table.loc[effect, 'F'], 3)
row[f'{effect}_p'] = round(anova_table.loc[effect, 'PR(>F)'], 4)
row[f'{effect}_sig'] = ('**' if row[f'{effect}_p'] < 0.01
else '*' if row[f'{effect}_p'] < 0.05
else 'ns')
else:
row[f'{effect}_F'] = np.nan
row[f'{effect}_p'] = np.nan
row[f'{effect}_sig'] = '—'
results.append(row)
return pd.DataFrame(results)
@classmethod
def find_aesthetic_overlap(cls, df: pd.DataFrame) -> pd.DataFrame:
"""
寻找"审美公约数"——东西方男女都给出高分的维度
"""
results = []
for key in cls.DIMENSION_KEYS:
east_male = df[(df['culture'] == '东方') & (df['gender'] == '男性')][key].mean()
east_female = df[(df['culture'] == '东方') & (df['gender'] == '女性')][key].mean()
west_male = df[(df['culture'] == '西方') & (df['gender'] == '男性')][key].mean()
west_female = df[(df['culture'] == '西方') & (df['gender'] == '女性')][key].mean()
overall_mean = df[key].mean()
min_group = min(east_male, east_female, west_male, west_female)
max_group = max(east_male, east_female, west_male, west_female)
spread = max_group - min_group
results.append({
'dimension': cls.DIMENSION_NAMES[key],
'east_male': round(east_male, 1),
'east_female': round(east_female, 1),
'west_male': round(west_male, 1),
'west_female': round(west_female, 1),
'overall_mean': round(overall_mean, 1),
'min': round(min_group, 1),
'max': round(max_group, 1),
'spread': round(spread, 1),
'is_consensus': spread < 15 # 四组差异 < 15 分视为共识区
})
return pd.DataFrame(results)
# ──────────────────────────────────────────────
# 5. 可视化仪表盘模块
# ──────────────────────────────────────────────
class Dashboard:
"""多面板可视化仪表盘"""
CULTURE_COLORS = {'东方': '#E74C3C', '西方': '#3498DB'}
GENDER_MARKERS = {'男性': 's', '女性': 'o'}
GENDER_COLORS = {'男性': '#2C3E50', '女性': '#E91E63'}
DIMENSION_SHORT = {
'color_saturation': '色彩饱和度',
'cut_complexity': '剪裁复杂度',
'ornamentation': '装饰密度',
'silhouette_boldness': '轮廓夸张度',
'cultural_symbolism': '文化符号',
'functionality_weight': '功能性'
}
@classmethod
def plot_dashboard(cls,
df: pd.DataFrame,
culture_ttest: pd.DataFrame,
gender_ttest: pd.DataFrame,
anova_df: pd.DataFrame,
overlap_df: pd.DataFrame,
filename: str = "aesthetic_preference_dashboard.png"):
fig = plt.figure(figsize=(24, 20))
fig.suptitle('东西方时尚审美差异量化分析',
fontsize=22, fontweight='bold', y=0.99)
# ── 图1：文化×性别 分组雷达图 ──
ax1 = fig.add_subplot(3, 2, 1, polar=True)
cls._plot_group_radar(ax1, df)
# ── 图2：东西方差异（Cohen's d 森林图） ──
ax2 = fig.add_subplot(3, 2, 2)
cls._plot_culture_effect(ax2, culture_ttest)
# ── 图3：男女差异（分维度箱线图） ──
ax3 = fig.add_subplot(3, 2, 3)
cls._plot_gender_boxplot(ax3, df)
# ── 图4：双因素 ANOVA 热力图 ──
ax4 = fig.add_subplot(3, 2, 4)
cls._plot_anova_heatmap(ax4, anova_df)
# ── 图5：审美公约数 ──
ax5 = fig.add_subplot(3, 2, 5)
cls._plot_overlap_chart(ax5, overlap_df)
# ── 图6：综合审美得分分布 ──
ax6 = fig.add_subplot(3, 2, 6)
cls._plot_overall_distribution(ax6, df)
plt.tight_layout(rect=[0, 0, 1, 0.96])
plt.savefig(filename, dpi=150, bbox_inches='tight')
plt.show()
print(f"[INFO] 仪表盘已保存: {filename}")
@classmethod
def _plot_group_radar(cls, ax, df: pd.DataFrame):
"""四组（东西×男女）雷达图"""
dims = list(cls.DIMENSION_SHORT.keys())
angles = np.linspace(0, 2 * np.pi, len(dims), endpoint=False).tolist()
angles += angles[:1]
ax.set_theta_offset(np.pi / 2)
ax.set_theta_direction(-1)
for culture in ['东方', '西方']:
for gender in ['男性', '女性']:
subset = df[(df['culture'] == culture) & (df['gender'] == gender)]
values = []
for d in dims:
values.append(subset[d].mean())
values += values[:1]
color = cls.CULTURE_COLORS[culture]
marker = cls.GENDER_MARKERS[gender]
linestyle = '-' if gender == '女性' else '--'
label = f"{culture}{gender}"
ax.plot(angles, values, marker, linestyle=linestyle,
color=color, linewidth=1.5, markersize=4, label=label)
ax.fill(angles, values, alpha=0.03, color=color)
ax.set_xticks(angles[:-1])
ax.set_xticklabels([cls.DIMENSION_SHORT[d] for d in dims], fontsize=8)
ax.set_ylim(0, 100)
ax.set_title('文化×性别 审美维度画像', fontsize=13, fontweight='bold', pad=15)
ax.legend(fontsize=7, loc='upper right', bbox_to_anchor=(1.25, 1.1))
@classmethod
def _plot_culture_effect(cls, ax, ttest_df: pd.DataFrame):
"""东西方差异 Cohen's d 森林图"""
df = ttest_df.sort_values('cohen_d')
y_pos = range(len(df))
colors = []
for _, row in df.iterrows():
if row['significant'] and abs(row['cohen_d']) > 0.5:
colors.append('#e74c3c')
elif row['significant']:
colors.append('#f39c12')
else:
colors.append('#95a5a6')
ax.barh(y_pos, df['cohen_d'], color=colors, edgecolor='white')
ax.set_yticks(y_pos)
ax.set_yticklabels(df['dimension'], fontsize=9)
ax.set_xlabel("Cohen's d（负=东方高于西方）")
ax.set_title('东西方审美差异效应量', fontsize=13, fontweight='bold')
# 标注数值
for i, (_, row) in enumerate(df.iterrows()):
sig = row['sig_level']
ax.text(row['cohen_d'] + (0.05 if row['cohen_d'] >= 0 else -0.05),
i, f"{row['cohen_d']:.2f} {sig}",
va='center', fontsize=8, fontweight='bold',
ha='left' if row['cohen_d'] >= 0 else 'right')
ax.axvline(x=0, color='gray', linewidth=0.8)
ax.axvline(x=-0.5, color='gray', linestyle=':', alpha=0.5)
ax.axvline(x=0.5, color='gray', linestyle=':', alpha=0.5)
ax.grid(axis='x', alpha=0.3)
@classmethod
def _plot_gender_boxplot(cls, ax, df: pd.DataFrame):
"""男女差异箱线图（分维度）"""
dims = list(cls.DIMENSION_SHORT.keys())
data_by_group = []
labels = []
colors = []
for dim in dims:
for gender in ['男性', '女性']:
subset = df[df['gender'] == gender][dim]
if len(subset) > 0:
data_by_group.append(subset.values)
labels.append(f"{cls.DIMENSION_SHORT[dim]}-{gender}")
colors.append(cls.GENDER_COLORS[gender])
if len(data_by_group) > 0:
bp = ax.boxplot(data_by_group, patch_artist=True, labels=labels,
medianprops=dict(color='black', linewidth=2))
for patch, color in zip(bp['boxes'], colors):
patch.set_facecolor(color)
patch.set_alpha(0.5)
ax.set_ylabel('评分 (0-100)')
ax.set_title('男女审美差异分布', fontsize=13, fontweight='bold')
ax.tick_params(axis='x', rotation=45, labelsize=7)
ax.grid(axis='y', alpha=0.3)
@classmethod
def _plot_anova_heatmap(cls, ax, anova_df: pd.DataFrame):
"""ANOVA F 值热力图"""
# 提取文化主效应和性别主效应的 F 值
dims = anova_df['dimension'].tolist()
culture_f = []
gender_f = []
interaction_f = []
for _, row in anova_df.iterrows():
culture_f.append(row.get('C(culture)_F', np.nan))
gender_f.append(row.get('C(gender)_F', np.nan))
interaction_f.append(row.get('C(culture):C(gender)_F', np.nan))
data = np.array([culture_f, gender_f, interaction_f])
im = ax.imshow(data, cmap='YlOrRd', aspect='auto')
ax.set_xticks(range(len(dims)))
ax.set_xticklabels(dims, rotation=30, ha='right', fontsize=8)
ax.set_yticks(range(3))
ax.set_yticklabels(['文化主效应', '性别主效应', '交互效应'], fontsize=9)
for i in range(3):
for j in range(len(dims)):
val = data[i, j]
if not np.isnan(val):
ax.text(j, i, f'{val:.1f}', ha
利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！