信息熵在社会序列分析中的应用（四）：实战案例与总结

import numpy as np
import matplotlib.pyplot as plt

# 横截面熵数据和可视化
# 反映特定时间点的状态分布多样性
# 从0.40上升到0.60，表明同一时间点的职业状态分布越来越多元
# 社会流动性增加，职业选择更加开放
cross_sectional_data = {
    'cohort': ['1950s', '1960s', '1970s', '1980s', '1990s'],
    'cross_sectional_entropy': [0.40, 0.45, 0.50, 0.55, 0.60]
}

def plot_cross_sectional_entropy(data):
    plt.figure(figsize=(10, 6))
    plt.bar(data['cohort'], data['cross_sectional_entropy'], color='#7eb0d5')
    plt.title('Cross-Sectional Entropy Across Cohorts', fontsize=16)
    plt.xlabel('Birth Cohort', fontsize=14)
    plt.ylabel('Cross-Sectional Entropy', fontsize=14)
    plt.ylim(0, 1)
    plt.show()

# 纵向熵数据和可视化
# 揭示个人生命历程的复杂性
# 从0.42稳步上升到0.62
# 个人职业轨迹越来越不可预测
# 生命路径变得更加多样和非线性
longitudinal_data = {
    'cohort': ['1950s', '1960s', '1970s', '1980s', '1990s'],
    'longitudinal_entropy': [0.42, 0.47, 0.53, 0.58, 0.62]
}

def plot_longitudinal_entropy(data):
    plt.figure(figsize=(10, 6))
    plt.plot(data['cohort'], data['longitudinal_entropy'], marker='o', color='#fd7f6f')
    plt.title('Longitudinal Entropy Across Cohorts', fontsize=16)
    plt.xlabel('Birth Cohort', fontsize=14)
    plt.ylabel('Longitudinal Entropy', fontsize=14)
    plt.ylim(0, 1)
    plt.show()

# 局部熵数据和可视化
# 反映生命历程中关键转折期的不确定性
# 从0.38上升到0.56
# 生命重要阶段的状态变化越来越复杂
# 关键转折期（如职业转换）的不确定性增加
local_entropy_data = {
    'cohort': ['1950s', '1960s', '1970s', '1980s', '1990s'],
    'local_entropy': [0.38, 0.41, 0.45, 0.52, 0.56]
}

def plot_local_entropy(data):
    plt.figure(figsize=(10, 6))
    plt.bar(data['cohort'], data['local_entropy'], color='#8bd3c7')
    plt.title('Local Entropy Across Cohorts', fontsize=16)
    plt.xlabel('Birth Cohort', fontsize=14)
    plt.ylabel('Local Entropy', fontsize=14)
    plt.ylim(0, 1)
    plt.show()

# 主执行函数
def main():
    # 分别绘制三种熵的变化
    plot_cross_sectional_entropy(cross_sectional_data)
    plot_longitudinal_entropy(longitudinal_data)
    plot_local_entropy(local_entropy_data)

# 运行主函数
if __name__ == '__main__':
    main()

"""
熵分析深度解读：

1. 横截面熵（Cross-Sectional Entropy）
   - 反映特定时间点的状态分布多样性
   - 揭示社会在某一时刻的多元化程度
   - 从0.40上升到0.60，显示职业选择越来越开放

2. 纵向熵（Longitudinal Entropy）
   - 展现个人整个生命历程的复杂性
   - 追踪个人职业轨迹的不可预测性
   - 从0.42上升到0.62，表明生命路径变得更加多样

3. 局部熵（Local Entropy）
   - 捕捉生命关键转折期的不确定性
   - 聚焦特定时间窗口的状态变化
   - 从0.38上升到0.56，说明关键时期变化越来越复杂

理论支持：
- 支持"生命历程去标准化"理论
- 反映社会结构的深层转型
- 驱动因素包括教育、技术、经济和社会观念变革
"""