
我们进行了1亿次婚恋配对实验,然后……
“要求别太高,差不多就行了。”
“找个有钱人嫁了吧!”
“感情不能将就,一定要找合适的。”
……
这些说法有没有道理呢?按照这些“标准”,是不是有更大的概率找到对象,或者找到更好的对象呢?
为了对这些“标准”进行检验,我们用计算机程序进行了模拟配对实验。
首先,我们按照一定规则生成了1万男性+1万女性样本(规则在下面会做解释)。在配对实验中,这2万个样本具有各自不同的个人属性(财富、内涵、外貌),每项属性都有一个得分(现实中,这些得分有一定的主观性,为了简化模型,我们假设每个人的各项得分都是客观且唯一的)。
(说明:上图为30个样本的示例展示。每一列代表一个样本,从上至下的三行分别是这个样本的财富分、内涵分、外貌分,颜色越深代表分值越高。)
三项个人属性得分在总体中的分布符合一定的规律,并随机分配给2万个样本。其中,财富值符合指数分布,内涵和颜值符合正态分布。三项的平均值都为60分,标准差都为15分。分布情况如下图所示:
生成样本以后,我们开始模拟实验。基于现实世界的提炼及适度简化,我们概括了三个最主流的择偶策略,如下:
策略1:门当户对,要求双方三项指标加和的总分接近,差值不超过20分;
策略2:男财女貌,男性要求女性的外貌分比自己高出至少10分,或女性要求男性的财富分比自己高出至少10分;
策略3:志趣相投、适度引领,要求对方的内涵得分在比自己低5分~高10分的区间内,且外貌和财富两项与自己的得分差值都在5分以内。
现在可以开始模拟配对实验了。我们将三种策略随机平分给所有样本(即采用每种策略的男女各有3333个样本)。每一轮实验中,我们为每位单身男女随机选择一个对象,若双方互相符合要求就算配对成功。配对失败的男女则进入下一轮配对。每次实验进行100轮配对,实验共进行100次,总共进行了超过1亿人次的配对实验。(说明:每次实验进行100轮配对,是基于对每个人具有潜在婚恋可能的异性数量一般不会超过100位而估算的。实验共进行100次,是为了使实验结果更加稳定。)
模拟过程示意图如下:
说明:
实际实验中使用了9999男+9999女的样本,但为了使过程模拟的示意图更加清晰易懂,上图仅绘制了99男+99女的配对实验。
横纵轴的含义及图形的颜色标示与之前的样本示意图一致。
每个样本采取的策略以不同形状表示,圆形代表“门当户对”策略,三角形代表“男财女貌”策略,正方形代表“志趣相投”策略。
配对成功的男女以线条连接,不同颜色线条代表不同的组合,后文会详细解释各种组合模式。
100轮、100次、1亿人次的实验结束后,60%的样本成功找到了对象。
但是,在不同策略下,找到对象的概率、以及对象的个人属性是不同的。
总体而言,无论男女,采取“门当户对”策略找到配偶的概率都是最高的。在其他两种策略中,“男财女貌”更有利于男性,“志趣相投”则更有利于女性。
结合各种策略下找到的配偶的各项分值,我们可以总结出以下规律:
采取“门当户对”策略,综合评估对方,只要总分接近,容忍有缺点,差不多就行了,这样往往更容易找到对象。
采取“男财女貌”策略,只对颜值或财富有强烈偏好,找到的不一定是白富美和高富帅,很可能只是花瓶和土豪(请大家仔细看看这类人的其他两项得分,请自行理解)。
采取“志趣相投”策略,要求对象有内涵、无短板(相对于自己),最后找到的对象各项得分较为平均,但相对贫穷。
接下来,从男女双方的策略组合上看,我们总结了七种成功配对的主要组合类型。
下面,我们将对每一种组合进行解释。
男女都采取门当户对策略且配对成功的组合。
该类组合中:
男性平均分:财富57、内涵61、外貌61
女性平均分:财富61、内涵61、外貌58
我们将这种组合称为:门当户对
解读:该组合在全样本中占比为 23%,特点是男女各项分值均衡。
吐槽:妈妈说的话还是有道理的。
男女都采取志趣相投策略且配对成功的组合。
该类组合中:
男性平均分:财富55、内涵60、外貌60
女性平均分:财富55、内涵60、外貌60
我们将这种组合称为:志趣相投
解读:该组合在全样本中占比为12%,特点是男女各项分值相同,财富值偏低,内涵外貌适中。
吐槽:无关财富,只关风月——共同构筑的小确幸。
男女都采取男财女貌策略且配对成功的组合。
该类组合中:
男性平均分:财富75、内涵59、外貌53
女性平均分:财富53、内涵59、外貌73
我们将这种组合称为:男财女貌
解读:该组合在全样本中占比为 7%,特点是男女财貌互补,内涵适中。
吐槽:奥利奥配牛奶,西红柿配鸡蛋——经典到无话可说。
男性采取男财女貌策略,女性采取门当户对策略且配对成功的组合。
该类组合中:
男性平均分:财富60、内涵66、外貌51
女性平均分:财富56、内涵56、外貌69
我们将这种组合称为:凤凰男和孔雀女
解读:该组合在全样本中占比为 7%,特点是女性颜值较高,内涵较低;男性则具有较高的内涵,财富状况一般。
吐槽:你负责貌美如花,我负责赚钱养家。
男性采取门当户对策略,女性采取男财女貌策略且配对成功的组合。
该类组合中:
男性平均分:财富73、内涵57、外貌57
女性平均分:财富54、内涵66、外貌63
我们将这种组合称为:土豪与灰姑娘
解读:该组合在全样本中占比为 6%,特点是男性财富值很高,其他两项得分偏低;女性财富值偏低但才貌双全。
吐槽:童话里都是骗人的,灰姑娘找到的不是王子,而是土豪。
男性采取门当户对策略,女性采取志趣相投策略且配对成功的组合。
该类组合中:
男性平均分:财富53、内涵61、外貌60
女性平均分:财富53、内涵59、外貌60
我们将这种组合称为:患难夫妻
解读:该组合在全样本中占比为 3%,特点是男女财富值都非常低,颜值和内涵适中。
吐槽:我很穷,但是我很温柔。
男性采取志趣相投策略,女性采取门当户对策略且配对成功的组合。
该类组合中:
男性平均分:财富56、内涵60、外貌57
女性平均分:财富56、内涵62、外貌57
我们将这种组合称为:灵魂伴侣
解读:该组合在全样本中占比为 2%,该组合的特点是男女财富值偏低,且颜值也偏低,但是内涵偏高。
吐槽:别那么低俗,我们是柏拉图式的恋爱。
基于实验结果,我们挑选了几条择偶建议给大家。
精英和屌丝,出手要果断。
总分在中间水平(180分左右)的样本,找到对象的概率在60%以上。而总分很高的精英和总分很低的屌丝,找到对象的概率则不足30%。所以,如果你属于精英或屌丝群体,一旦遇到心仪的对象,请不要犹豫,果断地去追求TA吧!
志趣相投很难找,坚持不懈终有报。
对于大多数组合类型来说,在前20轮的配对成功率是比较高的;在20轮以后,就很难再找到对象了。如果你和潜在的配偶都奉行“志趣相投”的策略,虽然在早期很可能不太顺利,但时间却是这种组合的好朋友,只要坚持足够的轮数,仍然很可能遇到彼此。
男人患贫不患丑,中庸长相更吃香。
如果你是一个囊中羞涩(财富值低于50分)且长相平庸(外貌值在50-70分之间)的男同胞,请不要自暴自弃。甚至你应该感谢自己平庸的长相,这会让你比同样穷的帅哥(外貌值高于70分)找到对象的概率提高10-20个百分点。在竞争真爱这件事情上,你应该比他更加自信。
有钱的男人,结婚别太早。
如果你是一个有钱的男人(财富值70以上),就算身边美女如云,也不要太早做决定。模拟实验结果表明,有钱男人在30轮配对之后找到的配偶总分要更高。
三低女性需努力,提升内涵焕新生。
如果你是一个“三低女性”(财富、内涵、外貌均在50分以下),并且想要通过提升自己来增大找到对象的概率。我们假设外貌的改变并不容易,并且只能致力于提高内涵和财富中的一项。显然,提升内涵能将找到对象的概率提升至少10个百分点,而提升财富的效果并不明显,甚至有反作用。
美女别太挑,挑到最后不如前。
如果你是一个美女(外貌值高于70分),也不要自视清高,过于挑剔。模拟实验结果表明,美女在55次配对以后才找到的配偶,颜值往往不如更早时候找到的。
在文章的最后,我们为不同类型的男女准备了一份完整版的择偶攻略。
你和什么样的异性最般配?
请你给自己的财富、内涵、颜值分别评估一个档次,对照表格寻找答案。
如果你有配偶,还可以一起解答心中的疑惑。
请注意,这可能是一道送命题。
说明:
本文作者为 团支书、kathur,由微信公众号 城市数据团 原创并首发。
本文中的男女样本及择偶策略的设定基于简化且客观的原则,与现实世界有一定差距。同时文中所得结论为计算机程序运行结果,与现实情况可能存在差异,请大家谨慎参考。
数据达人培养计划限时优惠~请戳阅读原文,和数据团一起玩数据。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29CDA 数据分析与量化策略分析流程:协同落地数据驱动价值 在数据驱动决策的实践中,“流程” 是确保价值落地的核心骨架 ——CDA ...
2025-08-29CDA含金量分析 在数字经济与人工智能深度融合的时代,数据驱动决策已成为企业核心竞争力的关键要素。CDA(Certified Data Analys ...
2025-08-28CDA认证:数据时代的职业通行证 当海通证券的交易大厅里闪烁的屏幕实时跳动着市场数据,当苏州银行的数字金融部连夜部署新的风控 ...
2025-08-28