大数据监控+多维表格+deepseek 分析+大屏可视化，定量分析：2025 年高考数学有多难？

背景

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

又到一年一度高考时节，2025 年高考数学已经落下帷幕，

在抖音、微博简单冲浪了下，综合讨论和试题，我直观感受了下今年高考数学的难度，

先说结论，鉴于今年没参加高考，我没有分数，但能感觉大概是有一点难，但也没有 2024 年那么难，

搞理工科的不能只谈感受，得拿出实证数据说话，

为了定量分析难得程度，我立刻启动了我的大数据监控系统，

实时采集了今年高考数学结束后也是就 2025.06.07 下午 17 点，到次日 10 点之间，有关高考数学的热议文本，

温馨提示：本文不含 AI 科技，已关闭文中广告，请放心阅读

共采集 10000 条左右，经过数据清洗后 7000 条左右，数据截图如下：

图片

大模型数据处理

之后就是数据处理了，这一次我利用了飞书的多维表格，号称是像素级接入大模型的推理和多模态能力，

为什么这么说呢，因为以往对表格的借助大模型分析，我都是直接把整个表格某列的所有内容直接喂进大模型，得出结论，

但是飞书这个多维表格，可以只把某一个单元格里面的内容使用大模型处理，而且不用再额外打开其他窗口，直接在多维表格右键选择心仪的大模型能力即可，

而且输出的结构直接新增一列了，非常丝滑，下面我将演示这个过程，

第一步，将数据导入多维表格，这里我选择在网页上传 CSV 文件

图片

导入成功后如下：

图片

然后重点来了，我们点击新增一列，这一列的内容全部由大模型生成，输入是 content 列，大模型处理完之后输出到新增列：

图片

这里我们选择 DeepSeek-R1 模型处理，当然也可以选择其他的一些内置或者外置模型，

然后输入 Prompt 指令：

图片

默认勾选了思考过程和输出结果，这意味着最终会新增三列，也就是除了我们新增的 difficulty 列，还有默认的两列，

我们先取消默认勾选的两列，点击确定，生成，等大模型处理一会儿，结果就自动更新到表格中了，

在等待过程中能看到新增列名处大模型处理的实时进度，

图片

喝几口茶的功夫，就全部处理好了：

图片

大屏可视化

处理完之后，如果想要直观地看到可视化结果，不用下载表格本地然后 Python 大屏可视化，

取而代之的是，多维表格可以直接在线组装大屏可视化，也就是左下角侧边栏里的仪表盘功能，

图片

先选择饼图，扇区分组选择刚才生成的 difficulty 字段，点击确定

图片

从这个图表可归纳出，2025 年高考数学有多难的结论：

1、过半数的与高考数学相关讨论的文本，持中立态度。

2、接近 2/5 的讨论文本认为难。

3、仅不到 1/16 之一的讨论觉得简单，仅为认为难的约 1/7。

可以明显直观量化感受到 2025 年高考难度，不过我觉得应该再精确一些，

让大模型给难易程度打分，而不是直接分类，这是可以优化的地方。

仪表盘还可以选择其他更多折线图、条形图、甚至词云图，还可以自定义停用词，简直是社科小白的救星，

其他图表处理类似，这里不再赘述，展示下方最终可视化结果，

图片

大屏依次是 difficulty 列占比图、publish_time 发布趋势、发布大 V 占比图、ip 属地分布排行榜、content 文本列的词云图、以及超话分布占比图，

有点好奇的是，为什么 ip 属地来自吉林省的排行第一？接下来依次是北京、广东、江苏、浙江、湖北、河南、山东、四川、上海。

可视化大屏是动态交互的，为了方便读者朋友们阅读查阅更多数据，我已经将这个仪表盘发布，公开可见，地址如下：

报告自动推送

而且这个仪表盘还有个实用的功能，自动化推送报告，点击仪表盘最上方的设置自动化发送即可配置，

而且配置非常灵活，可以自由设定触发条件、接受方式（飞书或者邮箱）、甚至发送内容都可以是可配置超链接富文本，

图片

这个时候就有人问了，这个仪表盘内容是固定的，推送有什么用，

实则不然，仪表盘是根据数据表变动而变动的，只要数据发生了变化，仪表盘就会实时更新，

如果触发了条件，就会收到一份仪表盘的实时报告，

有人继续就问了，每次我在网页上编辑改动数据，说明我在电脑前呀，推送没啥用，直接点开仪表盘看就行了

no~no~no，实际上，不一定需要手动编辑数据，

对于非开发者，多维表格可以通过公开表单增加数据，简单来说就是可以通过给表格配置一个公开的表单，让获取链接的人填写表单添加数据，

图片

图片

配置好表单，然后开启分享表单，把链接分享给其他人就能通过填写表格增加数据，并且自动触发大模型计算出 difficulty 列

条件合适还会触发大屏可视化报告，简直太方便了，以后填问卷用这个，简直事半功倍，

我给该表格配置的表单如下：

而对于开发者，多维表格是有增删改查的 API 的，

可操作颗粒度更细，这里的想象空间就很大了，

也就是说，我们可以在服务器上部署数据监控系统，并且接入多维表格的 API，实时增量更新数据，然后推送精美的大屏可视化报告，

这样一套组合拳下来，传统企业很快就能进行数字化转型，个人开发者很快就能搭建起自己的工作流，

并且最新也提供了 Python、Java、PHP 等多个版本的 SDK，可自由选择，

不过我觉得 SDK 太重了，而且过度封装了，比较不灵活，

于是乎，我自己阅读最新的 Python 版本的 SDK，简单封装了下函数，非常灵活，代码贴在下面，欢迎自取

import requestsimport json# 获取访问凭证def get_access_token():    url = "https://open.feishu.cn/open-apis/auth/v3/tenant_access_token/internal"    headers = {        "Content-Type": "application/json; charset=utf-8"    }    payload = {        "app_id": APP_ID,        "app_secret": APP_SECRET    }    response = requests.post(url, headers=headers, data=json.dumps(payload))    result = response.json()    if result.get("code") == :        print(result)        return result.get("tenant_access_token")    else:        print(f"获取access token失败: {result}")        returnNone# 插入数据到多维表格def insert_data_to_bit_table(access_token, records):    url = f"https://open.feishu.cn/open-apis/bitable/v1/apps/{APP_TOKEN}/tables/{TABLE_ID}/records/batch_create"    headers = {        "Authorization": f"Bearer {access_token}",        "Content-Type": "application/json; charset=utf-8"    }    payload = {        "records": records    }    response = requests.post(url, headers=headers, data=json.dumps(payload))    return response.json()

不过一些基本的配置，APP_ID、APP_SECRET 获取之类的，还是建议看最新文档，

再说一下，本次公开可访问的大屏可视化链接如下：

以下的一些精选的历史推送，