加州理工和普林斯顿哪个好(01/08收集汇总)

  本文收集汇总于01/08日，今天给各位分享加州理工和普林斯顿哪个好的知识，其中也会对加州理工和普林斯顿哪个好进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！

参考一、现在的世界大学排名中，哪种排名的可信度相对较高？

目前的世界大学排名个人感觉都不是很靠谱的样子。。。QS那个把韩国排日本前面的大水榜居然也有那么多人拥护。。。不知道ARWU和THE的可信度怎样？

参考二、普林斯顿大学和加州理工学院PhD怎么选？

好家伙 同2023fall，但是是地球科学PhD ，也是这两个学校纠结，现在决定去Caltech
经过我多方打听，Caltech倒也不是很卷，只是大部分人都发自内心喜欢science
but，中国人的话你可以再多想想

参考三、普林斯顿大学和加州理工学院PhD怎么选？

先看看这俩大学目标科研组网站的组员简历 录取要求 科研预算 平均毕业时间 科研组人数 毕业后去向 研究方向是否对口（虽然也有适应自己不喜欢的东西的人但是毕竟少数）
如果网站没有这些信息的科研组慎选

参考四、现在的世界大学排名中，哪种排名的可信度相对较高？

虽然，我处理这些数据的主要目的是为了复习一下Python语法，但是分析打字还是蛮累的。各位别只收藏不点赞啊！！！大家也没必要因为这个回答关注我，我一个搞物理的，这可能是我唯一一个关于这方面的回答了 。
有不少人想要Python的代码，我更新一个我写的3.7版本的爬虫代码（通用性不强，但好在不复杂），各位划到最后面自取。
（听说最近能传图了，来更新一下SCImago数据）
（作为一个研究人员，我更关心的是大学的学术能力Academic/Research，因此，在后面我又加入了一个100%依赖客观科研产出得到的排名，需要的自取。PS：爬各个官网数据太费劲了，需要浏览器“审查元素”找到排名数据，将排名数据复制到txt中再读取，而直接用urllib.request.urlopen()函数是不行的，因为网站似乎有防爬结构，获取不到排名数据的源代码；另外，不同排名的大学名称并不相同，这也极大的增加了统计的困难度。综上，我以后应该不会再直接爬他们官网数据了）
（我看评论区，似乎有人把这里的西北大学当成了国内的那个西北大学。不是的，这个西北大学（Northwestern University）是在美国伊利诺伊州的Evanston（经评论区大佬指正，我误当成了美国华盛顿州的Northwest University）。看来，西北大学在国内的知名度还是不行啊）
每个排名侧重点不同，因而存在显著差异。当然，QS这种能氪金的商业排名，可信度是更低的。那么，怎么才能最全面、最客观、最合理的通过这些排名，找到每所大学的相对优势呢？
考虑不同排名的侧重点，并针对所期望的指标做加权平均，可能是一个不错的办法。这里，为了得到不同指标下的世界Top 100，我用Python在网上爬取了所能得到的最新的五个最具影响力的世界大学排名，即Usnews 2020、THE 2020（泰晤士）、QS 2021、ARWU 2020（软科）、CWUR 2017（世界中心大学排名）；以及一个100%依据期刊论文、专利（来自Scopus数据库）等客观指标的学术排名，即SCImago。对于后者，其排名指标如下图所示：
更细致的分数依据规范，可参考：
这里注明一下，Scopus数据库是世界上最大最全的学术数据索引。这些被收录的期刊、专利等数据，在SCI、SSCI、SCIE、Web of Science等数据库外，还包含了各个国家的顶尖本土杂志，既有自然科学、工程学科等的研究论文，也有人文社科的文献。所以说，通过分析Scopus数据库数据的SCImago排名，相比于ARWU，应该能更全面的反映一所大学的学术水平。
现在，我们尝试一下通过这六个排名，对这些世界顶级大学做一个更客观地评价。
通过Python中非常好用的BeautifulSoup函数库，爬取各个榜单的前120所大学，并利用Pandas库的DataFrame函数，获取了六个榜单同时上榜（Top 120）六个、五个和四个的大学，也就是说，选取六个榜单至少有四个数据的大学。其中，横扫六榜的大学有56所，六中有五的大学有80所，最少能上四榜的大学有101所（可视为Top 100），最少上一榜的大学有约202所，也就是Top 120有约202所大学。处理完各类指标后输出为Excel，并做成图片如下。
首先，我们先来看看横扫六榜、六榜有五、六榜有四的大学排名。这里需要说明一下，对于没有数据的情况（NaN），我们这里忽略掉该数据并依旧沿用同权平均的方法（比如，一组数据为10，20，15，18，NaN，30，其数据为有效的五个数据，即10，15，18，20，30，的平均值）。
横扫六榜百二十强——普通平均排名六榜有五百二十强——普通平均排名六榜有四百二十强——普通平均排名（注明，ARWU在100名之后，为101-150的分段排名，没有明确的先后顺序，所以这里对应学校的数据，当做120处理）
这里有两点是值得注意的。第一，普林斯顿大学和加州理工学院在SCImago的排名中，与其他排名相比差别很大，这可能来自于其规模较小、学科不全的原因导致的，但具体的原因尚不清楚。从官网给出的评价来看，普林斯顿在Innovation的评分中仅占全体的前14%、加州理工在该项中也仅占前6%，显著拖累了整体评分。而Innovation评价中，Innovative Knowledge、Patents、Technological Impact分别占据10%的评分。我个人暂时看不出两所学校在这三个方面的弱势原因，如有大佬，请在评论区指点一二。更多的数据可以看他们的网站：University Rankings 2020.。
对于第二点，我们可以看到，这样的排名方式对有NaN的大学是有较大优势的，相当于排除了一个超过120的数据，显然对“更具影响力”的横扫六榜的大学并不公平。所以，我做了一些数据处理上的调整：考虑一所大学NaN外数据的均值为X，若能排进普通平均排名的Top 30以内（如上图中的加州大学旧金山），每有一个NaN，则对于该X的评分增加修正量5，即其排名参考依据为Y=X+5。对于分数段在Top 31-45的大学，修正量为6；Top 45-60的为7；Top 61-75的为8；Top 76-90的为9；Top 90以后的为10。另，普林斯顿和加州理工同样依据Top 30以内的修正方式，而放弃对SCImago数据的参考。上述的修正是有一定依据的：对于所选取的Top 120，每所大学的排名期望为60。每出现一个NaN，则表明该数据必然大于120，在考虑实际数据后，相比较于排除NaN的数据平均值X而言（参考期望60），最终的参考依据Y的增量在10附近，即Y~X+10。所以，即为了保证对NaN数量少的大学的公平性，也为了排除一些潜在的低排名偏见，这里的单个NaN最大修正值选取10。但是，每个榜单中的大学排名数据期望为60，不代表实际为60，因此依据其他非NaN数据平均值，来推断该大学所在层次，并分层次修正5-10不等，如上所述。
这可能比较复杂，我以香港大学、加州大学旧金山为例：如上图所示，依据其非NaN数据平均值X排名，香港大学在第33位，因此一个NaN的修正量为6，其最终排名依据为Y=X+6。同样，加州大学旧金山X排名为20，但是有两个NaN，因此修正量为5+5=10，其最终排名依据为Y=X+10。
下图，即为考虑这样的修正后的大学排名：
六榜有四百二十强——NaN修正排名（同权平均）其实，通过上面的同权平均计算后，一些相对于其他数据方差很大的排名数据（对，我说的就是QS），已经得到了极大的削弱。相对于单个排名来说，上述的排名涵盖了全部六个榜单的指标，显然具有更强的参考价值。
通过对于横扫六榜和六榜有四排名的比较，我们也可以看到，NaN数量最多且远远多于其他排名的是QS（23个）。也就是说，一部分上了四榜的顶级大学，是被QS“歧视”的；而反过来说，QS认可的一部分高校，其他五榜至少有三榜并不认可。这显然说明了QS排名与其他排名的迥然不同。其“不靠谱”的风评，看来不是空穴来风。当然了，我们也不能排除QS是“慧眼识珠”。
另外，其他五榜的NaN数量分别为：Usnews（6个）、THE（7个）、ARWU（9个）、SCImago（10个）、CWUR（11个）。可见，其他五榜是比较相似的。所以，各排行榜的总体可靠性，应该大致类似于上面这样的排序。当然了，这个数据并不能说在NaN少的排行榜中，大学间的相对排名，比NaN多的排行榜的排名更合理，所以，我这里指的是“总体可靠性”。
不管怎么，到这里，我们只能做上述这样的一个整体的定性描述。定量计算，比如计算各排行榜与平均排名的方差或标准差，是不合适的，也没有实际意义。因为，对于顶级大学，最合理的方式是区分层级，在不同层级内部，各大学实际上是轮转的，这就会在计算方差等统计学差异时，引入非常大特异性，因而数值不具有代表性。
然而，到这里还远远没有结束，接下来将是一些细化的指标排名，包括去除偏见（去除最值）、学术水平、教育质量、学校声誉的排行。不同于原答案只处理无NaN的数据，为了更好的反映更多的各式各样的大学的总体水平，我这里将选择困难一些的办法，试图考虑全部六榜有四的101所大学（Top 100），进行上述指标的排名评价。这里，对于计算涉及到的NaN数据，依旧沿用上述的分层次修正方法，力图得到更加客观可靠的排序。再举个例子明确一下，比如计算加州大学旧金山的去除偏见（去除最值）排名，这里只涉及到21，22，25，NaN四个数据，一个NaN，因此取前三个数据的平均值并只做一次修正。
首先，是去掉偏见的普通平均排名，即，取中间四位数据的平均值作为排名依据（比如，对于一组1，5，3，7，10，NaN的排名数据，这里选择3、5、7，10的均值作为依据）。
中间四值——NaN修正排名（同权平均）如上图所示，这样去除了一些潜在的偏见，比如Usnews认为的东京大学排74，THE认为的牛剑排前三，QS认为的UCB、UCLA、华盛顿大学排30开外，ARWU认为的新加坡国立排80，CWUR认为的南洋理工排140（NaN），或者是SCImago认为普林斯顿排105。
之后，让我们来看一下，一个大学最为重要的，学术能力排名。通过不同排名给出的评分标准，我们可以看到不同排名的学术占比迥然不同：Usnews（60%）、THE（60%）、QS（0%）、ARWU（100%）、CWUR（40%）、SCImago（100%）。因而，根据不同榜单的占比，进行加权计算，应该会帮助我们得到更合理的学术排名。需要说明的是，对于一些关键数据，比如Usnews的数据，有一些学校为NaN，对于这些必要的数据为NaN的大学，这里只能抛弃对其数据的处理。因而，下面的排名中，将把关键数据存在NaN的大学排除在外。比如，对于考虑五个榜单的情况时，只有NaN在QS的大学，才会被考虑在内（加权平均的NaN修正，我尚没考虑出一个合适的修正方法）。对于普林斯顿和加州理工，对于需要SCImago数据的排名，这里将之忽略并如上所述进行Y=X+5处理。
另外，ARWU、CWUR、SCImago排名具有一定的特殊性。ARWU考虑的指标，很大一部分为发表Nature、Science数量，以及诺奖、菲尔兹奖、图灵奖等获奖人员数量，因而过于极端。NS数量的指标，对于有庞大医学院与附属医院、化学材料专业的机构是非常有利的，比如加州大学旧金山、哈佛大学、约翰霍普金斯大学等。而各类顶级奖项获奖人数，具有历史传统特性，同样是比较片面的，比如哥本哈根大学。这些，导致ARWU自己的大学评分变成了这样：第一和第二之间差了25分；第十之后的大学就达到了51分以下。就像高考分数720以上有10000个人一样，不具有差异性，因而没有足够的代表性。对于CWUR，由于其知名度和影响力均比不上其他四个榜单，而它也专门列出了学术水平的单项排名，所以具有一定的特殊性，比如多伦多大学在其学术单项排名为3，而综合排名为17，具有一定的差异。然而，由于一些榜单不提供此类单项排名，所以这里也不再考虑其单项排名。对于SCImago，虽然其100%依据客观的学术指标，参考范围非常广泛，也没有比较极端的评价标准，但是，其没有很大的知名度和认可度，而且对于普林斯顿和加州理工的评价也与目前的认知有些出入，因而其参考依据可能存在一些潜在的缺陷，而对其他高校的评价也可能出现一些类似的不合适的地方。
综上，由于ARWU和SCImago的特殊性，这里将ARWU的占比调整为40%，SCImago的占比调整为60%，有如下排名。加权平均来自于Usnews（30%）+THE（30%）+ARWU（20%）+CWUR（20%）+SCImago（30%）。
学术排名1（五项）——加权平均排名当然，很多人是对阿联酋的排名并不信任的。这里，单独对另外的四者做了加权平均，即，Usnews（30%）+THE（30%）+ARWU（20%）+SCImago（30%）。
学术排名2（四项）——加权平均排名由于上面提到的关于ARWU指标的一些不合理性，这里同样有一个只有Usnews、THE和SCImago的加权平均排名，也就是Usnews（30%）+THE（30%）+SCImago（30%）。
学术排名3（三项）——加权平均排名当然，SCImago也有一些潜在的问题，这里还有只考虑Usnews、THE和ARWU的排名，也就是Usnews（30%）+THE（30%）+ARWU（20%）。
学术排名4（三项）——加权平均排名下面还有两个学术排名，分别考虑纯学术榜单的排名和综合榜单的排名。分别为ARWU（40%）+SCImago（60%）和Usnews（50%）+THE（50%）。
学术排名5（两项）——加权平均排名学术排名6（两项）——加权平均排名由于不同排名，涉及到的关键数据不同，因而排名中的大学略有差异。上面的这几个学术排名，各位可以各取所需，参考自己认可的排名依据。
接下来，还有对教学质量，以及世界声誉的排行。首先，通过各个榜单对于教学质量指标的占比，可以得到，Usnews（10%）、THE（40%）、QS（30%）、ARWU（0%）、CWUR（45%）、SCImago（0%）。因而，这里依据这一比例做加权平均，作为指标得到教学质量排名。
教学质量排名——加权平均排名对于大学的世界声誉，只有三个榜单参考了这一指标，即，Usnews（30%）、QS（50%）、CWUR（20%）。依据此，得到大学的声誉排名。
世界声誉排名——加权平均排名到这为止，科研实力、教育水平、声誉影响力的排行我们都看到了。相比于某一种单一排名，这应该是更准确、更合理的。
对上面的数据做一个总结。对于top 25来说，各学校的分层在各个指标下是基本不变的。top 25以下会出现较大的变化。总体来说，可以分为几个层级，层内排名不分先后：
Tier S（Top 5）：哈佛大学、斯坦福大学、麻省理工学院、牛津大学、剑桥大学
Tier A+（Top 10）：加州大学伯克利、加州理工学院、普林斯顿大学、哥伦比亚大学、耶鲁大学
Tier A（Top 20）：加州大学洛杉矶、密歇根大学安娜堡、多伦多大学、华盛顿大学（西雅图）、芝加哥大学、宾夕法尼亚大学、康奈尔大学、约翰霍普金斯大学、伦敦大学学院、帝国理工学院、苏黎世理工学院
Tier B+（Top 25）：西北大学、杜克大学、加州大学圣地亚哥、纽约大学
Tier B（Top 50）：东京大学、京都大学、新加坡国立大学、南洋理工大学、清华大学、北京大学、香港大学、英属哥伦比亚大学、麦吉尔大学、慕尼黑大学、洛桑联邦理工学院、苏黎世大学、哥本哈根大学、爱丁堡大学、伦敦大学国王学院、曼彻斯特大学、加州大学旧金山、德克萨斯大学奥斯汀、威斯康辛大学麦迪逊、伊利诺伊大学UC、圣路易斯华盛顿大学、明尼苏达大学双城、北卡罗来纳大学教堂山、卡耐基梅隆大学、波士顿大学、布朗大学、加州大学戴维斯、墨尔本大学、悉尼大学、昆士兰大学
Tier C+（Top 100）：加州大学SB、马里兰大学帕克、科罗拉多大学博尔德、南加州大学、俄亥俄州立大学、宾州州立大学、密歇根州立大学、普渡大学、莱斯大学、加州大学尔湾、佐治亚理工学院、洛克菲勒大学、埃默里大学、佛罗里达大学、亚利桑那大学、海德堡大学、日内瓦大学、鲁汶大学、索邦大学、范德堡大学、匹兹堡大学、洪堡大学、波恩大学、莱顿大学、格罗宁根大学、奥斯陆大学、奥胡斯大学、隆德大学、乌德勒支大学、赫尔辛基大学、伊拉斯姆斯大学、新南威尔士大学、莫纳什大学、卡罗琳学院、伯尔尼大学、首尔国立大学、澳大利亚国立大学、慕尼黑工业大学、阿姆斯特丹大学、浙江大学、复旦大学、中国科学技术大学、布里斯托大学、根特大学、巴黎高等理工学院
学术水平是一个大学作为研究机构，最为重要的指标。所以，这里试图通过一些100%依赖客观数据（科研数据）的排名，来看看更加合理的各个大学的Academic/Research排名。上面的几个学术排名，说到底并没有排除其他指标的影响，尽管看起来“学术指标比例大，那么应该分配更高的权重做平均”的想法合理。因此，我又做了这个100%客观科研实力作为指标的排名。我个人更偏向于下述的没有干扰的学术排名。
首先，在上述六种排名中，ARWU和SCImago均为100%依赖客观数据的学术排名，这里直接作为依据之一。对于THE和CWUR，THE有专门的Research项分数，因而，这里将这一项的排名纳入统计范围；CWUR有专门的学术水平排名，也直接将此排名纳入统计。USNEWS没有专门列出学术科研的单项分数或者排名，因而无法计入统计，而QS的学术声望项并不具有100%依赖客观数据的性质，也不计入统计。最后，为了参考更广泛的数据，这里也计入了另外两个100%客观的学术排名，即Nature Index和URAP，这两者还算有些名气，各位可以自行网上搜索一下。
不管怎么，ARWU、Nature Index、SCImago、URAP这四者是100%依据客观学术产出或者类似指标，所以不存在主观判断，因而能更加客观地描述一所大学的整体学术水平。至少，一个排名中，在那个规定的学术指标分配下，某所大学是排在了那个位置的。我们统计了六个排名，应该能较合理的避免某一学术指标占据非差大比重的问题。对于THE和CWUR，排名来自于学术单项的排名或者评分排名，从methodology上看，也应该是100%依据客观的，所以这里，我们就姑且认为是如此吧。
由于六者均100%依赖客观的学术、科研实力，我们这里将做ARWU、CWUR、Nature Index、SCImago、THE、URAP的同权平均计算，如下图所示：（可当做科研实力 Top 100）
纯学术排名（推荐）——普通平均排名需要说明的是，这里沿用了上面的计算方法，包括只考虑六中有四及以上的大学、NaN的修正计算等。对于能进入Top 30的大学，其中有四所：普林斯顿大学、加州理工学院、索邦大学、墨尔本大学，个别数据同大部分数据明显出现了很大差别。这里姑且将其当做指标分配产生的影响，为了更好的描述这几所大学的学术水平，我们这里将这些数据当做NaN修正。对于普林斯顿、加州理工，每个NaN修正值为1.5；对于索邦、墨尔本，每个NaN修正值为5。
这里依旧有一个对于NaN数量的统计，ARWU为10个、CWUR为2个、Nature Index为19个、SCImago为4个、THE为15个、URAP为3个。可以看到，CWUR、SCImago、URAP均为5个NaN以下，由于我们记录含有大多数数据的大学，即4个数据及以上，我们可以粗略的看到，这三者依据的客观指标权重应该是类似的（这可以理解为，表中绝大部分数据满足在这三个排名下不为NaN），而且，他们认可的大学，至少被另外三个排名之一所认可。ARWU、Nature Index、THE的NaN均为10个及以上，这首先说明了他们依据的客观指标权重是类似的，但是这三者实际上依旧有些差别（这可以理解为，若他们依赖的指标完全一样，那么他们认可的大学必然有三个非NaN数据，那只需任意一个其他数据不为NaN即可入选，并同时使得这三者NaN数量减少）。从综合六榜的数据来看，似乎CWUR、SCImago、URAP描述的学术水平排名可能更合适一些，被上述综合六榜的排名（以及至少ARWU、Nature Index、THE之一）认可的更多一些。
对上面的数据做一个总结，总体来说，各个大学的学术水平可以大致分为几个层级，层内排名不分先后：
Tier S（Top 5）：哈佛大学、斯坦福大学、麻省理工学院、牛津大学、剑桥大学
Tier A+（Top 10）：多伦多大学、加州大学伯克利分校、密歇根大学安娜堡分校、约翰霍普金斯大学
Tier A（Top 25）：清华大学、北京大学、东京大学、伦敦大学学院、帝国理工学院、苏黎世联邦理工学院、加州大学洛杉矶分校、加州大学圣地亚哥分校、华盛顿大学、加州理工学院、普林斯顿大学、宾夕法尼亚大学、哥伦比亚大学、康奈尔大学、耶鲁大学、芝加哥大学
Tier B+（Top 30）：加州大学旧金山分校、杜克大学、西北大学、索邦大学
Tier B（Top 50）：浙江大学、上海交通大学、京都大学、新加坡国立大学、南洋理工大学、首尔国立大学、墨尔本大学、悉尼大学、昆士兰大学、英属哥伦比亚大学、麦吉尔大学、爱丁堡大学、曼彻斯特大学、伦敦大学国王学院、慕尼黑大学、哥本哈根大学、乌得勒支大学、卡罗琳学院、纽约大学、威斯康辛大学麦迪逊分校、明尼苏达大学双城分校、北卡罗来纳大学教堂山分校、德克萨斯大学奥斯汀分校、伊利诺伊大学厄本那-香槟分校、圣路易斯华盛顿大学、加州大学戴维斯分校
Tier C+（Top 100）：中国科学技术大学、复旦大学、中山大学、华中科技大学、南京大学、哈尔滨工业大学、新南威尔士大学、莫纳什大学、阿尔伯塔大学、慕尼黑工业大学、洛桑联邦理工学院、阿姆斯特丹大学、巴黎大学、鲁汶大学、海德堡大学、根特大学、苏黎世大学、格罗宁根大学、奥胡斯大学、范德堡大学、莱顿大学、伊拉斯姆斯大学、赫尔辛基大学、布里斯托大学、乌普萨拉大学、罗格斯大学、阿姆斯特丹大学、隆德大学、马赛大学、俄亥俄州立大学、宾州州立大学公园分校、匹兹堡大学、佛罗里达大学、南加州大学、马里兰大学学院公园分校、佐治亚理工学院、普渡大学西拉法叶分校、波士顿大学、埃默里大学、加州大学尔湾分校、德州农工大学、密歇根州立大学、亚利桑那大学
接下来，我将做些有趣的分析，比如每所大学对于氪金的想法，当然，只是为了消遣，切勿当真。首先，有些大学受到资金、地理位置等的限制，或者喜欢本国排名，可能只喜欢氪一个榜单。这里，通过六个榜单最小值作为依据，进行排名。（这可以理解为，只要集中金钱氪大事，使劲氪一个排行榜，就能排得更高。）
死氪一家——最小值排名接下来，让我们看看有钱的学校。有些学校是比较有钱的，愿意多氪几家，并且氪到国外排行榜上。这么说是因为，对于六个榜单，最多有一个国家发布两个榜单的情况，即，英国。因此，这里取六个排名的中位数。（这可以理解为，需要至少氪三到四个排行榜，大于英国的两个，因而，大学必须要氪到国外排行榜，才能获得更高排名。）
氪到外国——中位数排名当然，不差钱的大学也是不少的，往往，他们哪个排名都氪。因此，这时，不得不考虑六个排名数据的最大值。（这可以理解为，必须六个都氪，且氪得多，才能保证任意一个排行榜不拉低他的排名。）
每家都氪——最大值排名以上三个，只是笑谈。
Python3.7爬虫：
import urllib.request
import re
from bs4 import BeautifulSoup
from distutils.filelist import findall
page=urllib.request.urlopen('xxxxxx') #'xxxxxx'为网站。
data=page.read()
info=BeautifulSoup(data, "html.parser")
f=open('xxx.txt', 'w', encoding='utf-8')
for tag in info.find_all('div', id="content"): #id="content"、tag、tr、td依据网页源代码的标签，因网站而异，请先查看源代码，这里即为函数info，再进行信息提取。
i=-1;
for tr in tag.find_all('tr'):
i+=1;
td=tr.findAll('td')
rank=str(td[0].contents[0]) #函数contents[0]为选取标签td[0]的第一个内容。
if 'a href' in rank or 'p style' in rank:
rank=str(td[0].contents[0].get_text())
name=str(td[1].contents[0])
if 'a href' in name or 'p style' in name:
name=str(td[1].contents[0].get_text())
name_E=str(td[2].contents[0])
if 'a href' in name_E or 'p style' in name_E:
name_E=str(td[2].contents[0].get_text())
country=str(td[3].contents[0])
if 'a href' in country or 'p style' in country:
country=str(td[3].contents[0].get_text())
print (rank, ' ', name, '('+ name_E+ ')', ' ', country, ' ', file=f)
if i==120: break
f.close()

参考五、加州体系最难进的五所大学？

加州有很多著名的高等教育机构。以下是难度较高的五所加州大学：
1. 加州理工学院（Caltech）：被誉为世界上最顶尖的科技学府之一，每年接收的学生数量非常有限。
2. 斯坦福大学（Stanford）：是一所顶尖的研究型大学，拥有世界一流的师资和研究设施，竞争十分激烈。
3. 加州大学伯克利分校（UC Berkeley）：除了在科研领域享有世界声誉，还是一所拥有悠久历史的公立大学，申请难度较高。
4. 加州大学洛杉矶分校（UCLA）：作为美国公立研究型大学的代表，招生计划也非常严格，比较难进。
5. 雅加达大学（UCSD）：是世界一流的研究型大学之一，强调科学、技术、工程和数学领域的教育和研究，被认为是加州大学中最难进的校园之一。

文章说明：本文收集于网络，仅作参考，若有侵权，请联系本站删除！

免责声明：本站部分内容转载于网络或用户自行上传发布，其中内容仅代表作者个人观点，与本网无关。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，不负任何法律责任，请读者仅作参考，并请自行核实相关内容。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，发送到本站邮箱，我们将及时更正、删除，谢谢。