1

MathorCup 高校数学建模挑战赛——大数据竞赛

练习题:观影大数据分析

S 聪想要在海外开拓万 D 电影的市场,这次他在考虑:怎么拍商业电影才

能赚钱?毕竟一些制作成本超过 1 亿美元的大型电影也会失败。这个问题对电影

业来说比以往任何时候都更加重要。 所以,他就请来了你(数据分析师)来帮

他解决问题,给出一些建议,根据数据分析一下商业电影的成功是否存在统一公

式?以帮助他更好地进行决策。

解决的终极问题是:电影票房的影响因素有哪些?

接下来我们就分不同的维度分析:

  • 观众喜欢什么电影类型?有什么主题关键词?
  • 电影风格随时间是如何变化的?
  • 电影预算高低是否影响票房?
  • 高票房或者高评分的导演有哪些?
  • 电影的发行时间最好选在啥时候?
  • 拍原创电影好还是改编电影好?

本次使用的数据来自于 Kaggle 平台(TMDb 5000 Movie Database)。收录了

美国地区 1916-2017 年近 5000 部电影的数据,包含预算、导演、票房、电影评

分等信息。原始数据集包含 2 个文件:

  • • tmdb_5000_movies:电影基本信息,包含 20 个变量
  • • tmdb_5000_credits:演职员信息,包含 4 个变量

请使用 Python 编程,完成下列问题:

(1)使用附件中的 tmdb_5000_movies.csv tmdb_5000_credits.csv 数据集,进

行数据清洗、数据挖掘、数据分析和数据可视化等,研究电影票房的影响因素有

哪些?从不同的维度分析电影,讨论并分析你的结果。

(2)附件 tmdb_1000_predict.csv 中包含 1000 部电影的基本信息,请你选择

合适的指标,进行特征提取,建立机器学习的预测模型,预测 1000 部电影的

vote_average vote_count,并保存为 tmdb_1000_predicted.csv。2

数据清洗

1 导入数据

 

 

共有4803条数据

2 缺失值处理

缺失记录仅_3__条,采取网上搜索,补全信息。

 

 

 

2.1 补全 release_date

缺失记录的电影标题为《______America Is Still the Place_____》,日期为___2014-06-01

________________

2.2 补全 runtime

缺失记录的电影 runtime 分别为___94____min _240______min。

结果如下:

 

记录全是4803

3 重复值处理

运行结果:有___4803_____个不重复的 id,可以认为没有重复数据。

 

 

4 日期值处理

release_date 列转换为日期类型:

结果展示

 

5 筛选数据

使用数据分析师最喜欢的一个语法:df.describe() 

票房、预算、受欢迎程度、评分为___0____的数据应该去除;

评分人数过低的电影,评分不具有统计意义,筛选评分人数大于__50___的数据。

此时剩余___2961___条数据,包含___19__个字段。

 

6 json 数据转换

**说明:**genres,keywords,production_companies,production_countries,cast,crew 6 列都是

json 数据,需要处理为列表进行分析。

处理方法:

json 本身为字符串类型,先转换为字典列表,再将字典列表转换为,以,'分割的字符串4

结果如下:

 

7 数据备份

 

5 数据分析

5.1 why

想要探索影响票房的因素,从电影市场趋势,观众喜好类型,电影导演,发行时间,评分与关键词等维度着手,给从业者提供合适的建议。

5.2 what

5.2.1 电影类型:定义一个集合,获取所有的电影类型

 

注意到集合中存在多余的元素:空的单引号,所以需要去除。

 

5.2.1.1 电影类型数量(绘制条形图)

 

 

 

 

 

5.2.1.2 电影类型占比(绘制饼图)

 

 

 

 

 

5.2.1.3 电影类型变化趋势(绘制折线图)

 

 

 

 

5.2.1.4 不同电影类型预算/利润(绘制组合图)

 

 

 

 

 

5.2.2 电影关键词(keywords 关键词分析,绘制词云图)

 

 

 

 

 

5.3 when

查看 runtime 的类型,发现是 object 类型,也就是字符串,所以,先进行数据转化。

1、先进行数据转化

df.runtime.head(5)

2、

df.runtime = df.runtime.apply(pd.to_numeric, errors='coerce')

df.runtime.describe()

5.3.1 电影时长(绘制电影时长直方图)

import seaborn as sns

 

sns.set_style('dark')

sns.distplot(df.runtime,bins = 30)

sns.despine(left = True) # 使用despine()方法来移除坐标轴,默认移除顶部和右侧坐标轴

plt.xticks(range(50,360,20))

plt.savefig('电影时长直方图.png',dpi=300)

plt.show()

 

 

 

5.3.2 发行时间(绘制每月电影数量和单片平均票房)

fig = plt.figure(figsize=(12,7))

x = list(range(1,13))

y1 = df.groupby('release_month').revenue.size()

y2 = df.groupby('release_month').revenue.mean()# 每月单片平均票房

 

# 左轴

ax1 = fig.add_subplot(1,1,1)

plt.bar(x,y1,color='C6',label='电影数量')

plt.grid(False)

ax1.set_xlabel('月份')                   # 设置xlabel ,ylabel

ax1.set_ylabel('电影数量',fontsize=16)

ax1.legend(loc=2,fontsize=12)

 

# 右轴

ax2 = ax1.twinx()

plt.plot(x,y2,'bo--',label='每月单片平均票房')

ax2.set_ylabel('每月单片平均票房',fontsize=16)

ax2.legend(loc=1,fontsize=12)

 

plt.savefig('每月电影数量和单片平均票房.png',dpi=300)

 

 

 

 

5.4 where

本数据集收集的是美国地区的电影数据,对于电影的制作公司以及制作国家,在本次的故事背景下不作分析。

5.5 who

5.5.1 分析票房分布及票房 Top10 的导演

director_df = pd.DataFrame()

director_df = df[['director','revenue','budget','profit','vote_average']]

director_df = director_df.groupby(by = 'director').mean().sort_values(by='revenue',ascending = False) # 取均值

director_df.info()

 

# 绘制票房分布直方图

director_df['revenue'].plot.hist(bins=100, figsize=(12,12),color='C2')

plt.xlabel('票房')

plt.ylabel('频数')

plt.title('不同导演执导的票房分布')

plt.savefig('不同导演执导的票房分布.png',dpi = 300)

plt.rcParams['font.sans-serif'] = ['SimHei']

plt.show()

# 票房均值Top10的导演

director_df.revenue.sort_values(ascending = True).tail(10).plot(kind='barh',figsize=(8,6),color='C5')

plt.xlabel('票房',fontsize = 16)

plt.ylabel('导演',fontsize = 16)

plt.title('票房排名Top10的导演',fontsize = 20)

plt.savefig('票房排名Top10的导演.png',dpi = 300)

plt.show()

 

 

 

 

 

 

 

5.5.2 分析评分分布及评分 Top10 的导演

#绘制导演评分直方图

director_df['vote_average'].plot.hist(bins=18, figsize=(8,6),color='C8')

plt.xlabel('评分')

plt.ylabel('频数')

plt.title('不同导演执导的评分分布')

plt.savefig('不同导演执导的评分分布.png',dpi = 300)

plt.show()

# 评分均值Top10的导演

director_df.vote_average.sort_values(ascending = True).tail(10).plot(kind='barh',figsize=(8,6),color='C4')

plt.xlabel('评分',fontsize = 16)

plt.ylabel('导演',fontsize = 16)

plt.title('评分排名Top10的导演',fontsize = 20)

plt.savefig('评分排名Top10的导演.png',dpi = 300)

plt.show()

 

 

 

 

 

 

 

 

5.6 how

5.6.1 原创 VS 改编占比(饼图) 

# 创建数据框

original_df = pd.DataFrame()

original_df['keywords'] = df['keywords'].str.contains('based on').map(lambda x: 1 if x else 0)

original_df['profit'] = df['profit']

original_df['budget'] = df['budget']

# 计算

novel_cnt = original_df['keywords'].sum() # 改编作品数量

original_cnt = original_df['keywords'].count() - original_df['keywords'].sum() # 原创作品数量

# 按照 是否原创 分组

original_df = original_df.groupby('keywords', as_index = False).mean() # 注意此处计算的是利润和预算的平均值

# 增加计数列

original_df['count'] = [original_cnt, novel_cnt]

# 计算利润率

original_df['profit_rate'] = (original_df['profit'] / original_df['budget'])*100

# 修改index

original_df.index = ['original', 'based_on_novel']

# 计算百分比

original_pie = original_df['count'] / original_df['count'].sum()

# 绘制饼图

original_pie.plot(kind='pie',label='',startangle=90,shadow=False,autopct='%2.1f%%',figsize=(8,8),colors=['C6','C8'])

plt.title('改编 VS 原创',fontsize=20)

plt.legend(loc=2,fontsize=10)

plt.savefig('改编VS原创.png',dpi=300)

plt.show()

 

 

5.6.2 原创 VS 改编预算/利润率(组合图)

# 创建数据框

original_df = pd.DataFrame()

original_df['keywords'] = df['keywords'].str.contains('based on').map(lambda x: 1 if x else 0)

original_df['profit'] = df['profit']

original_df['budget'] = df['budget']

 

# 计算

novel_cnt = original_df['keywords'].sum() # 改编作品数量

original_cnt = original_df['keywords'].count() - original_df['keywords'].sum() # 原创作品数量

# 按照 是否原创 分组

original_df = original_df.groupby('keywords', as_index = False).mean() # 注意此处计算的是利润和预算的平均值

# 增加计数列

original_df['count'] = [original_cnt, novel_cnt]

# 计算利润率

original_df['profit_rate'] = (original_df['profit'] / original_df['budget'])*100

 

# 修改index

original_df.index = ['original', 'based_on_novel']

# 计算百分比

original_pie = original_df['count'] / original_df['count'].sum()

 

x = original_df.index

y1 = original_df.budget

y2 = original_df.profit_rate

 

fig= plt.figure(figsize = (8,6))

 

# 左轴

ax1 = fig.add_subplot(1,1,1)

plt.bar(x,y1,color='C9',label='平均预算',width=0.25)

plt.xticks(rotation=0, fontsize=12)  # 更改横坐标轴名称

ax1.set_xlabel('原创 VS 改编')                   # 设置xlabel ,ylabel

ax1.set_ylabel('平均预算',fontsize=16)

ax1.legend(loc=2,fontsize=10)

 

#右轴

# 共享x轴,生成次坐标轴

ax2 = ax1.twinx()

ax2.plot(x,y2,'bo-.',linewidth=5,label='平均利润率')

ax2.set_ylabel('平均利润率',fontsize=16)

ax2.legend(loc=1,fontsize=10) # loc=1,2,3,4分别表示四个角,和四象限顺序一致

 

# 将利润率坐标轴以百分比格式显示

import matplotlib.ticker as mtick

fmt='%.1f%%'

yticks = mtick.FormatStrFormatter(fmt)

ax2.yaxis.set_major_formatter(yticks)

 

plt.savefig('改编VS原创的预算以及利润率.png',dpi=300)

plt.show()

 

 

 

5.7 how much

5.7.1 计算相关系数(票房相关系数矩阵)

# 计算相关系数矩阵

revenue_corr = df[['runtime','popularity','vote_average','vote_count','budget','revenue']].corr()

 

sns.heatmap(

            revenue_corr,

            annot=True, # 在每个单元格内显示标注

            cmap="BuGn_r", # 设置填充颜色:黄色,绿色,蓝色

#             cmap="YlGnBu", # 设置填充颜色:黄色,绿色,蓝色

#             cmap="coolwarm", # 设置填充颜色:冷暖色

            cbar=True,  # 显示color bar

            linewidths=0.5, # 在单元格之间加入小间隔,方便数据阅读

            # fmt='%.2f%%',  # 本来是确保显示结果是整数(格式化输出),此处有问题

           )

plt.savefig('票房相关系数矩阵.png',dpi=300)

plt.show()

 

 

 

5.7.2 票房影响因素散点图

 

# 绘制散点图

fig = plt.figure(figsize=(17,5))

 

# # 学习seaborn参考:https://www.jianshu.com/p/c26bc5ccf604

ax1 = plt.subplot(1,3,1)

ax1 = sns.regplot(x='budget', y='revenue', data=df, x_jitter=.1,color='r',marker='x')

# marker: 'x','o','v','^','<'

# jitter:抖动项,表示抖动程度

ax1.text(1.6e8,2.2e9,'r=0.7',fontsize=16)

plt.title('budget-revenue-scatter',fontsize=20)

plt.xlabel('budget',fontsize=16)

plt.ylabel('revenue',fontsize=16)

ax2 = plt.subplot(1,3,2)

ax2 = sns.regplot(x='popularity', y='revenue', data=df, x_jitter=.1,color='g',marker='o')

ax2.text(500,3e9,'r=0.59',fontsize=16)

plt.title('popularity-revenue-scatter',fontsize=18)

plt.xlabel('popularity',fontsize=16)

plt.ylabel('revenue',fontsize=16)

 

ax3 = plt.subplot(1,3,3)

ax3 = sns.regplot(x='vote_count', y='revenue', data=df, x_jitter=.1,color='b',marker='v')

ax3.text(7000,2e9,'r=0.75',fontsize=16)

plt.title('voteCount-revenue-scatter',fontsize=20)

plt.xlabel('vote_count',fontsize=16)

plt.ylabel('revenue',fontsize=16)

 

fig.savefig('revenue.png',dpi=300)

 图片上传出错具体代码见:观影大数据二 - 辰逸1 - 博客园 (cnblogs.com)

posted on 2022-10-28 21:37  辰逸1  阅读(117)  评论(0编辑  收藏  举报