大数据作业
MathorCup 高校数学建模挑战赛——观影大数据
练习题：观影大数据分析
王 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 和 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 和 vote_count，并保存为 tmdb_1000_predicted.csv。
数据清洗
1 导入数据
|
import matplotlib as matplotlib import numpy as np import pandas as pd from pandas import DataFrame, Series
# 可视化显示在界面 # matplotlib inline import matplotlib import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来显示中文 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
# 学习seaborn参考：https://www.jianshu.com/p/c26bc5ccf604
import json import warnings
warnings.filterwarnings('ignore') # 设置显示的最大列、宽等参数，消掉打印不完全中间的省略号 # pd.set_option('display.max_columns', 1000) pd.set_option('display.width', 1000)#加了这一行那表格的一行就不会分段出现了 # pd.set_option('display.max_colwidth', 1000) # pd.set_option('display.height', 1000) #显示所有列 pd.set_option('display.max_columns', None) #显示所有行 pd.set_option('display.max_rows', None) movies = pd.read_csv('C:\\Users\\张子鑫\\Desktop\\软件工程\\2021年秋季大型数据库技术\\观影大数据\\data\\tmdb_5000_movies.csv', encoding='utf_8') credits = pd.read_csv('C:\\Users\\张子鑫\\Desktop\\软件工程\\2021年秋季大型数据库技术\\观影大数据\\data\\tmdb_5000_credits.csv', encoding='utf_8') movies.info() # 查看信息 credits.info() # 两个数据框都有title列，以及movies.riginal_title # 以上三个数据列重复，删除两个 del credits['title'] del movies['original_title']
# 连接两个csv文件 merged = pd.merge(movies, credits, left_on='id', right_on='movie_id', how='left')
# 删除不需要分析的列 df = merged.drop(['homepage', 'overview', 'spoken_languages', 'status', 'tagline', 'movie_id'], axis=1) df.info()
结果：
|
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
|
# 查找缺失值记录-release_date df[df.release_date.isnull()] 结果：
|
缺失记录的电影 runtime 分别为 94min 和 240min。
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
|
# 查找缺失值记录-runtime df[df.runtime.isnull()] 结果：
|
缺失记录的电影 runtime 分别为 94 min 和 240 min。
3 重复值处理
|
len(df.id.unique()) 结果：
|
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
将 release_date 列转换为日期类型：
|
df['release_year'] = pd.to_datetime(df.release_date, format = '%Y-%m-%d',errors='coerce').dt.year df['release_month'] = pd.to_datetime(df.release_date).apply(lambda x: x.month) df['release_day'] = pd.to_datetime(df.release_date).apply(lambda x: x.day) df.info() 结果：
|
5 筛选数据
使用数据分析师最喜欢的一个语法：df.describe()
|
df.describe()
结果：
|
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。
|
df = df[(df.vote_count >= 50) &(df.budget * df.revenue * df.popularity * df.vote_average !=0)].reset_index(drop = 'True')
df 结果：
|
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 这 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
|
json_column = ['genres','keywords','production_companies','production_countries','cast','crew']
# 1-json本身为字符串类型，先转换为字典列表 for i in json_column: df[i] = df[i].apply(json.loads)
# 提取name # 2-将字典列表转换为以','分割的字符串 def get_name(x): return ','.join([i['name'] for i in x])
df['cast'] = df['cast'].apply(get_name)
# 提取derector def get_director(x): for i in x: if i['job'] == 'Director': return i['name']
df['crew'] = df['crew'].apply(get_director)
for j in json_column[0:4]: df[j] = df[j].apply(get_name)
#重命名 rename_dict = {'cast':'actor','crew':'director'} df.rename(columns=rename_dict, inplace=True) df.info() df.head(5)
结果：
|
7 数据备份
|
# 备份原始数据框original_df org_df = df.copy() df.reset_index().to_csv("TMDB_5000_Movie_Dataset_Cleaned.csv") |
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
|
# 定义一个集合，获取所有的电影类型 genre = set() for i in df['genres'].str.split(','): # 去掉字符串之间的分隔符，得到单个电影类型 genre = set().union(i,genre) # 集合求并集 # genre.update(i) #或者使用update方法
print(genre)
结果：
|
注意到集合中存在多余的元素：空的单引号，所以需要去除。
|
genre.discard('') # 去除多余的元素 genre
结果：
#将genre转变成列表 genre_list = list(genre)
# 创建数据框-电影类型 genre_df = pd.DataFrame()
#对电影类型进行one-hot编码 for i in genre_list: # 如果包含类型 i，则编码为1，否则编码为0 genre_df[i] = df['genres'].str.contains(i).apply(lambda x: 1 if x else 0)
#将数据框的索引变为年份 genre_df.index = df['release_year'] genre_df.head(5)
|
5.2.1.1 电影类型数量（绘制条形图）
|
# 计算得到每种类型的电影总数目，并降序排列 grnre_sum = genre_df.sum().sort_values(ascending = False) # 可视化
colors = ['tomato','C0'] plt.rcParams['font.sans-serif'] = ['SimHei'] #用来显示中文 grnre_sum.plot(kind='bar',label='genres',color=colors,figsize=(12,9)) plt.title('不同类型的电影数量总计',fontsize=20) plt.xticks(rotation=60) plt.xlabel('电影类型',fontsize=16) plt.ylabel('数量',fontsize=16) plt.grid(False) plt.savefig("不同电影类型数量-条形图.png",dpi=300) #在 plt.show() 之前调用 plt.savefig() plt.show()
结果： |
5.2.1.2 电影类型占比（绘制饼图）
|
结果：
gen_shares = grnre_sum / grnre_sum.sum() # 设置other类，当电影类型所占比例小于%1时，全部归到other类中 others = 0.01 gen_pie = gen_shares[gen_shares >= others] gen_pie['others'] = gen_shares[gen_shares < others].sum() colors = ['tomato', 'lightskyblue', 'goldenrod', 'wheat', 'y','tomato', 'lightskyblue', 'goldenrod', 'wheat', 'y','tomato', 'lightskyblue', 'goldenrod', 'wheat', 'y','tomato', 'lightskyblue', 'goldenrod', 'wheat', 'y','lightskyblue'] # 设置分裂属性 # 所占比例小于或等于%2时，增大每块饼片边缘偏离半径的百分比 explode = (gen_pie <= 0.02)/10
# 绘制饼图 gen_pie.plot(kind='pie',label='',colors=colors,explode=explode,startangle=0, shadow=False,autopct='%3.1f%%',figsize=(8,8))
plt.title('不同电影类型所占百分比',fontsize=20) plt.savefig("不同电影类型所占百分比-饼图.png",dpi=300)
|
5.2.1.3 电影类型变化趋势（绘制折线图）
|
#电影类型随时间变化的趋势 gen_year_sum = genre_df.sort_index(ascending = False).groupby('release_year').sum() gen_year_sum_sub = gen_year_sum[['Action','Adventure','Crime','Romance','Science Fiction','Drama','Comedy','Thriller']] gen_year_sum_sub.plot(figsize=(12,9)) plt.legend(gen_year_sum_sub.columns) plt.xticks(range(1915,2018,10)) plt.xlabel('年份', fontsize=16) plt.ylabel('数量', fontsize=16) plt.title('不同电影变化趋势', fontsize=20)
plt.grid(False) plt.savefig("不同电影类型数量-折线图2.png",dpi=600) plt.show() |
5.2.1.4 不同电影类型预算/利润（绘制组合图）
|
# 计算不同电影类型的利润 # Step1-创建profit_dataframe df['profit'] = df['revenue']-df['budget'] profit_df = pd.DataFrame() profit_df = pd.concat([genre_df.reset_index(), df['profit']], axis=1) df.info() # Step2-创建profit_series，横坐标为genre profit_s=pd.Series(index=genre_list) # Step3-求出每种genre对应的利润均值 for i in genre_list: profit_s.loc[i]=profit_df.loc[:,[i,'profit']].groupby(i, as_index=False).mean().loc[1,'profit'] profit_s = profit_s.sort_values(ascending = True) profit_s
# 计算不同类型电影的budget # Step1-创建profit_dataframe budget_df = pd.DataFrame() budget_df = pd.concat([genre_df.reset_index(), df['budget']], axis=1) # Step2-创建budget_series，横坐标为genre budget_s=pd.Series(index=genre_list) # Step3-求出每种genre对应的预算均值 for j in genre_list: budget_s.loc[j]=budget_df.loc[:,[j,'budget']].groupby(j, as_index=False).mean().loc[1,'budget'] budget_s
# 再接着，横向合并 profit_s 和 budget_s profit_budget = pd.concat([profit_s, budget_s], axis=1) profit_budget.columns = ['profit', 'budget']
#添加利润率列 profit_budget['rate'] = (profit_budget['profit']/profit_budget['budget'])*100 # 降序排序 profit_budget_sort=profit_budget.sort_values(by='budget',ascending = False) profit_budget_sort.head(2)
# 绘制不同类型电影平均预算和利润率（组合图） x = profit_budget_sort.index y1 = profit_budget_sort.budget y2 = profit_budget_sort.rate # 返回profit_budget的行数 length = profit_budget_sort.shape[0]
fig = plt.figure(figsize=(12,9)) # 左轴 ax1 = fig.add_subplot(1,1,1) plt.bar(range(0,length),y1,color='C4',label='平均预算') plt.xticks(range(0,length),x,rotation=90, fontsize=12) # 更改横坐标轴名称 ax1.set_xlabel('年份') # 设置x轴label ,y轴label ax1.set_ylabel('平均预算',fontsize=16) ax1.legend(loc=2,fontsize=12)
#右轴 # 共享x轴，生成次坐标轴 ax2 = ax1.twinx() ax2.plot(range(0,length),y2,'ro-.') ax2.set_ylabel('平均利润率',fontsize=16) ax2.legend(loc=1,fontsize=12)
# 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)
# 设置图片title ax1.set_title('不同类型电影平均预算和利润率',fontsize=20) ax1.grid(False) ax2.grid(False) plt.savefig("不同电影平均预算+利润率.png",dpi=300) plt.show() |
5.2.2 电影关键词（keywords 关键词分析，绘制词云图）
|
from wordcloud import STOPWORDS from wordcloud import WordCloud keywords_list = [] for i in df['keywords']: keywords_list.append(i) keywords_list #把字符串列表连接成一个长字符串 lis = ''.join(keywords_list) lis.replace('\'s','') #设置停用词 stopwords = set(STOPWORDS) stopwords.add('film') wordcloud = WordCloud( background_color = 'black', random_state=3, stopwords = stopwords, max_words = 3000, scale=1).generate(lis) plt.figure(figsize=(10,6)) plt.imshow(wordcloud) plt.axis('off') plt.savefig('词云图.png',dpi=300) plt.show() |
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x轴label ,y轴label 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x轴label ,y轴label 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=revenue_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=revenue_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=revenue_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) |
