MathorCup 高校数学建模挑战赛——大数据竞赛 （源代码）

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。

python代码：

# -*- coding:utf-8 -*-
"""
作者：19702
日期：2022年11月06日
"""
import matplotlib as matplotlib

import numpy as np

import pandas as pd
import seaborn as sns
from pandas import DataFrame, Series

# 可视化显示在界面

# matplotlib inline

import matplotlib

import matplotlib.pyplot as plt
from wordcloud import STOPWORDS, WordCloud

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(
    'tmdb_5000_movies.csv',
    encoding='utf_8')

credits = pd.read_csv(
    '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()

# 查找缺失值记录-release_date
var = df[df.release_date.isnull()]
print(var.title)
# 查找缺失值记录-runtime
var = df[df.runtime.isnull()]
print(var.title)

df['release_date'] = df['release_date'].fillna('2014-06-01')
df.loc[2656] = df.loc[2656].fillna('94, limit=1')
df.loc[4140] = df.loc[4140].fillna('240, limit=1')
df.info()

print(len(df.id.unique()))

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()
print(df['release_year'], df['release_month'], df['release_day'])

df = df[(df.vote_count >= 50) & (df.budget * df.revenue * df.popularity * df.vote_average != 0)].reset_index(
    drop='True')
df.info()

# Json格式处理
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()
print(df.head(5).genres)
print(df.head(5).keywords)
print(df.head(5).production_companies)
print(df.head(5).production_countries)
print(df.head(5).actor)
print(df.head(5).director)

# 数据备份
org_df = df.copy()
df.reset_index().to_csv("TMDB_5000_Movie_Dataset_Cleaned.csv")

# 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)

# 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']

# 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
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来显示中文
grnre_sum.plot(kind='bar', label='genres', figsize=(12, 9))
plt.title('电影类型数量', fontsize=20)
plt.xticks(rotation=60)
plt.xlabel('类型', fontsize=16)
plt.ylabel('数量', fontsize=16)
plt.grid(False)
plt.savefig("电影类型数量-条形图.png", dpi=300)  # 在 plt.show() 之前调用 plt.savefig()
plt.show()

# 绘制饼图
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()

# 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

gen_pie.plot(kind='pie', label='', explode=explode, startangle=0, shadow=False, autopct='%3.1f%%', figsize=(8, 8))

plt.title('电影类型占比', fontsize=20)
plt.savefig("电影类型占比-饼图.png", dpi=300)
plt.show()

gen_year_sum = genre_df.sort_index(ascending=False).groupby('release_year').sum()
gen_year_sum_sub = gen_year_sum[
    ['Drama', 'Comedy', 'Thriller', 'Action', 'Adventure', 'Crime', 'Romance', 'Science Fiction']]
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('电影类型变化趋势', fontsize=20)

plt.grid(False)
plt.savefig("电影类型变化趋势-折线图.png", dpi=600)
plt.show()

# Step1-创建profit_dataframe
profit_df = pd.DataFrame()
profit_df = pd.concat([genre_df.reset_index(), df['revenue']], axis=1)
# 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, 'revenue']].groupby(i, as_index=False).mean().loc[1, 'revenue']
profit_s = profit_s.sort_values(ascending=True)
# 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']
profit_budget = pd.concat([profit_s, budget_s], axis=1)
profit_budget.columns = ['revenue', 'budget']
profit_budget['rate'] = (profit_budget['revenue'] / profit_budget['budget']) * 100
profit_budget_sort = profit_budget.sort_values(by='budget', ascending=False)
# 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='b', 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('电影类型的平均预算和利润率', fontsize=20)
ax1.grid(False)
ax2.grid(False)
plt.savefig("电影类型的平均预算和利润率-组合图.png", dpi=300)
plt.show()

# 绘制不同类型电影预算和收入（条形图）
profit_budget_sort.iloc[:, 0:2].plot(kind='bar', figsize=(12, 9), color=['darkorange', 'b'])
plt.title('平均预算(budget)与平均收入(revenue)', fontsize=20)
plt.xlabel('len', fontsize=16)
plt.grid(False)
plt.savefig('电影类型的平均预算和平均收入-条形图.png', dpi=300)
plt.show()

# keywords关键词分析
keywords_list = []
for i in df['keywords']:
    keywords_list.append(i)
# print(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')
stopwords.add('based')
wordcloud = WordCloud(
    background_color='black',
    random_state=9,  # 设置一个随机种子，用于随机着色
    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()


print(df.runtime.head(5))
df.runtime = df.runtime.astype(float)
print(df.runtime.head(5))



sns.snsset_style('white')
sns.distplot(df.runtime, bins=20)
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()

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

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='b', label='电影数量')
plt.grid(False)
ax1.set_xlabel(u'月份')  # 设置x轴label ,y轴label
ax1.set_ylabel(u'每月电影数量', fontsize=16)
ax1.legend(loc=2, fontsize=12)

# 右轴
ax2 = ax1.twinx()
plt.plot(x, y2, 'ro--', label=u'单片平均票房')
ax2.set_ylabel(u'每月单片平均票房', fontsize=16)
ax2.legend(loc=1, fontsize=12)

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.savefig('每月电影数量和单片平均票房.png', dpi=300)
plt.rc("font", family="SimHei", size="15")
plt.show()



#票房分布及票房Top10的导演
# 创建数据框 - 导演
director_df = pd.DataFrame()

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

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=(8,6))
plt.xlabel('票房')
plt.ylabel('频数')
plt.title('导演的票房分布直方图')
plt.savefig('导演的票房分布直方图.png',dpi = 300)
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))
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()



#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))
plt.xlabel('评分')
plt.ylabel('频数')
plt.title('导演的评分分布直方图')
plt.savefig('导演的评分分布直方图.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))
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()


#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['revenue'] - df['budget']
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))
plt.title('改编 VS 原创',fontsize=20)
plt.legend(loc=2,fontsize=10)
plt.savefig('改编VS原创-饼图.png',dpi=300)
plt.show()



#原创VS改编 预算/利润率（组合图）
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='b',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,color='r',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-组合图.png',dpi=300)
plt.show()



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="Blues", # 设置填充颜色：黄色，绿色，蓝色
            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
           )
plt.savefig('票房相关系数矩阵.png',dpi=300)
plt.show()


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

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)
plt.savefig('revenue.png',dpi=300)
plt.show()