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
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
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 和 ___240____min。
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
将 release_date 列转换为日期类型：
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 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
7 数据备份
