2023/11/24周五总结

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 

print("++++++++++++++++++++++++++++++++")

# 备份原始数据框original_df

org_df = df.copy()

df.reset_index().to_csv("TMDB_5000_Movie_Dataset_Cleaned.csv")

df.info()

 

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。 

df.runtime.head(5)

 

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） 

 

5.3.2 发行时间（绘制每月电影数量和单片平均票房） 

 

 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 

 

 

5.5.2 分析评分分布及评分 Top10 的导演 

 

 

5.6 how

5.6.1 原创 VS 改编占比（饼图） 

 

5.6.2 原创 VS 改编预算/利润率（组合图） 

 

5.7 how much

5.7.1 计算相关系数（票房相关系数矩阵） 

 

5.7.2 票房影响因素散点图 

 

6 对附件的 tmdb_1000_predicted.csv 的预测结果