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。
首先是数据清洗:在爱数科上进行
2.数据清洗
1.导入数据
2.缺失值处理
缺失记录仅 3941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
1. Chiamatemi Francesco - Il Papa della gente
2. To Be Frank, Sinatra at 100
缺失记录的电影 runtime 分别为94min 和81min。
3 重复值处理
运行结果:有0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:(两种方式)
def changeRelease_date(): df['release_date'] = pd.to_datetime(df['release_date'])
5 筛选数据
使用数据分析师最喜欢的一个语法:
票房、预算、受欢迎程度、评分为负数或者0的数据应该去除;
五个不为负数或者0筛选条件,进行筛选
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178的数据。
此时剩余___2422___条数据,包含___20___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'] for i in json_column: df[i] = df[i].apply(json.loads) def get_name(x): return ','.join([i['name'] for i in x]) df['cast'] = df['cast'].apply(get_name) 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) 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)
7 数据备份
df_copy = df.copy() df.reset_index().to_csv("copy.csv")
数据清洗over
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
genre = set() for i in df['genres'].str.split(','): genre = set().union(i,genre) print(genre)
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)
采用pyecharts画图
def MovieType(): movie_genres = [] genres = df['genres'].values.tolist() for genre in genres: genre_list = genre.split(',') for i in genre_list: movie_genres.append(i) movie_type = pd.DataFrame(movie_genres, index=None, columns=['type']) df_grp = movie_type.apply(pd.value_counts) diary_type = dict(zip(df_grp.index.values.tolist(), df_grp['type'].tolist())) d_order = sorted(diary_type.items(), key=lambda x: x[1], reverse=False) keys = [] values = [] for key, value in d_order: keys.append(key) values.append(value) bar = Bar(init_opts=opts.InitOpts(width="100%")) bar.add_xaxis(keys) bar.add_yaxis("电影类型数量", values) bar.set_series_opts(label_opts=opts.LabelOpts(is_show=True, position='right')) bar.reversal_axis() bar.set_global_opts(title_opts=opts.TitleOpts(title="电影类型数量")) page.add(bar)
5.2.1.2 电影类型占比(绘制饼图)
def MovieTypePie(): movie_genres = [] genres = df['genres'].values.tolist() for genre in genres: genre_list = genre.split(',') for i in genre_list: movie_genres.append(i) movie_type = pd.DataFrame(movie_genres, index=None, columns=['type']) df_grp = movie_type.apply(pd.value_counts) pie = Pie(init_opts=opts.InitOpts(width="100%", height="700px")) pie.add("", [list(z) for z in zip(df_grp.index.values.tolist(), df_grp['type'].tolist())]) # zip函数两个部分组合在一起list(zip(x,y))-----> [(x,y)] pie.set_global_opts(title_opts=opts.TitleOpts(title="电影类型占比")) # 标题 pie.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%")) # 数据标签设置 pie.render('first_bar.html') page.add(pie)
5.2.1.3 电影类型变化趋势(绘制折线图)
def MovieTrend(): genre = set() for i in df['genres'].str.split(','): genre = set().union(i, genre) print(genre) genre_list = list(genre) genre_df = pd.DataFrame() for i in genre_list: genre_df[i] = df['genres'].str.contains(i).apply(lambda x: 1 if x else 0) df['release_year'] = pd.to_datetime(df.release_date, format='%Y-%m-%d', errors='coerce').dt.year genre_df.index = df['release_year'] gen_year_sum = genre_df.sort_index(ascending=False).groupby('release_year').sum() year = [] for i in df['release_year'].sort_values().drop_duplicates().tolist(): year.append(str(i)) line = Line(init_opts=opts.InitOpts(width="100%")) line.add_xaxis(xaxis_data=year) y1 = [100, 200, 300, 400, 100, 400, 300] for i in genre_list: line.add_yaxis(series_name=i, y_axis=gen_year_sum[i]) line.set_global_opts(title_opts=opts.TitleOpts(title="电影类型变化趋势", )) line.set_series_opts(label_opts=opts.LabelOpts(is_show=False)) line.render_notebook() page.add(line)
5.2.1.4 不同电影类型预算/利润(绘制组合图)
def Budget(): df["type"] = df["genres"].str.split(",") df_explode = df.explode("type") df_all = df_explode.groupby(['type']).mean() # 求平均值 budget = df_all['budget'].round(2) revenue = df_all['revenue'].round(2) bili = list((revenue / budget).round(2)) bud = list(budget) rev = list(revenue) budg = [] reve = [] for i in bud: budg.append(round(i / 100000000, 2)) for i in rev: reve.append(round(i / 100000000, 2)) diary_budget = dict(zip(df_all.index.values.tolist(), bili)) d_order = sorted(diary_budget.items(), key=lambda x: x[1], reverse=False) keys = [] values = [] for key, value in d_order: keys.append(key) values.append(value) line = ( Line(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT)) # 这里可以选择主题 .add_xaxis(df_all.index.values.tolist()) .add_yaxis("利润/预算", bili, stack="stack1", yaxis_index=1) .extend_axis( yaxis=opts.AxisOpts( axislabel_opts=opts.LabelOpts(formatter="{value}%") ) ) .set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right')) .set_global_opts( title_opts=opts.TitleOpts(title="不同电影类型预算/利润"), yaxis_opts=opts.AxisOpts( axislabel_opts=opts.LabelOpts(formatter="{value}/千万") ), tooltip_opts=opts.TooltipOpts( is_show=True, trigger="axis", axis_pointer_type="cross" ), xaxis_opts=opts.AxisOpts( type_="category", axispointer_opts=opts.AxisPointerOpts(is_show=True, type_="shadow"), axislabel_opts=opts.LabelOpts(rotate=-15) ) ) ) bar = Bar() bar.add_xaxis(df_all.index.values.tolist()).add_yaxis("平均预算", budg, stack="stack1").add_yaxis("平均利润", reve, stack="stack1") bar.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='left')) line.overlap(bar) page.add(line)
5.2.2 电影关键词(keywords 关键词分析,绘制词云图)
def KeywordsWordcloud(): movie_keywords = [] genres = df['keywords'].values.tolist() for genre in genres: genre_list = str(genre).split(',') for i in genre_list: item = changeStr(i) if item: # 为空列表 滤掉 movie_keywords.append(item) movie_type = pd.DataFrame(movie_keywords, index=None, columns=['type']) df_grp = movie_type.apply(pd.value_counts) diary_type = dict(zip(df_grp.index.values.tolist(), df_grp['type'].tolist())) d_order = sorted(diary_type.items(), key=lambda x: x[1], reverse=False) mywordcloud = WordCloud(init_opts=opts.InitOpts(width="100%")) mywordcloud.add('', d_order, shape='circle') page.add(mywordcloud)
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。
print(df.runtime)
先将其转换为数值类型,int
df.runtime = df.runtime.astype(int) print(df.runtime))
5.3.1 电影时长(绘制电影时长直方图)
直方图pyecharts画不了
所以使用matplotlib画
def RunTime(): df.runtime = df.runtime.astype(float) sns.set_style('white') movie_duration = df.runtime plt.figure(figsize=(20, 8), dpi=100) # 设置组距 distance = 5 group_num = int((max(movie_duration) - min(movie_duration)) / distance) # 计算组数 # 绘制直方图用 数据、组数 两个参数 plt.hist(movie_duration, bins=group_num) plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False plt.xticks(range(int(min(movie_duration)), int(max(movie_duration)))[::5]) plt.grid(linestyle='--', alpha=0.5) plt.xlabel('电影时长大小') plt.ylabel('电影的数据量') plt.savefig('img/电影时长直方图.png') plt.show()
5.3.2 发行时间(绘制每月电影数量和单片平均票房)
def MonthAnalyse(): df['release_month'] = pd.to_datetime(df.release_date, format='%Y-%m-%d', errors='coerce').dt.month df_revenue = df.groupby(['release_month']).revenue.mean() df_number = df.groupby(['release_month']).size() x = ['1月', '2月', '3月', '4月', '5月', '6月', '7月', '8月', '9月', '10月', '11月', '12月'] y2 = [] for k in df_revenue.tolist(): y2.append(round(k / 1000000, 2)) bar = Bar(init_opts=opts.InitOpts(width="100%", theme=ThemeType.MACARONS)) bar.add_xaxis(x) bar.add_yaxis("电影数量", df_number.values.tolist()) bar.add_yaxis("单片平均票房/百万", y2) bar.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right')) bar.set_global_opts(title_opts=opts.TitleOpts(title="每月电影数量和单片平均票房")) page.add(bar)
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
def RevenueSpread(): # dr['name'] = dr['name'].apply(lambda x: ',' + x) # dr1 = dr.groupby(by='movie_id').sum() # # dr1['name'] = dr1['name'].apply(lambda x: x[1:]) # dr1.to_csv("dire.csv") # print(dr1) sns.set_style('white') movie_duration = df['revenue'] ss = [] for i in movie_duration.values.tolist(): ss.append(round(i / 100000000, 2)) print(ss) plt.figure(figsize=(20, 8), dpi=100) # 设置组距 distance = 5 group_num = int(max(ss) - min(ss)) # 计算组数 # 绘制直方图用 数据、组数 两个参数 plt.hist(ss, bins=group_num) plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False plt.xticks(range(int(min(ss)), int(max(ss)))[::1]) plt.grid(linestyle='--', alpha=0.5) plt.xlabel('电影票房/亿') plt.ylabel('电影的数据量') plt.savefig('img/票房分布.png') plt.show() dr_sort = dr.groupby('name').sum().sort_values(by='revenue', ascending=False) dr_top10 = dr_sort.head(10).sort_values(by='revenue', ascending=True) piaofang = [] for i in dr_top10['revenue'].values.tolist(): piaofang.append(round(i / 100000000, 2)) bar = Bar(init_opts=opts.InitOpts(width="100%")) bar.add_xaxis(dr_top10.index.values.tolist()) bar.add_yaxis("总票房/亿", piaofang) bar.set_series_opts(label_opts=opts.LabelOpts(is_show=True, position='right')) bar.reversal_axis() bar.set_global_opts(title_opts=opts.TitleOpts(title="Top10导演")) page.add(bar)
5.5.2 分析评分分布及评分 Top10 的导演
def VoteSpread(): sns.set_style('white') movie_average = df['vote_average'] print(movie_average) plt.figure(figsize=(20, 8), dpi=100) # 设置组距 distance = 5 group_num = int((max(movie_average) - min(movie_average))) # 计算组数 # 绘制直方图用 数据、组数 两个参数 plt.hist(movie_average, bins=group_num) plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False plt.xticks(range(0, 10)[::1]) plt.grid(linestyle='--', alpha=0.5) plt.xlabel('电影评分') plt.ylabel('电影的数据量') plt.savefig('img/评分分布.png') plt.show() dr_sort = dr.groupby('name').mean().sort_values(by=['vote_average', 'vote_count'], ascending=False) print(dr_sort['vote_average'].head(10)) dr_top10 = dr_sort.head(10).sort_values(by='vote_average', ascending=True) bar = Bar(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT)) bar.add_xaxis(dr_top10.index.values.tolist()) bar.add_yaxis("评分", dr_top10['vote_average'].values.tolist()) bar.set_series_opts(label_opts=opts.LabelOpts(is_show=True, position='right')) bar.reversal_axis() bar.set_global_opts(title_opts=opts.TitleOpts(title="评分Top10导演")) page.add(bar)
发现数据中大多数电影都是8分,没有小数位,导致统计结果出现相同情况,所以按照在评分为8的前提下,根据popularity又进行了一次排序
5.6 how
5.6.1 原创 VS 改编占比(饼图)
def getBaseOnNovel(): count = 0 for i in df['keywords'].values.tolist(): print(i) if "based on novel" in str(i): count = count + 1 print((len(df.values.tolist()) - count) / len(df.values.tolist())) pie = Pie(init_opts=opts.InitOpts(width="100%", height="700px")) name = ["原创", "改编"] value = [len(df.values.tolist()) - count, count] pie.add("", [list(z) for z in zip(name, value)]) # zip函数两个部分组合在一起list(zip(x,y))-----> [(x,y)] pie.set_global_opts(title_opts=opts.TitleOpts(title="原创 VS 改编")) # 标题 pie.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%")) # 数据标签设置 pie.render('first_bar.html') page.add(pie)
5.6.2 原创 VS 改编预算/利润率(组合图)
def getLilv(): count = 0 var = df[df['keywords'].str.contains('based on novel', na=True)] df_based = var.sum() df_all = df.sum() based_budg = df_based['budget'] based_reve = df_based['revenue'] ori_budg = df_all['budget'] - df_based['budget'] ori_reve = df_all['revenue'] - df_based['revenue'] yusuan = [round(ori_budg / (df.shape[0] - var.shape[0]) / 10000000, 2), round((based_budg / var.shape[0]) / 10000000, 2)] lirun = [round(ori_reve / (df.shape[0] - var.shape[0]) / 10000000, 2), round((based_reve / var.shape[0]) / 10000000, 2)] lilv = [round(ori_reve / ori_budg, 2), round(based_reve / based_budg, 2)] line = ( Line(init_opts=opts.InitOpts(width="50%", theme=ThemeType.LIGHT)) # 这里可以选择主题 .add_xaxis(['原创', '改编']) .add_yaxis("利润率", lilv, stack="stack1", yaxis_index=1) .extend_axis( yaxis=opts.AxisOpts( axislabel_opts=opts.LabelOpts(formatter="{value}%") ) ) .set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right')) .set_global_opts( title_opts=opts.TitleOpts(title="原创 VS 改编预算/利润率"), yaxis_opts=opts.AxisOpts( axislabel_opts=opts.LabelOpts(formatter="{value}/千万") ), tooltip_opts=opts.TooltipOpts( is_show=True, trigger="axis", axis_pointer_type="cross" ), xaxis_opts=opts.AxisOpts( type_="category", axispointer_opts=opts.AxisPointerOpts(is_show=True, type_="shadow"), ) ) ) bar = Bar() bar.add_xaxis(['原创', '改编']).add_yaxis("平均预算", yusuan, stack="stack1").add_yaxis("平均利润", lirun, stack="stack1") bar.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='left')) line.overlap(bar) page.add(line)
5.7 how much
5.7.1 计算相关系数(票房相关系数矩阵)
def RelatedNumber(): df.drop(columns=['id', 'ids'], inplace=True) print(df) dfData = df.corr() plt.subplots(figsize=(9, 9)) # 设置画面大小 sns.heatmap(dfData, annot=True, vmax=1, square=True, cmap="Oranges") plt.savefig('img/相关系数矩阵.png') plt.show()
5.7.2 票房影响因素散点图
def sandiantu(): scatter = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT)) scatter.add_xaxis(df['budget']) scatter.add_yaxis("利润", df['revenue']) scatter.set_global_opts( xaxis_opts=opts.AxisOpts( type_="value", name="预算", ), yaxis_opts=opts.AxisOpts( name="利润" ) ) scatter.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='left')) scatter.set_global_opts(title_opts=opts.TitleOpts(title="预算对利润的影响散点图")) scatter1 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT)) scatter1.add_xaxis(df['runtime']) scatter1.add_yaxis("利润", df['revenue']) scatter1.set_global_opts( xaxis_opts=opts.AxisOpts( type_="value", name="电影时长", ), yaxis_opts=opts.AxisOpts( name="利润" ) ) scatter1.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right')) scatter1.set_global_opts(title_opts=opts.TitleOpts(title="电影时长对利润的影响散点图")) scatter2 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT)) scatter2.add_xaxis(df['vote_average']) scatter2.add_yaxis("利润", df['revenue']) scatter2.set_global_opts( xaxis_opts=opts.AxisOpts( type_="value", name="评分", ), yaxis_opts=opts.AxisOpts( name="利润" ) ) scatter2.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right')) scatter2.set_global_opts(title_opts=opts.TitleOpts(title="评分对利润的影响散点图")) scatter3 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT)) scatter3.add_xaxis(df['vote_count']) scatter3.add_yaxis("利润", df['revenue']) scatter3.set_global_opts( xaxis_opts=opts.AxisOpts( type_="value", name="评分人数", ), yaxis_opts=opts.AxisOpts( name="利润" ) ) scatter3.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right')) scatter3.set_global_opts(title_opts=opts.TitleOpts(title="评分人数对利润的影响散点图")) scatter4 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT)) scatter4.add_xaxis(df['popularity']) scatter4.add_yaxis("利润", df['revenue']) scatter4.set_global_opts( xaxis_opts=opts.AxisOpts( type_="value", name="受欢迎度", ), yaxis_opts=opts.AxisOpts( name="利润" ) ) scatter4.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right')) scatter4.set_global_opts(title_opts=opts.TitleOpts(title="受欢迎度对利润的影响散点图")) scatter5 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT)) #range(1950, 2020, 1) scatter5.add_xaxis(df['release_year']) scatter5.add_yaxis("利润", df['revenue']) scatter5.set_global_opts( xaxis_opts=opts.AxisOpts( type_="value", name="上映年份", min_=1900 ), yaxis_opts=opts.AxisOpts( name="利润" ) ) scatter5.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right')) scatter5.set_global_opts(title_opts=opts.TitleOpts(title="上映年份对利润的影响散点图")) page.add(scatter, scatter1, scatter2, scatter3,scatter4,scatter5)
6 对附件的 tmdb_1000_predicted.csv 的预测结果
使用sklearn对tmdb_1000_predicted.csv进行预测
from sklearn.cross_decomposition import PLSCanonical from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split from sklearn.neighbors import NearestNeighbors from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LinearRegression, SGDRegressor, Ridge, RidgeCV, Lasso, ElasticNet, BayesianRidge, \ LogisticRegression from sklearn.metrics import mean_squared_error import joblib import pandas as pd from sklearn.svm import SVR import numpy as np def dump_load_demo(): # 1.获取数据 df = pd.read_csv('total_2431.csv', sep=',', engine='python', header=[0]) feature_arr = df[['budget', 'popularity', 'revenue', 'runtime']].values tag_arr = df['vote_count'].values print(len(tag_arr)) # 2.数据基本处理 # 2.1 数据集划分 x_train, x_test, y_train, y_test = train_test_split(feature_arr,tag_arr[:,np.newaxis], random_state=350, test_size=0.2) # 3.特征工程 --标准化 transfer = StandardScaler() x_train = transfer.fit_transform(x_train) x_test = transfer.fit_transform(x_test) # 4.机器学习(线性回归) # 4.1 模型训练 estimator =Ridge() estimator.fit(x_train, y_train) print("这个模型的偏置是:\n", estimator.intercept_) # 4.2 模型保存 joblib.dump(estimator, "save/test.pkl") # 4.3 模型加载 estimator = joblib.load("save/test.pkl") # 5.模型评估 # 5.1 预测值和准确率 y_pre = estimator.predict(x_test) print("预测值是:\n", y_pre) score = estimator.score(x_test, y_test) print("准确率是:\n", score) ret = mean_squared_error(y_test, y_pre) print("均方误差是:\n", ret) if __name__ == '__main__': dump_load_demo()
正确率75%,很难再往上调了。
预测支持人数:
预测评分:
综上所述,我们可以得到如下结论:
1.剧情类,喜剧类,惊悚类,动作类电影类型量较多,占据所有类型的50%,且这些类型数量也在不断增长,因此电影类型可以向这四类靠拢。
2.根据关键词词云,可以发现based on novel数量较多,电影可以着手尝试小说改编,同时,violence、murder,revenge,sequel,prison,police也不少,可以拍摄监狱犯罪、暴力对抗,不断复仇,且有续集的电影。
3.根据预算与利润我们可以分析出来:
① 总体来说,这些电影类型都是盈利的,不同的是利润率
② 还有预算的投入
③ 虽然Documentary类型电影的利润率最高,但是预算低,它的利润相对来说也低,如果是小成本电影公司的话,可以尝试此类电影,如果事大公司可以尝试高预算且高利润的电影,比如Animation,Family,Fantasy,Advanture等等,都有着相对较高的利润
4.根据每月电影数量和单片平均票房,发现电影数量在6、9、12月数量较多,而电影票房在5月份最高,其次是6、11、12,因此,可以尝试在5月发行电影,有着数量较少的电影,可以减少竞争力,还有着不错的票房收入。
5.根据电影时长分布,电影控制在98~108分钟是最好的选择。
6.根据电影票房分布,发现总体票房集中在1~2亿美元之间
7.根据票房Top10导演,票房最高为史蒂芬·斯皮尔伯格,第二彼得·杰克逊,第三詹姆斯·卡梅隆,第四迈克尔·贝,可以尝试找这些导演拍摄影片,这些都是电影票房的保障,可以获得许多利润。
8.根据评分分布,发现大部分电影评分集中在7~8分之间
9.根据评分Top10导演,可以选择詹姆斯·马什,丹·吉尔罗伊,约什·布恩等等导演,这些导演的影片评分都很不错,可以留下较好的名誉。
10.根据原创VS改编,发现还是原创居多,可以尝试原创,但是改编也是不错的选择。根据原创VS改编的利润率,发现改编要比原创高,所以可以尝试改编,毕竟还有很多原著党。
11.根据相关系数矩阵,可以发现电影影响因素有很多,期间相互影响也是甚多,比如vote_count与票房就有很大的关系,vote_count和popularity有着71%的联系,预算与票房也达到了69%的关系,但是也从中看出,评分对票房的影响并不大,呈现负数,可能是跟数据本身有关。
12.根据散点图,得到以下分析:
①预算对票房的影响是逐步上升的,想要提高票房可以适当提高预算。
②电影时长集中在100-150分钟可以有更高的票房
③评分人数越多,会有更高的票房
④受欢迎度对票房的影响是逐步上升的,受欢迎度越高,票房也就越高。
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】凌霞软件回馈社区,博客园 & 1Panel & Halo 联合会员上线
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步