觀影大資料分析（二）
阿新 • • 發佈：2022-12-09
5 資料分析
5.1 why
想要探索影響票房的因素，從電影市場趨勢，觀眾喜好型別，電影導演，發行時間，評分與
關鍵詞等維度著手，給從業者提供合適的建議。
5.2 what
5.2.1 電影型別：定義一個集合，獲取所有的電影型別
注意到集合中存在多餘的元素：空的單引號，所以需要去除。
# 定義一個集合，獲取所有的電影型別
genre = set()
for i in df['genres'].str.split(','): # 去掉字串之間的分隔符，得到單個電影型別
genre = set().union(i, genre) # 集合求並集
# genre.update(i) #或者使用update方法
5.2.1.1 電影型別數量（繪製條形圖）
# 計算得到每種型別的電影總數目，並降序排列
grnre_sum = genre_df.sum().sort_values(ascending = False)
# 視覺化
colors = ['tomato','C0']
plt.rcParams['font.sans-serif'] = ['SimHei'] #用來顯示中文
grnre_sum.plot(kind='bar',label='genres',color=colors,figsize=(12,9))
plt.title(
5.2.1.2 電影型別佔比（繪製餅圖）
gen_shares = grnre_sum / grnre_sum.sum()
# 設定other類，當電影型別所佔比例小於%1時，全部歸到other類中
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']
# 設定分裂屬性
# 所佔比例小於或等於%2時，增大每塊餅片邊緣偏離半徑的百分比
explode = (gen_pie <= 0.02) / 10
# 繪製餅圖
gen_pie.plot(kind='pie', label='', colors=colors, explode=explode, startangle=0,
shadow=False, autopct='%3.1f%%', figsize=(8, 8))
plt.title('不同電影型別所佔百分比', fontsize=20)
plt.savefig("不同電影型別所佔百分比-餅圖.png", dpi=300)
plt.show()
5.2.1.3 電影型別變化趨勢（繪製折線圖）
#電影型別隨時間變化的趨勢
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('數量', fontsize=16)
plt.title('不同電影變化趨勢', fontsize=20)
plt.grid(False)
plt.savefig("不同電影型別數量-折線圖2.png",dpi=600)
plt.show()
5.2.1.4 不同電影型別預算/利潤（繪製組合圖）
# 計算不同電影型別的利潤
# Step1-建立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-建立profit_series，橫座標為genre
profit_s=pd.Series(index=genre_list)
# Step3-求出每種genre對應的利潤均值
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
# 計算不同型別電影的budget
# Step1-建立profit_dataframe
budget_df = pd.DataFrame()
budget_df = pd.concat([genre_df.reset_index(), df['budget']], axis=1)
# Step2-建立budget_series，橫座標為genre
budget_s=pd.Series(index=genre_list)
# Step3-求出每種genre對應的預算均值
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
# 再接著，橫向合併 profit_s 和 budget_s
profit_budget = pd.concat([profit_s, budget_s], axis=1)
profit_budget.columns = ['profit', 'budget']
#新增利潤率列
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)
# 繪製不同型別電影平均預算和利潤率（組合圖）
x = profit_budget_sort.index
y1 = profit_budget_sort.budget
y2 = profit_budget_sort.rate
# 返回profit_budget的行數
length = profit_budget_sort.shape[0]
fig = plt.figure(figsize=(12,9))
# 左軸
ax1 = fig.add_subplot(1,1,1)
plt.bar(range(0,length),y1,color='C4',label='平均預算')
plt.xticks(range(0,length),x,rotation=90, fontsize=12) # 更改橫座標軸名稱
ax1.set_xlabel('年份') # 設定x軸label ,y軸label
ax1.set_ylabel('平均預算',fontsize=16)
ax1.legend(loc=2,fontsize=12)
#右軸
# 共享x軸，生成次座標軸
ax2 = ax1.twinx()
ax2.plot(range(0,length),y2,'ro-.')
ax2.set_ylabel('平均利潤率',fontsize=16)
ax2.legend(loc=1,fontsize=12)
# 將利潤率座標軸以百分比格式顯示
import matplotlib.ticker as mtick
fmt='%.1f%%'
yticks = mtick.FormatStrFormatter(fmt)
ax2.yaxis.set_major_formatter(yticks)
# 設定圖片title
ax1.set_title('不同型別電影平均預算和利潤率',fontsize=20)
ax1.grid(False)
ax2.grid(False)
plt.savefig("不同電影平均預算+利潤率.png",dpi=300)
plt.show()
5.2.2 電影關鍵詞（keywords 關鍵詞分析，繪製詞雲圖）
from wordcloud import STOPWORDS
from wordcloud import WordCloud
keywords_list = []
for i in df['keywords']:
keywords_list.append(i)
keywords_list
#把字串列表連線成一個長字串
lis = ''.join(keywords_list)
lis.replace('\'s','')
#設定停用詞
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('詞雲圖.png',dpi=300)
plt.show()
5.3 when 檢視 runtime 的型別，發現是 object 型別，也就是字串，所以，先進行資料轉化。 5.3.1 電影時長（繪製電影時長直方圖）
df.runtime.head(5)
df.runtime = df.runtime.apply(pd.to_numeric, errors='coerce')
df.runtime.describe()
import seaborn as sns
sns.set_style('dark')
sns.distplot(df.runtime, bins=30)
sns.despine(left=True) # 使用despine()方法來移除座標軸，預設移除頂部和右側座標軸
plt.xticks(range(50, 360, 20))
plt.savefig('電影時長直方圖.png', dpi=300)
plt.show()
5.3.2 發行時間（繪製每月電影數量和單片平均票房）8 5.4 where 本資料集收集的是美國地區的電影資料，對於電影的製作公司以及製作國家，在本次的故事 背景下不作分析。 5.5 who 5.5.1 分析票房分佈及票房 Top10 的導演
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()# 每月單片平均票房 # 左軸 ax1 = fig.add_subplot(1,1,1) plt.bar(x,y1,color='C6',label='電影數量') plt.grid(False) ax1.set_xlabel('月份') # 設定x軸label ,y軸label ax1.set_ylabel('電影數量',fontsize=16) ax1.legend(loc=2,fontsize=12) # 右軸 ax2 = ax1.twinx() plt.plot(x,y2,'bo--',label='每月單片平均票房') ax2.set_ylabel('每月單片平均票房',fontsize=16) ax2.legend(loc=1,fontsize=12) plt.savefig('每月電影數量和單片平均票房.png',dpi=300)
plt.show()
參考文件：MathorCup 高校數學建模挑戰賽——觀影大資料 - 把糖還給我 - 部落格園 (cnblogs.com)