豆瓣電影數據分析

一、提出問題

1.豆瓣電影評分與票房有什么的關系？

2.那個類型和國家電影比較受歡迎？

3.豆瓣電影近20年評分情況是怎么樣？

二、理解數據

1、采集數據

本數據集描述了近20年豆瓣電影以及其相關信息，共包含12067條數據，共10個字段，介紹下各個字段：

Title：標題

Types：類型

Score：評分

Drector：導演

Writer：作者

Actor：演員

Account：票房

Country：國家

Label：標簽

flim_version：電影版本

2、導入數據

 

3、查看數據集信息

 

 

 

 

 

 

從統計信息可以看出數字型的總數、count，數據個數（非空數據），mean，均值，std，標准差，min，最小值，25%，第1四分位數，即第25百分位數，50%，第2四分位數，即第50百分位數，75%，第3四分位數，即第75百分位數，max，最大值等信息。

三、數據清洗

1、查找缺失值

 

一共有266條數據缺失。

2、處理缺失值

 

四、數據可視化呈現

 

用autoviz和dtale工具對數據進行分析

 

電影的分值越大，Label越大

熱力圖顯示相關系數

 

可以看出電影評分與票房，標簽，電影版本都是正相關關系

評分與票房散點圖

 

可以看出評分越高，票房約高。

評分箱線圖

 

Min：2.1，Max：9.6

評分條形圖

 

大部分電影評分6.2到8.8

票房箱線圖

 

Min：201，Max：1186119

票房條形圖

 

 

大部分電影票房在50000到100000之間

高頻率詞雲

 

 

 

電影類型前十條形圖

 

 

 

可以看出劇情，喜劇類的電影比較多

電影地區前十條形圖

 

在豆瓣中美國地區的電影最多

評分占比分布圖

 

 

 

五、結論

1.評分越高的電影，票房越高。

2.可以看出在豆瓣中劇情，喜劇類的電影比較受歡迎，美國地區的電影受歡迎。

3.近20年大多數的電影評分都是在中等評分，高分和低分電影都比較少。

源代碼:

 

import pandas as pd
import numpy as np
import random
import matplotlib.pyplot as plt
data=pd.read_csv('movie.csv',encoding='gb18030')
data.shape
pd.isnull(data).sum()
data.dropna(inplace=True)
data.shape
# 獲取數據類型列的描述統計信息
data.describe()
d2=data.loc[:,'types'].value_counts()
d2=d2.head(10)
plt.rcParams["font.sans-serif"] = ["KaiTi"]
plt.rcParams["axes.unicode_minus"] = False
d2.plot.bar(figsize = (10,8),title='UP top 10')
plt.show()
d2=data.loc[:,'country'].value_counts()
d2=d2.head(10)
plt.rcParams["font.sans-serif"] = ["KaiTi"]
plt.rcParams["axes.unicode_minus"] = False
d2.plot.bar(figsize = (10,8),title='UP top 10')
plt.show()
l1=len(data[data['score'] >= 8.0])
l2=len(data[(data['score'] < 8.0) & (data['score'] >=6.0)])
l3=len(data[data['score'] < 6.0])
plt.figure(figsize=(9,13)) #調節圖形大小
labels = ['高分','中等','低分'] #定義標簽
sizes = [l1, l2, l3] #每塊值
colors = ['green', 'yellow', 'blue'] #每塊顏色定義
explode = (0,0,0) #將某一塊分割出來，值越大分割出的間隙越大
# 中文亂碼和坐標軸負號處理
plt.rcParams['font.sans-serif'] = ['KaiTi']
plt.rcParams['axes.unicode_minus'] = False
patches,text1,text2 = plt.pie(sizes,
                      explode=explode,
                      labels=labels,
                      colors=colors,
                      autopct = '%3.2f%%', #數值保留固定小數位
                      shadow = False, #無陰影設置
                      startangle =90, #逆時針起始角度設置
                      pctdistance = 0.6) #數值距圓心半徑倍數距離
#patches餅圖的返回值，texts1餅圖外label的文本，texts2餅圖內部的文本
# x，y軸刻度設置一致，保證餅圖為圓形
plt.axis('equal')
plt.title("評分占比分布圖")
plt.legend() # 右上角顯示
plt.show()

import dtale
dtale.show(data,ignore_duplicate=True)

from autoviz.AutoViz_Class import AutoViz_Class
AV = AutoViz_Class()
dft = AV.AutoViz(filename =r'movie.csv')