王 S 聰想要在海外開拓萬 D 電影的市場，這次他在考慮：怎么拍商業電影才
能賺錢？畢竟一些制作成本超過 1 億美元的大型電影也會失敗。這個問題對電影
業來說比以往任何時候都更加重要。 所以，他就請來了你（數據分析師）來幫
他解決問題，給出一些建議，根據數據分析一下商業電影的成功是否存在統一公
式？以幫助他更好地進行決策。
解決的終極問題是： 電影票房的影響因素有哪些？
接下來我們就分不同的維度分析：
• 觀眾喜歡什么電影類型？有什么主題關鍵詞？
• 電影風格隨時間是如何變化的？
• 電影預算高低是否影響票房？
• 高票房或者高評分的導演有哪些？
• 電影的發行時間最好選在啥時候？
• 拍原創電影好還是改編電影好？
本次使用的數據來自於 Kaggle 平台（TMDb 5000 Movie Database）。收錄了
美國地區 1916-2017 年近 5000 部電影的數據，包含預算、導演、票房、電影評
分等信息。原始數據集包含 2 個文件：
• tmdb_5000_movies：電影基本信息，包含 20 個變量
• tmdb_5000_credits：演職員信息，包含 4 個變量
請使用 Python 編程，完成下列問題：
（1）使用附件中的 tmdb_5000_movies .csv 和 tmdb_5000_credits .csv 數據集，進
行數據清洗、數據挖掘、數據分析和數據可視化等，研究電影票房的影響因素有
哪些？從不同的維度分析電影，討論並分析你的結果。
（2）附件 tmdb_1000_predict.csv 中包含 1000 部電影的基本信息，請你選擇
合適的指標，進行特征提取，建立機器學習的預測模型，預測 1000 部電影的
vote_average 和 vote_count，並保存為 tmdb_1000_predicted.csv。
首先是數據清洗：在愛數科上進行
2.數據清洗
1.導入數據
2.缺失值處理
缺失記錄僅 3941條，采取網上搜索，補全信息。
2.1 補全 release_date
缺失記錄的電影標題為《America Is Still the Place》，日期為 2014-06-01。
2.2 補全 runtime
1. Chiamatemi Francesco - Il Papa della gente
2. To Be Frank, Sinatra at 100
缺失記錄的電影 runtime 分別為94min 和81min。
3 重復值處理
運行結果：有0個不重復的 id，可以認為沒有重復數據。
4 日期值處理
將release_date列轉換為日期類型：（兩種方式）
def changeRelease_date(): df['release_date'] = pd.to_datetime(df['release_date'])
5 篩選數據
使用數據分析師最喜歡的一個語法：
票房、預算、受歡迎程度、評分為負數或者0的數據應該去除；
五個不為負數或者0篩選條件，進行篩選
評分人數過低的電影，評分不具有統計意義，篩選評分人數大於178的數據。
此時剩余___2422___條數據，包含___20___個字段。
6 json 數據轉換
**說明：**genres,keywords,production_companies,production_countries,cast,crew 這6列都是json 數據，需要處理為列表進行分析。
處理方法：
json 本身為字符串類型，先轉換為字典列表，再將字典列表轉換為，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 數據備份
df_copy = df.copy() df.reset_index().to_csv("copy.csv")
數據清洗over
5 數據分析
5.1 why
想要探索影響票房的因素，從電影市場趨勢，觀眾喜好類型，電影導演，發行時間，評分與
關鍵詞等維度着手，給從業者提供合適的建議。
5.2 what
5.2.1 電影類型：定義一個集合，獲取所有的電影類型
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：空的單引號，所以需要去除。
5.2.1.1 電影類型數量（繪制條形圖）
采用pyecharts畫圖
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("電影類型數量", 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="電影類型數量")) page.add(bar)
5.2.1.2 電影類型占比（繪制餅圖）
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函數兩個部分組合在一起list(zip(x,y))-----> [(x,y)] pie.set_global_opts(title_opts=opts.TitleOpts(title="電影類型占比")) # 標題 pie.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%")) # 數據標簽設置 pie.render('first_bar.html') page.add(pie)
5.2.1.3 電影類型變化趨勢（繪制折線圖）
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="電影類型變化趨勢", )) line.set_series_opts(label_opts=opts.LabelOpts(is_show=False)) line.render_notebook() page.add(line)
5.2.1.4 不同電影類型預算/利潤（繪制組合圖）
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)) # 這里可以選擇主題 .add_xaxis(df_all.index.values.tolist()) .add_yaxis("利潤/預算", 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="不同電影類型預算/利潤"), yaxis_opts=opts.AxisOpts( axislabel_opts=opts.LabelOpts(formatter="{value}/千萬") ), 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("平均預算", budg, stack="stack1").add_yaxis("平均利潤", 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 電影關鍵詞（keywords 關鍵詞分析，繪制詞雲圖）
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: # 為空列表 濾掉 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 的類型，發現是 object 類型，也就是字符串，所以，先進行數據轉化。
print(df.runtime)
先將其轉換為數值類型，int
df.runtime = df.runtime.astype(int) print(df.runtime))
5.3.1 電影時長（繪制電影時長直方圖）
直方圖pyecharts畫不了
所以使用matplotlib畫
def RunTime(): df.runtime = df.runtime.astype(float) sns.set_style('white') movie_duration = df.runtime plt.figure(figsize=(20, 8), dpi=100) # 設置組距 distance = 5 group_num = int((max(movie_duration) - min(movie_duration)) / distance) # 計算組數 # 繪制直方圖用 數據、組數 兩個參數 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('電影時長大小') plt.ylabel('電影的數據量') plt.savefig('img/電影時長直方圖.png') plt.show()
5.3.2 發行時間（繪制每月電影數量和單片平均票房）
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("電影數量", df_number.values.tolist()) bar.add_yaxis("單片平均票房/百萬", y2) bar.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right')) bar.set_global_opts(title_opts=opts.TitleOpts(title="每月電影數量和單片平均票房")) page.add(bar)
5.4 where
本數據集收集的是美國地區的電影數據，對於電影的制作公司以及制作國家，在本次的故事背景下不作分析。
5.5 who
5.5.1 分析票房分布及票房 Top10 的導演
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) # 設置組距 distance = 5 group_num = int(max(ss) - min(ss)) # 計算組數 # 繪制直方圖用 數據、組數 兩個參數 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('電影票房/億') plt.ylabel('電影的數據量') 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("總票房/億", 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導演")) page.add(bar)
5.5.2 分析評分分布及評分 Top10 的導演
def VoteSpread(): sns.set_style('white') movie_average = df['vote_average'] print(movie_average) plt.figure(figsize=(20, 8), dpi=100) # 設置組距 distance = 5 group_num = int((max(movie_average) - min(movie_average))) # 計算組數 # 繪制直方圖用 數據、組數 兩個參數 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('電影評分') plt.ylabel('電影的數據量') plt.savefig('img/評分分布.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("評分", 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="評分Top10導演")) page.add(bar)
發現數據中大多數電影都是8分，沒有小數位，導致統計結果出現相同情況，所以按照在評分為8的前提下，根據popularity又進行了一次排序
5.6 how
5.6.1 原創 VS 改編占比（餅圖）
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 = ["原創", "改編"] value = [len(df.values.tolist()) - count, count] pie.add("", [list(z) for z in zip(name, value)]) # zip函數兩個部分組合在一起list(zip(x,y))-----> [(x,y)] pie.set_global_opts(title_opts=opts.TitleOpts(title="原創 VS 改編")) # 標題 pie.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%")) # 數據標簽設置 pie.render('first_bar.html') page.add(pie)
5.6.2 原創 VS 改編預算/利潤率（組合圖）
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)) # 這里可以選擇主題 .add_xaxis(['原創', '改編']) .add_yaxis("利潤率", 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="原創 VS 改編預算/利潤率"), yaxis_opts=opts.AxisOpts( axislabel_opts=opts.LabelOpts(formatter="{value}/千萬") ), 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(['原創', '改編']).add_yaxis("平均預算", yusuan, stack="stack1").add_yaxis("平均利潤", 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 計算相關系數（票房相關系數矩陣）
def RelatedNumber(): df.drop(columns=['id', 'ids'], inplace=True) print(df) dfData = df.corr() plt.subplots(figsize=(9, 9)) # 設置畫面大小 sns.heatmap(dfData, annot=True, vmax=1, square=True, cmap="Oranges") plt.savefig('img/相關系數矩陣.png') plt.show()
5.7.2 票房影響因素散點圖
def sandiantu(): scatter = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT)) scatter.add_xaxis(df['budget']) scatter.add_yaxis("利潤", df['revenue']) scatter.set_global_opts( xaxis_opts=opts.AxisOpts( type_="value", name="預算", ), yaxis_opts=opts.AxisOpts( name="利潤" ) ) scatter.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='left')) scatter.set_global_opts(title_opts=opts.TitleOpts(title="預算對利潤的影響散點圖")) scatter1 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT)) scatter1.add_xaxis(df['runtime']) scatter1.add_yaxis("利潤", df['revenue']) scatter1.set_global_opts( xaxis_opts=opts.AxisOpts( type_="value", name="電影時長", ), yaxis_opts=opts.AxisOpts( name="利潤" ) ) scatter1.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right')) scatter1.set_global_opts(title_opts=opts.TitleOpts(title="電影時長對利潤的影響散點圖")) scatter2 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT)) scatter2.add_xaxis(df['vote_average']) scatter2.add_yaxis("利潤", df['revenue']) scatter2.set_global_opts( xaxis_opts=opts.AxisOpts( type_="value", name="評分", ), yaxis_opts=opts.AxisOpts( name="利潤" ) ) scatter2.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right')) scatter2.set_global_opts(title_opts=opts.TitleOpts(title="評分對利潤的影響散點圖")) scatter3 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT)) scatter3.add_xaxis(df['vote_count']) scatter3.add_yaxis("利潤", df['revenue']) scatter3.set_global_opts( xaxis_opts=opts.AxisOpts( type_="value", name="評分人數", ), yaxis_opts=opts.AxisOpts( name="利潤" ) ) scatter3.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right')) scatter3.set_global_opts(title_opts=opts.TitleOpts(title="評分人數對利潤的影響散點圖")) scatter4 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT)) scatter4.add_xaxis(df['popularity']) scatter4.add_yaxis("利潤", df['revenue']) scatter4.set_global_opts( xaxis_opts=opts.AxisOpts( type_="value", name="受歡迎度", ), yaxis_opts=opts.AxisOpts( name="利潤" ) ) scatter4.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right')) scatter4.set_global_opts(title_opts=opts.TitleOpts(title="受歡迎度對利潤的影響散點圖")) scatter5 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT)) #range(1950, 2020, 1) scatter5.add_xaxis(df['release_year']) scatter5.add_yaxis("利潤", df['revenue']) scatter5.set_global_opts( xaxis_opts=opts.AxisOpts( type_="value", name="上映年份", min_=1900 ), yaxis_opts=opts.AxisOpts( name="利潤" ) ) scatter5.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right')) scatter5.set_global_opts(title_opts=opts.TitleOpts(title="上映年份對利潤的影響散點圖")) page.add(scatter, scatter1, scatter2, scatter3,scatter4,scatter5)
6 對附件的 tmdb_1000_predicted.csv 的預測結果
使用sklearn對tmdb_1000_predicted.csv進行預測
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.獲取數據 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.數據基本處理 # 2.1 數據集划分 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 --標准化 transfer = StandardScaler() x_train = transfer.fit_transform(x_train) x_test = transfer.fit_transform(x_test) # 4.機器學習(線性回歸) # 4.1 模型訓練 estimator =Ridge() estimator.fit(x_train, y_train) print("這個模型的偏置是:\n", estimator.intercept_) # 4.2 模型保存 joblib.dump(estimator, "save/test.pkl") # 4.3 模型加載 estimator = joblib.load("save/test.pkl") # 5.模型評估 # 5.1 預測值和准確率 y_pre = estimator.predict(x_test) print("預測值是:\n", y_pre) score = estimator.score(x_test, y_test) print("准確率是:\n", score) ret = mean_squared_error(y_test, y_pre) print("均方誤差是:\n", ret) if __name__ == '__main__': dump_load_demo()
正確率75%，很難再往上調了。
預測支持人數：
預測評分：
綜上所述，我們可以得到如下結論：
1.劇情類，喜劇類，驚悚類，動作類電影類型量較多，占據所有類型的50%，且這些類型數量也在不斷增長，因此電影類型可以向這四類靠攏。
2.根據關鍵詞詞雲，可以發現based on novel數量較多，電影可以着手嘗試小說改編，同時，violence、murder，revenge，sequel，prison，police也不少，可以拍攝監獄犯罪、暴力對抗，不斷復仇，且有續集的電影。
3.根據預算與利潤我們可以分析出來：
① 總體來說，這些電影類型都是盈利的，不同的是利潤率
② 還有預算的投入
③ 雖然Documentary類型電影的利潤率最高，但是預算低，它的利潤相對來說也低，如果是小成本電影公司的話，可以嘗試此類電影，如果事大公司可以嘗試高預算且高利潤的電影，比如Animation，Family，Fantasy，Advanture等等，都有着相對較高的利潤
4.根據每月電影數量和單片平均票房，發現電影數量在6、9、12月數量較多，而電影票房在5月份最高，其次是6、11、12，因此，可以嘗試在5月發行電影，有着數量較少的電影，可以減少競爭力，還有着不錯的票房收入。
5.根據電影時長分布，電影控制在98~108分鍾是最好的選擇。
6.根據電影票房分布，發現總體票房集中在1~2億美元之間
7.根據票房Top10導演，票房最高為史蒂芬·斯皮爾伯格，第二彼得·傑克遜，第三詹姆斯·卡梅隆，第四邁克爾·貝，可以嘗試找這些導演拍攝影片，這些都是電影票房的保障，可以獲得許多利潤。
8.根據評分分布，發現大部分電影評分集中在7~8分之間
9.根據評分Top10導演，可以選擇詹姆斯·馬什，丹·吉爾羅伊，約什·布恩等等導演，這些導演的影片評分都很不錯，可以留下較好的名譽。
10.根據原創VS改編，發現還是原創居多，可以嘗試原創，但是改編也是不錯的選擇。根據原創VS改編的利潤率，發現改編要比原創高，所以可以嘗試改編，畢竟還有很多原著黨。
11.根據相關系數矩陣，可以發現電影影響因素有很多，期間相互影響也是甚多，比如vote_count與票房就有很大的關系，vote_count和popularity有着71%的聯系，預算與票房也達到了69%的關系，但是也從中看出，評分對票房的影響並不大，呈現負數，可能是跟數據本身有關。
12.根據散點圖，得到以下分析：
①預算對票房的影響是逐步上升的，想要提高票房可以適當提高預算。
②電影時長集中在100-150分鍾可以有更高的票房
③評分人數越多，會有更高的票房
④受歡迎度對票房的影響是逐步上升的，受歡迎度越高，票房也就越高。