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 3091 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《 Enter the World of Pandora 》, 日期为 2009-12-10 。
2.2 补全 runtime
缺失记录的电影 runtime 分别为 162 min 和 169 min。
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:
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 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 0 的数据。
此时剩余 4740 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
7 数据备份
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)
复制不了图
标签:tmdb,期中考试,电影,评分,5000,数据,1000 From: https://www.cnblogs.com/zhouzhengyang/p/17858257.html