? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?這是關(guān)于TMDB5000條電影數(shù)據(jù)的分析報告

? ? ? ?數(shù)據(jù)來源于Kaggle?https://www.kaggle.com/tmdb/tmdb-movie-metadata

報告分為：

? ? （1）提出問題

?? ?（2）認(rèn)識數(shù)據(jù)

?? ?（3）清洗數(shù)據(jù)

?? ?（4）分析數(shù)據(jù)

? ? （5）總結(jié)

（一）提出問題

???? （1）對電影類型的分析，電影類型主要有哪些，哪些電影類型數(shù)量最多，電影類型隨時間的變化，哪些電影的票房/利潤多，觀眾更喜歡那種類型的電影

???? （2）電影票房與哪些因素相關(guān)，電影受歡迎程度的分析

???? （3）UniversalPictures和Paramount Pictures這兩個公司產(chǎn)出電影的情況對比

???? （4）對電影導(dǎo)演，突出關(guān)鍵字，電影時長，電影產(chǎn)出地的情況進(jìn)行分析

???? （5）原創(chuàng)電影和非原創(chuàng)電影的分析

(二)認(rèn)識數(shù)據(jù)

? ? ? ?從https://www.kaggle.com/tmdb/tmdb-movie-metadata 下載數(shù)據(jù)集

? ? ? ?有tmdb_5000_credits.csv和tmdb_5000_movies.csv這兩個數(shù)據(jù)集，描述電影演員相關(guān)信息和每部電影的基本信息

可以看出credits有4803行4列數(shù)據(jù)

可以看出movies有4803行20列數(shù)據(jù)

2.數(shù)據(jù)清洗

(1)格式轉(zhuǎn)化
? ?credits數(shù)據(jù)中，cast、crew都是json的格式，需要將演員、導(dǎo)演讀取出來，以字符串格式顯示
? ?movies數(shù)據(jù)中g(shù)enres、keywords、production_companies、spoken_languages也是json格式，需要轉(zhuǎn)化成字符串

(a).credits? json解析

(b).movies? json解析

（2）合并數(shù)據(jù)

? credits和movies中都有movie_id和title,檢查這兩個字段是否是相同的

可以看出這兩個字段是相同的，將movies的title刪掉
?方法一：直接del DF['column-name']
?方法二：采用drop方法，有下面三種等價的表達(dá)式：
?1. DF= DF.drop('column_name', 1)；
?2. DF.drop('column_name',axis=1, inplace=True)

?3. DF.drop(DF.columns[ : ], axis=1,inplace=True)

df中有22個字段，分別為：
? movie_id : TMDB電影標(biāo)識號
? title : 電影名稱
? cast ：演員列表
? director ：導(dǎo)演
? budget ：預(yù)算（美元）
? genres ：風(fēng)格列表，電影類型
? homepage ：電影首頁的 URL
? id ：標(biāo)識號
? original_language ：電影語言
? original_title ：電影名稱
? overview ：劇情摘要
? popularity ：在 Movie Database 上的相對頁面查看次數(shù)
? production_companies ：制作公司
? production_countries ：制作國家
? release_date ：上映時間
? revenue ：收入
? runtime ：電影時長
? spoken_languages ：口語
? status ：狀態(tài)
? tagline ：電影的標(biāo)語
? vote_average ：平均評分

? vote_count ：評分次數(shù)

（3）字段及缺失值處理

可以看出director、release_date、runtime分別有30、1、2個缺失值，這里只處理release_date、runtime的缺失值

（三）數(shù)據(jù)分析及可視化

1.關(guān)于電影類型的分析

（1）獲取電影類型

可以看出電影的類型主要是這20種

（2）轉(zhuǎn)化日期格式

（3）電影類型與數(shù)量的關(guān)系

（1）分類型判斷每部電影屬于的類型

可以得到如果每行中包含哪個類型的就返回1，否則0

（2）建立包含電影類型和年份的數(shù)據(jù)框

可以看出電影的拍攝數(shù)量是從1992年開始大幅增加的

統(tǒng)計每個類型每年的數(shù)量

電影類型隨時間變化的趨勢（折線圖）

可以看出Drama和War這兩個類型是隨時間波動比較大的，增長較快，現(xiàn)在仍比較熱門

電影類型的數(shù)量關(guān)系（各個類型的總數(shù)量）

各個電影類型的數(shù)量條形圖

可以看出Drama和Comedy是數(shù)量最多的前兩個

各個電影類型的比例餅圖

Drama、Comedy、Thriller、Action這四個類型占了一半多比例，分別為18.9%，14.2%，10.5%，9.5%

（4）電影類型與利潤的關(guān)系

? （1）電影類型與利潤的關(guān)系

電影類型的利潤條形圖

可以看出Animation和Advanture,Fantasy這三個類型的電影是盈利最好的，而Foreign和TV Movie這兩個是會虧損的

（2）觀眾更喜歡哪種類型的電影

電影類型受歡迎的條形圖

可以看出觀眾最喜歡的四中類型是Adventure、Animation、Science Fiction、Fantasy

2.電影票房與哪些因素相關(guān)，電影受歡迎程度的分析

（1）每年的票房統(tǒng)計

電影的票房也是從1992開始大幅度增長的

（2）電影預(yù)算與票房的關(guān)系

可以看出票房和預(yù)算是正相關(guān)性的，預(yù)算越高票房也越高，除去一些極值

（3）電影評分與票房的關(guān)系

可以看出評分跟票房的相關(guān)性不是很強(qiáng)，評分跟票房大都集中在一個區(qū)域

（4）電影時長與票房的關(guān)系

（5）評分與受歡迎的關(guān)系

評分與受歡迎之間相關(guān)性不是很明顯，但是大部分受歡迎度高的，基本是評分高的

（6）電影時長與受歡迎的關(guān)系

觀眾喜歡的電影時長大多是90-160分鐘

3.Universal Pictures和Paramount Pictures這兩個公司產(chǎn)出電影的情況對比

（1）兩家公司電影數(shù)量對比

這兩個公司拍攝的電影是差不多的

（2）兩家公司的電影歲時間變化的趨勢對比

可以看出隨著時間的推移，Universal Pictures和Paramount Pictures公司的電影發(fā)行量呈現(xiàn)出增長趨勢，尤其是在1992年后增長迅速

（3）兩個公司的利潤對比

4.對電影導(dǎo)演，突出關(guān)鍵字，電影時長，電影產(chǎn)出地的情況進(jìn)行分析

（1）對電影的導(dǎo)演進(jìn)行分析

#direct=df['director'].value_counts()

#direct1=direct[:20]

*導(dǎo)演的拍攝數(shù)

拍攝電影數(shù)最多的四位導(dǎo)演是Steven Spielberg 、Woody Allen 、Martin Scorsese、Clint Eastwood? 分別為27、21、20、20

*評分前20的導(dǎo)演

這些導(dǎo)演的評分基本都差不多的

*票房前20的導(dǎo)演

票房最高的三位導(dǎo)演是Chris Buck、Kyle Balda、Lee Unkrich

（2）關(guān)鍵字分析

可以看出關(guān)鍵字顯示的主要是independent film、woman、murder這些字段

（3）電影時長的分析

可以看出評分較高的電影時長集中于80-150分鐘之間

（4）電影產(chǎn)地分析

可以看出美國是電影產(chǎn)出大國，超過一半比例

5.改編電影與原創(chuàng)電影的分析

（1）改編電影與原創(chuàng)電影數(shù)量對比

可以看出原創(chuàng)電影占絕大部分

（2）原創(chuàng)電影與改編電影預(yù)算、收入、利潤的對比

可以看出改編電影的預(yù)算略高于原創(chuàng)電影，但改編電影的票房收入和利潤遠(yuǎn)遠(yuǎn)高于原創(chuàng)電影

總結(jié)

以上是生活随笔為你收集整理的TMDB电影数据分析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。