一、碎碎念

????因?yàn)楣ぷ魃嫌杏玫紼xcel做數(shù)據(jù)分析，之后慢慢接觸到了Python做分析，做挖掘等。再然后就遇到了Kaggle這個(gè)網(wǎng)站，發(fā)現(xiàn)這里真是讓人提升技能的圣地。一直在找些可以提升自己數(shù)據(jù)分析技能、思維的項(xiàng)目來(lái)練習(xí)，下面主要會(huì)展示一些自己的分析思路，可視化圖表，以及代碼。
? ? 我的分析環(huán)境是win7 64位 ，anaconda-spyder（Python3.6）

? ? 看了kaggle上這個(gè)項(xiàng)目各路大神的代碼思路，然后自己也躍躍欲試要操刀一練。分析完這個(gè)項(xiàng)目，給自己的領(lǐng)悟是對(duì)于部分的語(yǔ)法，函數(shù)，有個(gè)進(jìn)一步的理解，對(duì)于分析項(xiàng)目應(yīng)該怎么一步步的分析也有了更新，在初識(shí)這個(gè)項(xiàng)目的時(shí)候是直接杠正面各種嘗試，各種推理，畢竟一個(gè)人閉門(mén)造車(chē)有時(shí)候會(huì)造不出車(chē)。

? ? 寫(xiě)這篇文章也算是對(duì)這個(gè)項(xiàng)目的一個(gè)回顧和總結(jié)。

? ? 提醒一點(diǎn)，在kaggle上注冊(cè)賬號(hào)是可以的，但是要通過(guò)郵箱激活賬戶的時(shí)候需要一個(gè)VPN。（我用的163的郵箱）

二、項(xiàng)目背景

本文中用到的數(shù)據(jù)文件：tmdb_5000_movies.csv、tmdb_5000_credits.csv是Kaggle平臺(tái)上的項(xiàng)目TMDB(The Movie Database)，共計(jì)4803部電影，主要為美國(guó)地區(qū)一百年間（1916-2017）的電影作品。

本文通過(guò)對(duì)電影數(shù)據(jù)的分析，利用數(shù)據(jù)可視化的方法，發(fā)現(xiàn)流行趨勢(shì)，找到投資方向，為本行業(yè)新入局者提供一定參考建議。同時(shí)也為了提升自己的數(shù)據(jù)分析能力，在遇到類(lèi)似項(xiàng)目可以觸類(lèi)旁通。

三、項(xiàng)目概覽

點(diǎn)擊下圖可以直接鏈接到Kaggle對(duì)應(yīng)的項(xiàng)目：

下面是官網(wǎng)內(nèi)容簡(jiǎn)介：

Background
What can we say about the success of a movie before it is released? Are there certain companies (Pixar?) that have found a consistent formula? Given that major films costing over $100 million to produce can still flop, this question is more important than ever to the industry. Film aficionados might have different interests. Can we predict which films will be highly rated, whether or not they are a commercial success?

This is a great place to start digging in to those questions, with data on the plot, cast, crew, budget, and revenues of several thousand films.

We (Kaggle) have removed the original version of this dataset per a?DMCA?takedown request from IMDB. In order to minimize the impact, we're replacing it with a similar set of films and data fields from The Movie Database (TMDb) in accordance with?their terms of use. The bad news is that kernels built on the old dataset will most likely no longer work.

The good news is that:

• You can port your existing kernels over with a bit of editing.?This kernel?offers functions and examples for doing so. You can also find?a general introduction to the new format here.

• The new dataset contains full credits for both the cast and the crew, rather than just the first three actors.

• Actor and actresses are now listed in the order they appear in the credits. It's unclear what ordering the original dataset used; for the movies I spot checked it didn't line up with either the credits order or IMDB's stars order.

• The revenues appear to be more current. For example, IMDB's figures for Avatar seem to be from 2010 and understate the film's global revenues by over $2 billion.

• Some of the movies that we weren't able to port over (a couple of hundred) were just bad entries. For example,?this IMDB entry?has basically no accurate information at all. It lists Star Wars Episode VII as a documentary.

• Several of the new columns contain json. You can save a bit of time by porting the load data functions from this kernel.

• Even in simple fields like runtime may not be consistent across versions. For example, previous dataset shows the duration for Avatar's extended cut while TMDB shows the time for the original version.

• There's now a separate file containing the full credits for both the cast and crew.

• All fields are filled out by users so don't expect them to agree on keywords, genres, ratings, or the like.

• Your existing kernels will continue to render normally until they are re-run.

• If you are curious about how this dataset was prepared, the code to access TMDb's API is posted?here.

四、前置思路

? ? “運(yùn)籌帷幄，決勝千里。”古時(shí)候老司機(jī)的話對(duì)我們進(jìn)行數(shù)據(jù)分析時(shí)依然有用。

? ? 我的習(xí)慣看到一個(gè)項(xiàng)目，先打開(kāi)數(shù)據(jù)文件看看其中的數(shù)據(jù)是什么樣子的，大概有多少字段，每個(gè)字段里的數(shù)據(jù)是個(gè)什么類(lèi)型。

俗話說(shuō)得好，讓自己有點(diǎn)B數(shù)。

????Kaggle平臺(tái)上下載2個(gè)原始數(shù)據(jù)集：tmdb_5000_movies.csv和tmdb_5000_credits.csv，前者存放電影的基本信息，后者存放電影的演職員名單。

????不管怎么樣的數(shù)據(jù)分析任務(wù)都需要遵從一個(gè)標(biāo)準(zhǔn)流程，有了流程指導(dǎo)，分析思路和處理過(guò)程才不會(huì)讓自己進(jìn)入迷失森林。

????數(shù)據(jù)分析的流程：1.提出問(wèn)題2.理解數(shù)據(jù)3.數(shù)據(jù)清洗4.建立模型5.數(shù)據(jù)可視化6.形成數(shù)據(jù)分析報(bào)告

五、提出問(wèn)題

????如果我是電影行業(yè)的數(shù)據(jù)分析師，一定要讓自己身臨其境站在制作公司的角度出發(fā)去思考。（這一點(diǎn)很關(guān)鍵）

????現(xiàn)在公司要制作電影，想知道電影預(yù)算、評(píng)分與票房的關(guān)系，各種電影類(lèi)型隨時(shí)間變化的趨勢(shì)圖，電影產(chǎn)量、票房的趨勢(shì)，哪些風(fēng)格電影最受歡迎等問(wèn)題，則可提出如下問(wèn)題：?

問(wèn)題1：電影風(fēng)格隨時(shí)間的變化趨勢(shì)?

問(wèn)題2：不同風(fēng)格電影的收益能力

問(wèn)題3：比較行業(yè)內(nèi)Universal Pictures與Paramount Pictures兩家巨頭公司的業(yè)績(jī)

問(wèn)題4：票房收入與哪些因素最相關(guān)

六、理解數(shù)據(jù)

下面的變量名是數(shù)據(jù)中出現(xiàn)的，也是2個(gè)數(shù)據(jù)表格中的列名。????

????

七、數(shù)據(jù)清洗

數(shù)據(jù)清洗主要分三步：1.數(shù)據(jù)預(yù)處理；2.特征提取；3.特征選取。

7.1 數(shù)據(jù)預(yù)處理

在數(shù)據(jù)預(yù)處理時(shí)，主要包括：發(fā)現(xiàn)和填補(bǔ)缺失值、數(shù)據(jù)類(lèi)型轉(zhuǎn)換、異常值刪除等。數(shù)據(jù)中release_date列缺失1條數(shù)據(jù)，runtime列缺失2條數(shù)據(jù)，均可通過(guò)索引的方式找到具體是哪一部電影，然后上網(wǎng)搜索準(zhǔn)確的缺失數(shù)據(jù)，將其填補(bǔ)（詳見(jiàn)后續(xù)代碼）。對(duì)于release_date列，需將其轉(zhuǎn)換為日期類(lèi)型，然后提取出“年份”數(shù)據(jù)。

7.2 特征提取

在我們處理數(shù)據(jù)的過(guò)程中：通過(guò)json.loads先將JSON字符串轉(zhuǎn)換為字典列表"[{},{},{}]"的形式，再遍歷每個(gè)字典，取出鍵(key)為‘name’所對(duì)應(yīng)的值(value)，并將這些值(value)用“|”分隔，形成一個(gè)“多選題”的結(jié)構(gòu)。在進(jìn)行具體問(wèn)題分析的時(shí)候，再將“多選題”編碼為虛擬變量，即所有多選題的每一個(gè)不重復(fù)的選項(xiàng)，拿出來(lái)作為新變量，每一條觀測(cè)包含該選項(xiàng)則填1，否則填0。

7.3 特征選取

在分析每一個(gè)小問(wèn)題之前，最重要的步驟是需要通過(guò)特征選取，構(gòu)造出適合分析的結(jié)構(gòu)，只有結(jié)構(gòu)“造”對(duì)了，后續(xù)的可視化才能得出正確的圖形。

這里的小竅門(mén)就是：分析每一個(gè)小問(wèn)題時(shí)，盡量新建一個(gè)數(shù)據(jù)框，存放要分析的變量，而不是在原始數(shù)據(jù)框上“亂涂亂畫(huà)”，否則最后必定抓狂。

八、數(shù)據(jù)可視化

本次使用到的圖形類(lèi)型有：柱狀圖、餅圖、散點(diǎn)圖。

九、代碼部分

????首先我們需要代入一些用到的包，并不是一下子就要導(dǎo)入pandas、numpy、matplotlib等等，包是在寫(xiě)代碼的時(shí)候遇到問(wèn)題一個(gè)個(gè)添加的，然后寫(xiě)到最前面。

9.1理解數(shù)據(jù)

import numpy as np import pandas as pd import matplotlib.pyplot as plt import matplotlib #%matplotlib inline import json import warnings warnings.filterwarnings('ignore')import seaborn as sns sns.set(color_codes=True)#設(shè)置表格用什么字體 font = {'family' : 'SimHei' } matplotlib.rc('font', **font)#導(dǎo)入數(shù)據(jù) movies = pd.read_csv('C:\\kaggle_from0\\tmdb_5000_movies\\tmdb_5000_movies.csv') creditss = pd.read_csv('C:\\kaggle_from0\\tmdb_5000_movies\\tmdb_5000_credits.csv')#查看movies中數(shù)據(jù) movies.head()#查看movies中所有列名，以字典形式存儲(chǔ) movies.columns##查看creditss中數(shù)據(jù) creditss.head()#查看creditss中所有列名，以字典形式存儲(chǔ),一共4個(gè)列名 creditss.columns#兩個(gè)數(shù)據(jù)框中的title列重復(fù)了，刪除credits中的title列，還剩3個(gè)列名 del creditss['title'] #movies中的id列與credits中的movie_id列實(shí)際上等同，可當(dāng)做主鍵合并數(shù)據(jù)框 full = pd.merge(movies, creditss, left_on='id', right_on='movie_id', how='left')#某些列不在本次研究范圍，將其刪除 full.drop(['homepage','original_title','overview','spoken_languages','status','tagline','movie_id'],axis=1,inplace=True)#查看數(shù)據(jù)信息，每個(gè)字段數(shù)據(jù)量。 full.info()

9.2數(shù)據(jù)清洗

首先，判斷哪些列有缺失值，以Ture=缺失， False=不缺失，得到release_date，runtime有缺失值。

full.isnull().any()

release_date列有1條缺失數(shù)據(jù)，將其查找出來(lái)

full.loc[full['release_date'].isnull()==True]

根據(jù)title經(jīng)上網(wǎng)搜索，該影片上映日期為2014年6月1日，填補(bǔ)該值

full['release_date'] = full['release_date'].fillna('2014-06-01')

runtime列有2條缺失數(shù)據(jù)，將其查找出來(lái)

full.loc[full['runtime'].isnull()==True]

根據(jù)title經(jīng)上網(wǎng)搜索，影片時(shí)長(zhǎng)分別為94分鐘和240分鐘，填補(bǔ)缺失值

full['runtime'] = full['runtime'].fillna(94, limit=1)#limit=1，限制每次只填補(bǔ)一個(gè)值 full['runtime'] = full['runtime'].fillna(240, limit=1)

將release_date列轉(zhuǎn)換為日期類(lèi)型

full['release_date'] = pd.to_datetime(full['release_date'], format='%Y-%m-%d', errors='coerce').dt.year

genres,keywords,production_companies,production_countries,cast,crew列為json類(lèi)型
需要解析json數(shù)據(jù)，分兩步：
1. json本身為字符串類(lèi)型，先轉(zhuǎn)換為字典列表

2. 再將字典列表轉(zhuǎn)換為，以'|'分割的字符串

定義一個(gè)json類(lèi)型的列名列表

json_column = ['genres','keywords','production_companies','production_countries','cast','crew']

將各json列轉(zhuǎn)換為字典列表

for column in json_column:full[column]=full[column].map(json.loads)

函數(shù)功能：將字典內(nèi)的鍵‘name’對(duì)應(yīng)的值取出，生成用'|'分隔的字符串

def getname(x):list = []for i in x:list.append(i['name'])return '|'.join(list) 對(duì)genres,keywords,production_companies,production_countries列執(zhí)行函數(shù)
for column in json_column[0:4]:full[column] = full[column].map(getname)

定義提取2名主演的函數(shù)：

def getcharacter(x):list = []for i in x:list.append(i['character'])return '|'.join(list[0:2])

對(duì)cast列執(zhí)行函數(shù)

full['cast']=full['cast'].map(getcharacter)

定義提取導(dǎo)演的函數(shù)：

def getdirector(x):list=[]for i in x:if i['job']=='Director':list.append(i['name'])return "|".join(list)

對(duì)crew列執(zhí)行函數(shù)

full['crew']=full['crew'].map(getdirector)

重命名列

rename_dict = {'release_date':'year','cast':'actor','crew':'director'} full.rename(columns=rename_dict, inplace=True)

查看full表格中前2行數(shù)據(jù)

full.head(2)

備份原始數(shù)據(jù)框original_df

original_df = full.copy()

到此為止，我們的數(shù)據(jù)預(yù)處理告一段落。

9.3數(shù)據(jù)可視化

9.3.1問(wèn)題1：研究電影風(fēng)格隨時(shí)間的變化趨勢(shì)，提取所有的電影風(fēng)格，存儲(chǔ)在有去重功能的集合中。

genre_set = set() #設(shè)置空集合 for x in full['genres']:genre_set.update(x.split('|')) #genres數(shù)據(jù)以'|'來(lái)分隔 genre_set.discard('') #刪除''字符 對(duì)各種電影風(fēng)格genre，進(jìn)行one-hot編碼
genre_df = pd.DataFrame() # 創(chuàng)建空的數(shù)據(jù)框 for genre in genre_set:#如果一個(gè)值中包含特定內(nèi)容，則編碼為1，否則編碼為0genre_df[genre] = full['genres'].str.contains(genre).map(lambda x:1 if x else 0)

將原數(shù)據(jù)集中的year列，添加至genre_df數(shù)據(jù)框中

genre_df['year']=full['year']

將genre_df按year分組，計(jì)算每組之和。groupby之后，year列通過(guò)默認(rèn)參數(shù)as_index=True自動(dòng)轉(zhuǎn)化為df.index

genre_by_year = genre_df.groupby('year').sum() genresum_by_year = genre_by_year.sum().sort_values(ascending=False)

計(jì)算每個(gè)風(fēng)格genre的電影總數(shù)目，并降序排列，再可視化

fig = plt.figure(figsize=(15,11)) #設(shè)置畫(huà)圖框的大小 ax = plt.subplot(1,1,1) #設(shè)置框的位置 ax = genresum_by_year.plot.bar() plt.xticks(rotation=60) plt.title('Film genre by year', fontsize=18) #設(shè)置標(biāo)題的字體大小，標(biāo)題名 plt.xlabel('count', fontsize=18) #X軸名及軸名大小 plt.ylabel('genre', fontsize=18) #y軸名及軸名大小 plt.show() #可以用查看數(shù)據(jù)畫(huà)的圖。 #保存圖片 fig.savefig('film genre by year.png',dpi=600)

篩選出電影風(fēng)格TOP8

genre_by_year = genre_by_year[['Drama','Comedy','Thriller','Romance','Adventure','Crime', 'Science Fiction','Horror']].loc[1960:,:] year_min = full['year'].min() #最小年份 year_max = full['year'].max() #最大年份

可視化電影風(fēng)格genre隨時(shí)間的變化趨勢(shì)(1960年至今)

fig = plt.figure(figsize=(10,8)) ax1 = plt.subplot(1,1,1) plt.plot(genre_by_year) plt.xlabel('Year', fontsize=12) plt.ylabel('Film count', fontsize=12) plt.title('Film count by year', fontsize=15) plt.xticks(range(1960, 2017, 10)) #橫坐標(biāo)每隔10年一個(gè)刻度 #plt.legend(loc='best',ncol=2) #https://blog.csdn.net/you_are_my_dream/article/details/53440964 plt.legend(['Drama(戲劇類(lèi))','Comedy(喜劇類(lèi))','Thriller(驚悚類(lèi))','Romance(浪漫類(lèi))','Adventure(Adventure)','Crime(犯罪類(lèi))', 'Science Fiction(科幻類(lèi))','Horror(驚恐類(lèi))'], loc='best',ncol=2) #設(shè)置說(shuō)明標(biāo)簽 fig.savefig('film count by year.png',dpi=200)

可以看出，從上世紀(jì)90年代開(kāi)始，整個(gè)電影市場(chǎng)呈現(xiàn)爆發(fā)式增長(zhǎng)。其中，排名前五的戲劇類(lèi)（Drama）、喜劇類(lèi)（Comedy）、驚悚類(lèi)（Thriller）、浪漫類(lèi)（Romance）、冒險(xiǎn)類(lèi)（Adventure）電影數(shù)量增長(zhǎng)顯著。

9.3.2問(wèn)題2：不同風(fēng)格電影的收益能力

增加收益列

full['profit'] = full['revenue']-full['budget']

創(chuàng)建收益數(shù)據(jù)框

profit_df = pd.DataFrame()#創(chuàng)建空的數(shù)據(jù)框 profit_df = pd.concat([genre_df.iloc[:,:-1],full['profit']],axis=1) #合并 profit_df.head()#查看新數(shù)據(jù)框信息

創(chuàng)建一個(gè)Series，其index為各個(gè)genre，值為按genre分類(lèi)計(jì)算的profit之和

profit_by_genre = pd.Series(index=genre_set) for genre in genre_set:profit_by_genre.loc[genre]=profit_df.loc[:,[genre,'profit']].groupby(genre, as_index=False).sum().loc[1,'profit'] print(profit_by_genre) 創(chuàng)建一個(gè)Series，其index為各個(gè)genre，值為按genre分類(lèi)計(jì)算的budget之和
budget_df = pd.concat([genre_df.iloc[:,:-1],full['budget']],axis=1) budget_df.head(2) budget_by_genre = pd.Series(index=genre_set) for genre in genre_set:budget_by_genre.loc[genre]=budget_df.loc[:,[genre,'budget']].groupby(genre,as_index=False).sum().loc[1,'budget'] print(budget_by_genre)

向合并數(shù)據(jù)框

profit_rate = pd.concat([profit_by_genre, budget_by_genre],axis=1) profit_rate.columns=['profit','budget'] #更改列名

加收益率列

profit_rate['profit_rate'] = (profit_rate['profit']/profit_rate['budget'])*100 profit_rate.sort_values(by=['profit','profit_rate'], ascending=False, inplace=True) #print(profit_rate)

x為索引長(zhǎng)度的序列

x = list(range(len(profit_rate.index)))

可視化不同風(fēng)格電影的收益（柱狀圖）和收益率（折線圖）

fig = plt.figure(figsize=(18,13)) ax1 = fig.add_subplot(111) plt.bar(x, profit_rate['profit'],label='profit',alpha=0.7) plt.xticks(x,xl,rotation=60,fontsize=12) plt.yticks(fontsize=12) ax1.set_title('Profit by genres', fontsize=20) ax1.set_ylabel('Film Profit',fontsize=18) ax1.set_xlabel('Genre',fontsize=18) ax1.set_ylim(0,1.2e11) ax1.legend(loc=2,fontsize=15)

次縱坐標(biāo)軸標(biāo)簽設(shè)置為百分比顯示

import matplotlib.ticker as mtick ax2 = ax1.twinx() ax2.plot(x, profit_rate['profit_rate'],'ro-',lw=2,label='profit_rate') fmt='%.2f%%' yticks = mtick.FormatStrFormatter(fmt) ax2.yaxis.set_major_formatter(yticks) plt.xticks(x,xl,fontsize=12,rotation=60) plt.yticks(fontsize=15) ax2.set_ylabel('Profit_rate',fontsize=18) ax2.legend(loc=1,fontsize=15) plt.grid(False) #保存圖片 fig.savefig('profit by genres.png')

9.3.3問(wèn)題3：比較Universal Pictures與Paramount Pictures兩家巨頭公司的業(yè)績(jī)

創(chuàng)建公司數(shù)據(jù)框

company_list = ['Universal Pictures', 'Paramount Pictures'] company_df = pd.DataFrame() for company in company_list:company_df[company]=full['production_companies'].str.contains(company).map(lambda x:1 if x else 0) company_df = pd.concat([company_df,genre_df.iloc[:,:-1],full['revenue']],axis=1)

創(chuàng)建巨頭對(duì)比數(shù)據(jù)框

Uni_vs_Para = pd.DataFrame(index=['Universal Pictures', 'Paramount Pictures'],columns=company_df.columns[2:])

計(jì)算兩家公司各自收益總額

Uni_vs_Para.loc['Universal Pictures']=company_df.groupby('Universal Pictures',as_index=False).sum().iloc[1,2:] Uni_vs_Para.loc['Paramount Pictures']=company_df.groupby('Paramount Pictures',as_index=False).sum().iloc[1,2:]

可視化兩公司票房收入對(duì)比

fig = plt.figure(figsize=(4,3)) ax = fig.add_subplot(111) Uni_vs_Para['revenue'].plot(ax=ax,kind='bar') plt.xticks(rotation=0) plt.title('Universal VS. Paramount') plt.ylabel('Revenue') fig.savefig('Universal vs Paramount by revenue.png')

"""Universal Pictrues總票房收入高于Paramount Pictures"""

Uni_vs_Para = Uni_vs_Para.T

分解兩公司數(shù)據(jù)框

universal = Uni_vs_Para['Universal Pictures'].iloc[:-1] paramount = Uni_vs_Para['Paramount Pictures'].iloc[:-1]

將universal數(shù)量排名9之后的加和，命名為others

universal['others']=universal.sort_values(ascending=False).iloc[8:].sum() universal = universal.sort_values(ascending=True).iloc[-9:] 將paramount數(shù)量排名9之后的加和，命名為others
paramount['others']=paramount.sort_values(ascending=False).iloc[8:].sum() paramount = paramount.sort_values(ascending=True).iloc[-9:]

可視化兩公司電影風(fēng)格數(shù)量占比

fig = plt.figure(figsize=(13,6)) ax1 = plt.subplot(1,2,1) ax1 = plt.pie(universal, labels=universal.index, autopct='%.2f%%',startangle=90,pctdistance=0.75) plt.title('Universal Pictures',fontsize=15)ax2 = plt.subplot(1,2,2) ax2 = plt.pie(paramount, labels=paramount.index, autopct='%.2f%%',startangle=90,pctdistance=0.75) plt.title('Paramount Pictures',fontsize=15)

9.3.4問(wèn)題4：看看票房與哪些因素有關(guān)

計(jì)算相關(guān)系數(shù)矩陣 full[['runtime','popularity','vote_average','vote_count','budget','revenue']].corr() 受歡迎度和票房相關(guān)性：0.64
評(píng)價(jià)次數(shù)和票房相關(guān)性：0.78

電影預(yù)算和票房相關(guān)性：0.73

創(chuàng)建票房收入數(shù)據(jù)框

revenue = full[['popularity','vote_count','budget','revenue']]

可視化票房收入分別與受歡迎度（藍(lán)）、評(píng)價(jià)次數(shù)（綠）、電影預(yù)算（紅）的相關(guān)性散點(diǎn)圖，并配線性回歸線。

fig = plt.figure(figsize=(17,5)) ax1 = plt.subplot(1,3,1) ax1 = sns.regplot(x='popularity', y='revenue', data=revenue, x_jitter=.1) ax1.text(400,2e9,'r=0.64',fontsize=15) plt.title('revenue by popularity',fontsize=15) plt.xlabel('popularity',fontsize=13) plt.ylabel('revenue',fontsize=13)ax2 = plt.subplot(1,3,2) ax2 = sns.regplot(x='vote_count', y='revenue', data=revenue, x_jitter=.1,color='g',marker='+') ax2.text(6800,1.1e9,'r=0.78',fontsize=15) plt.title('revenue by vote_count',fontsize=15) plt.xlabel('vote_count',fontsize=13) plt.ylabel('revenue',fontsize=13)ax3 = plt.subplot(1,3,3) ax3 = sns.regplot(x='budget', y='revenue', data=revenue, x_jitter=.1,color='r',marker='^') ax3.text(1.6e8,2.2e9,'r=0.73',fontsize=15) plt.title('revenue by budget',fontsize=15) plt.xlabel('budget',fontsize=13) plt.ylabel('revenue',fontsize=13) fig.savefig('revenue.png')

電影評(píng)次與票房收入最相關(guān)（綠色），電影預(yù)算與票房收入高度相關(guān)（紅色），受歡迎度與評(píng)次高度相關(guān)，因此與票房收入相關(guān)性較高。

建議：增加電影預(yù)算 用于電影本身、多用于渠道宣傳

十、一些分析中用到的語(yǔ)法，當(dāng)時(shí)查閱了資料整理一下。

（下次補(bǔ)充）

總結(jié)

以上是生活随笔為你收集整理的Kaggle——TMDB 5000 Movie Dataset电影数据分析的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

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