一、項(xiàng)目背景與介紹

數(shù)據(jù)來(lái)源：kaggle數(shù)據(jù)科學(xué)社區(qū)上TMDB 5000 Movie Dataset數(shù)據(jù)集：TMDB 5000 Movie Dataset

數(shù)據(jù)介紹：TMDB是一個(gè)電影資料庫(kù)，本項(xiàng)目數(shù)據(jù)主要為歐美地區(qū)2017年之前的5000部電影

分析目的：對(duì)電影數(shù)據(jù)進(jìn)行分析研究，了解電影市場(chǎng)趨勢(shì)，為電影制作提供決策。

二、定義問(wèn)題

1、各類型電影數(shù)量會(huì)隨時(shí)間如何變化嗎？是如何變化的？

2、不同類型的電影的盈利情況有何差異？

3、原創(chuàng)電影與改編電影的有何差異？

4、電影主要產(chǎn)自哪些地區(qū)？

5、觀眾喜好與哪些因素有關(guān)？

6、Universal Pictures與Paramount Pictures兩家巨頭公司的業(yè)績(jī)?nèi)绾?#xff1f;

三、理解數(shù)據(jù)

導(dǎo)入相關(guān)安裝包，讀取數(shù)據(jù)
查看數(shù)據(jù)信息觀察數(shù)據(jù)，發(fā)現(xiàn) genres、keywords、production_companies、production_countries、spoken_languages、cast、crew列為JSON編碼的字符串。

刪去credits的列title，因?yàn)樵摿泻蚼ovies的列重復(fù)了，再把兩個(gè)數(shù)據(jù)集合并，刪去不在研究范圍內(nèi)的值。

credits中movie_id列 和 movies中id列是對(duì)應(yīng)關(guān)系，故以此為連接合并兩個(gè)數(shù)據(jù)集。

各字段含義：

● id：標(biāo)識(shí)號(hào)

● movie_id：標(biāo)識(shí)號(hào)

● popularity：在 Movie Database 上的相對(duì)頁(yè)面查看次數(shù)

● budget：預(yù)算（美元）

● revenue：收入（美元）

● original_language：原始語(yǔ)言

● spoken_languages：輸出語(yǔ)言

● original_title：原始電影名稱

● cast：演員列表，按 | 分隔，最多 5 名演員

● crew：劇組

● title：電影名稱

● status：電影狀態(tài)

● homepage：電影首頁(yè)的 URL

● tagline：電影的標(biāo)語(yǔ)

● keywords：與電影相關(guān)的關(guān)鍵字，按 | 分隔，最多 5 個(gè)關(guān)鍵字

● overview：劇情摘要

● runtime：電影時(shí)長(zhǎng)

● genres：風(fēng)格列表，按 | 分隔，最多 5 種風(fēng)格

● 制作公司列表：production_companies按 | 分隔，最多 5 家公司

● production_countries：制作國(guó)家

● release_date：首次上映日期

● vote_count：評(píng)分次數(shù)

● vote_average：平均評(píng)分

三、數(shù)據(jù)清洗

1、選擇子集

通過(guò) info()和describe ()方法查看要研究的數(shù)據(jù)是否存在異常情況
可以看到release_date、runtime存在缺失值。

可以看到budget,revenue,vote_average,vote_count最小值為0，這些列中可能存在異常值。

2、缺失值處理

查找資料，填充缺失值
查看runtime的缺失值
查找資料，填充缺失值

3、異常值處理

budget,revenue,vote_average,vote_count最小值為0，可能存在異常，用平均值填充。

4、數(shù)據(jù)格式轉(zhuǎn)換

查看release_date列的數(shù)據(jù)
需要轉(zhuǎn)換為日期類型并提取年份

5、特殊格式數(shù)據(jù)處理

本項(xiàng)目要進(jìn)行研究的數(shù)據(jù)中的genres，keywords，production_companies，production_countries列均為json格式，不便對(duì)其進(jìn)行分析。需通過(guò)json.loads先將json字符串轉(zhuǎn)換為字典列表形式，再使用循環(huán)，選取需要的數(shù)據(jù)，本次分析取出name鍵所對(duì)應(yīng)的值，并用“|”分隔。

四、數(shù)據(jù)分析及可視化

1、各類型電影數(shù)量變化和分布

（1）各類型電影逐年的數(shù)量變化

genre_set集合存放所有電影類型
genre_year_df存放各個(gè)年份的不同電影類型的電影總數(shù)
繪圖：
由圖可見(jiàn)，約從1992開(kāi)始，電影市場(chǎng)開(kāi)始爆發(fā)式增長(zhǎng)，其中戲劇類（Drama）和喜劇類（Comedy）這兩個(gè)類型是隨時(shí)間增長(zhǎng)幅度最大，其次是驚悚片（Thriller）和動(dòng)作片（Action）。

（2）各類型電影數(shù)量分布

各類型電影總數(shù)
各類型電影數(shù)量分布圖：
從圖中可看出，排名前5的類型為Drama、Comedy、Thriller、Action和Romance。其中即使是排名前5的類型中，每一類型之間的差距也不算小。Drama類穩(wěn)穩(wěn)的在榜首。

2、各類型電影的盈利情況

profit_df存放電影類型和利潤(rùn)數(shù)據(jù)

profit_by_genre存放計(jì)算后的各類型電影的利潤(rùn)平均值，利潤(rùn)=收入-支出成本
各電影類型平均收益分布圖：

3、原創(chuàng)電影與改編電影的差異

keywords中的包含"based on novel"的是改編電影，其余是原創(chuàng)電影。

創(chuàng)建一個(gè)DataFrame存放原創(chuàng)電影與改編電影original_recompose，包含type、 profit 、 budget 等字段，計(jì)算出利潤(rùn)率 profit_rate=profit/budget 。

(1)電影數(shù)量對(duì)比

原創(chuàng)電影占據(jù)了幾乎所有的市場(chǎng)，只有少部分為改編電影

（2）利潤(rùn)及利潤(rùn)率對(duì)比

改編電影的支出要高于原創(chuàng)電影，且對(duì)應(yīng)的收入和利潤(rùn)也要高于原創(chuàng)電影

4、電影產(chǎn)地分布

統(tǒng)計(jì)出各個(gè)地區(qū)的電影數(shù)量，country_df存儲(chǔ)電影產(chǎn)地的數(shù)據(jù)

繪制餅圖：

由圖可見(jiàn)，美國(guó)電影數(shù)量一騎絕塵，占比達(dá)到了61.4%，名副其實(shí)的產(chǎn)出大國(guó)（應(yīng)該也與該網(wǎng)站收錄的數(shù)據(jù)有關(guān)）。其次是英國(guó)，德國(guó)，法國(guó)，加拿大。

5、觀眾喜好與哪些因素有關(guān)

（1）電影類型與受歡迎度的關(guān)系

popularity字段是在 Movie Database 上的相對(duì)頁(yè)面查看次數(shù)，根據(jù)這個(gè)數(shù)據(jù)來(lái)判斷電影的受歡迎度。

繪圖
可見(jiàn)，最受觀眾歡迎的電影類型的前五名是

Adventure、Animation、Science Fiction、Fantasy 、Action

（2）電影時(shí)長(zhǎng)與受歡迎度的關(guān)系

受歡迎度較高的電影的時(shí)長(zhǎng)基本在90-150分鐘之間。 電影時(shí)長(zhǎng)太長(zhǎng)或太短的電影受歡迎程度較低。

（3）電影評(píng)分與受歡迎度的關(guān)系

評(píng)分高的電影不一定受歡迎度高，可能存在冷門好片。 但受眾歡迎度高的，電影評(píng)分基本也不低，群眾的眼睛是雪亮的，制作公司產(chǎn)出好片，獲得受眾喜愛(ài)的概率也更高。經(jīng)過(guò)更多受眾的檢驗(yàn)，該電影為好片的可靠性也更高。

6、Universal Pictures與Paramount Pictures兩家巨頭公司的業(yè)績(jī)?nèi)绾?#xff1f;

company_df存放兩家公司、電影類型、盈利的數(shù)據(jù)

（1）利潤(rùn)對(duì)比

繪圖
由圖可見(jiàn)，兩家公司利潤(rùn)總額并無(wú)明顯差異，Universal Pictures公司略高于Paramount Pictures公司。

（2）出品的電影類型對(duì)比

company_df存放兩家公司、各類型電影，數(shù)值為1的代表屬于該類型。

繪圖Universal Pictures：

繪圖Paramount Pictures：

7、電影關(guān)鍵詞

keywords_list存放從keywords中提取出的關(guān)鍵詞，去掉一些沒(méi)有實(shí)際含義的字符串和短語(yǔ)
通過(guò)WordCloud包生成詞云圖

總結(jié)

以上是生活随笔為你收集整理的kaggle电影数据分析报告的全部?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。