Python数据分析实战：TMDB电影数据可视化 |
您所在的位置：网站首页 › 数据分析实战网站哪个好点 › Python数据分析实战：TMDB电影数据可视化 |
Python数据分析实战：TMDB电影数据可视化
|
出品：Python数据之道 (ID:PyDataLab) 作者：叶庭云 编辑：Lemon 一、数据预处理本文将以项目实战的形式，对 TMDB电影数据进行数据分析与可视化实战，所使用的数据来源于 Kaggle，文末提供数据的下载方式。 各类型电影的数量如何随着时间的推移发生变化的？建立包含年份与电影类型数量的关系数据框 提取取2000-2017年的各电影类型数量 热力图可视化 """ @Author ：叶庭云 @Date ：2020/10/2 11:40 """ import pandas as pd import matplotlib.pyplot as plt import matplotlib as mpl import seaborn as sns # 读取Excel数据 df = pd.read_excel('已清洗数据.xlsx') # 有个别行数据清洗时不是nan 但为空列表 提取后为nan df.dropna(inplace=True) # 建立genres列表，提取电影的类型 genres_set = set() for genre in df['genres'].str.split('|'): for item in genre: genres_set.add(item) genres_list = list(genres_set) for genre in genres_list: # 判断每行 有这个类型 对应类型的列下添个1 df[genre] = df['genres'].str.contains(genre).apply(lambda x: 1 if x else 0) genre_year = df.loc[:, genres_list] # 将年份作为索引标签 genre_year.index = df['year'] # 将数据集按年份分组并求和，得出每个年份，各电影类型的电影总数 genresdf = genre_year.groupby('year').sum() # 包含年份与电影类型数量的DataFrame print(genresdf) # 取2000-2016年的电影类型数量 热力图可视化 17年数据就没几部 datas = genresdf.iloc[-18:-1:1, ::] mpl.rcParams['font.family'] = 'Kaiti' fig, ax = plt.subplots(figsize=(15, 9)) print(datas) # 绘制热力图 cmap：从数字到色彩空间的映射 sns.heatmap(data=datas.T, linewidths=0.25, linecolor='white', ax=ax, annot=True, fmt='d', cmap='Accent', robust=True, ) # 添加描述信息 x y轴 title ax.set_xlabel('年份', fontdict={'size': 18, 'weight': 'bold'}) ax.set_ylabel('电影类型', fontdict={'size': 18, 'weight': 'bold'}) ax.set_title(r'2000-2016年各电影类型数量', fontsize=25, x=0.5, y=1.02) # 隐藏边框 ax.spines['top'].set_visible(False) ax.spines['right'].set_visible(False) ax.spines['left'].set_visible(False) ax.spines['bottom'].set_visible(False) # 保存 展示图片 plt.savefig('heat_map.png') plt.show()从热力图可以直观分析出，Drama 和 Comedy 每年的电影数量都比较多，Thriller每年的电影数量也比较可观。 2. 数量最多的电影类型Top10 """ @Author ：叶庭云 @Date ：2020/10/2 11:40 """ import pandas as pd import matplotlib.pyplot as plt import matplotlib as mpl # 读取数据 df = pd.read_excel('已清洗数据.xlsx') # 有个别行提取类型时不是nan 但为空列表 再提取后为nan df.dropna(inplace=True) # 建立genres列表，提取电影的类型 genres_set = set() for genre in df['genres'].str.split('|'): for item in genre: genres_set.add(item) genres_list = list(genres_set) for genre in genres_list: # 判断每行 有这个类型 对应类型的列下添个1 df[genre] = df['genres'].str.contains(genre).apply(lambda x: 1 if x else 0) genre_year = df.loc[:, genres_list] # 将年份作为索引标签 genre_year.index = df['year'] # 将数据集按年份分组并求和，得出每个年份，各电影类型的电影总数 genresdf = genre_year.groupby('year').sum() genres_count = genresdf.sum(axis=0).sort_values(ascending=False) # 升序 # print(genres_count.index) # print(genres_count.values) colors = ['#FF0000', '#FF1493', '#00BFFF', '#9932CC', '#0000CD', '#FFD700', '#FF4500', '#00FA9A', '#191970', '#006400'] # 设置大小 像素 plt.figure(figsize=(12, 8), dpi=100) # 设置中文显示 mpl.rcParams['font.family'] = 'SimHei' plt.style.use('ggplot') # 绘制柱形图 设置柱条的宽度和颜色 plt.barh(genres_count.index[9::-1], genres_count.values[9::-1], height=0.6, color=colors[::-1]) plt.xlabel('电影数量', fontsize=12) plt.ylabel('电影类型', fontsize=12, color='red') plt.title('数量最多的电影类型Top10', fontsize=18, x=0.5, y=1.05) plt.savefig('test_001.png') plt.show()电影数量最多的电影类型前五为：Drama(戏剧)、Comedy(喜剧)、Thriller(惊悚)、Action（动作）、Romance（浪漫） 3. 各种电影类型所占比例 """ @Author ：叶庭云 @Date ：2020/10/2 11:40 """ import pandas as pd import matplotlib.pyplot as plt import matplotlib as mpl df = pd.read_excel('已清洗数据.xlsx') # 有个别行提取类型时不是nan 但为空列表 提取后为nan df.dropna(inplace=True) # 建立genres列表，提取电影的类型 genres_set = set() for genre in df['genres'].str.split('|'): for item in genre: genres_set.add(item) genres_list = list(genres_set) for genre in genres_list: # 判断每行 有这个类型 对应类型的列下添个1 df[genre] = df['genres'].str.contains(genre).apply(lambda x: 1 if x else 0) genre_year = df.loc[:, genres_list] # 将年份作为索引标签 genre_year.index = df['year'] # 将数据集按年份分组并求和，得出每个年份，各电影类型的电影总数 genresdf = genre_year.groupby('year').sum() genres_count = genresdf.sum(axis=0).sort_values(ascending=False) # 升序 # print(genres_count.index) # print(genres_count.values) # print(len(genres_count.values)) # 设置中文显示 mpl.rcParams['font.family'] = 'SimHei' # 设置大小 像素 plt.figure(figsize=(12, 8), dpi=100) plt.axes(aspect='equal') # 保证饼图是个正圆 explodes = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.1, 0.25, 0.4, 0.55, 0.7, 0.85] plt.pie(genres_count.values, labels=genres_count.index, autopct='%.2f%%', shadow=True, explode=explodes, startangle=15, labeldistance=1.1, ) plt.title('各种电影类型所占比例', fontsize=18) plt.savefig('test_002.png') plt.show()在所有的电影类型中，Drama(戏剧)类型电影最多，占比高达18.89%，其次为Comedy(喜剧)，占比14.16%。 4. 电影关键词分析 """ @Author ：叶庭云 @Date ：2020/10/2 11:40 """ import pandas as pd import collections from wordcloud import WordCloud import matplotlib.pyplot as plt df = pd.read_csv('tmdb_5000_movies.csv')['keywords'] key_words_list = [] for item in df: item = eval(item) if item: # 为空列表 滤掉 # ['aftercreditsstinger', 'duringcreditsstinger'] 这个词语频率比较高 但好像没啥意义 滤掉 key_words_list.extend([x['name'] for x in item if x['name'] not in ['aftercreditsstinger', 'duringcreditsstinger']]) words_count = collections.Counter(key_words_list) print(words_count) wc = WordCloud( background_color='white', max_words=2000, max_font_size=100, random_state=8, ) wc.generate_from_frequencies(words_count) plt.imshow(wc) plt.axis('off') plt.savefig('test_003.png') plt.show()通过对电影关键字的词云图分析，可以发现电影中经常被提及的关键词是女性(woman)、独立(independent)，其次是谋杀(murder)、暴力(violence)、复仇(revenge)、基于小说(based on novel)，可见观众对女性和独立方面题材的电影最感兴趣，其次是犯罪类和基于小说改编的电影。 5. 各类型电影数量随时间变化趋势 """ @Author ：叶庭云 @Date ：2020/10/2 11:40 """ import pandas as pd import matplotlib.pyplot as plt import matplotlib as mpl # 读取数据 df = pd.read_excel('已清洗数据.xlsx') # 有个别行提取类型时不是nan 但为空列表 提取后为nan df.dropna(inplace=True) # 建立genres列表，提取电影的类型 genres_set = set() for genre in df['genres'].str.split('|'): for item in genre: genres_set.add(item) genres_list = list(genres_set) for genre in genres_list: # 判断每行 有这个类型 对应类型的列下添个1 df[genre] = df['genres'].str.contains(genre).apply(lambda x: 1 if x else 0) genre_year = df.loc[:, genres_list] # 将年份作为索引标签 genre_year.index = df['year'] # 将数据集按年份分组并求和，得出每个年份，各电影类型的电影总数 genresdf = genre_year.groupby('year').sum() print(genresdf) # 设置中文显示 mpl.rcParams['font.family'] = 'SimHei' # 设置大小 像素 plt.figure(figsize=(10, 6), dpi=100) # 设置图形显示风格 plt.style.use('ggplot') # DataFrame 绘制折线图 plt.plot(genresdf, label=genresdf.columns) # 添加描述信息 plt.xticks(range(1915, 2018, 5)) plt.xlabel('年份', fontsize=12) plt.ylabel('电影数量', fontsize=12) plt.title('各电影类型的数量随时间变化趋势', fontsize=18, x=0.5, y=1.02) # 显示图例 plt.legend(genresdf) # 保存图片 plt.savefig('test_004.png') # 展示图片 plt.show()从折线图图中容易发现，随着时间的推移，所有电影类型都呈现出增长趋势，大概在1992年以后各类型的电影均增长迅速，可能原因为人们物质生活水平提高，对观影有了更多需求，其中Drama(戏剧)和Comedy(喜剧)增长最快，目前仍是最热门的电影类型。 6. 电影票房与电影时长关系 """ @Author ：叶庭云 @Date ：2020/10/2 11:40 """ import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt # 读取数据 df = pd.read_excel('已清洗数据.xlsx') # 电影时长 票房 run_time, revenue = df['runtime'], df['revenue'] # 设置中文显示 mpl.rcParams['font.family'] = 'SimHei' # 设置图形显示风格 plt.style.use('ggplot') # 设置大小 像素 plt.figure(figsize=(9, 6), dpi=100) # 绘制散点图 plt.scatter(run_time, revenue) # 添加描述信息 plt.title('电影票房与电影时长的关系', fontsize=18, x=0.5, y=1.02) plt.xlabel('电影时长(分钟)') plt.ylabel('电影票房(亿美元)') # 保存图片 plt.savefig('test_005.png') # 显示图片 plt.show()从两幅散点图可以看出，电影要想获得较高的票房及良好的口碑，电影的时长应保持在 100-150 分钟内较好。 作者简介： 叶庭云 个人格言: 热爱可抵岁月漫长 CSDN 博客: https://blog.csdn.net/fyfugoyfa/ 本文数据获取方式 本文数据可以通过下述步骤来获取： 1. 扫描下方二维码 2. 回复关键词：电影 （建议复制关键词） |
【本文地址】
今日新闻 |
推荐新闻 |