keggle项目 之 TMDb电影最赚钱电影有那特征

#数据处理
import json
import pandas as pd
import numpy as np
from pandas import Series,DataFrame
from datetime import datetime

#不显示警告
import warnings
warnings.filterwarnings(‘ignore‘)

#数据可视化
import matplotlib.pyplot as plt
from wordcloud import WordCloud,STOPWORDS,ImageColorGenerator
from scipy.misc import imread
get_ipython().run_line_magic(‘matplotlib‘, ‘inline‘)

# In[43]:

#导入电影数据
movies_file = r‘E:\Data analysis\kaggle\tmdb_5000_movies.csv ‘
credits_file = r‘E:\Data analysis\kaggle\tmdb_5000_credits.csv ‘
credits = pd.read_csv(credits_file)
movies = pd.read_csv(movies_file)

credits.head()

#合并两个数据表
fulldf = pd.concat([credits,movies],axis=1)
#查看合并结果
fulldf.info()

# In[47]:

#选取子集
moviesdf=fulldf[[‘original_title‘,‘crew‘,‘release_date‘,‘genres‘,‘keywords‘,‘production_companies‘,
‘production_countries‘,‘revenue‘,‘budget‘,‘runtime‘,‘vote_average‘]]
moviesdf.info()

#选取我们需要的数据
#先求出每部电影的利润
# 并增加字段 profit
moviesdf["profit"] = moviesdf[‘revenue‘]- moviesdf[‘budget‘]
moviesdf.head(2)

#缺失值处理
# release_date缺失一个数据
# runtime 缺失两个
# 我们可以到网上查询来补充
#找出缺失的
release_date_null = moviesdf["release_date"].isnull()
moviesdf.loc[release_date_null,:]

# 填充指定日期，从网上查到这部电影上映日期为2014年6月1日
moviesdf[‘release_date‘] = movies[‘release_date‘].fillna(‘2014-06-01‘)
# 修改日期格式
moviesdf[‘release_date‘] = pd.to_datetime(moviesdf[‘release_date‘],format=‘%Y-%m-%d‘)
moviesdf.info()

#同理查找出缺失的runtime 并填充
runtime_null = moviesdf["runtime"].isnull()
moviesdf.loc[runtime_null,:]

# 电影《Chiamatemi Francesco - Il Papa della gente》的时长为98分钟；
# 电影《To Be Frank, Sinatra at 100》的时长为81分钟
values1 = {‘runtime‘:98.0}
values2 = {‘runtime‘:81.0}
moviesdf.fillna(value=values1,limit=1,inplace=True)
moviesdf.fillna(value=values2,limit=1,inplace=True)
# moviesdf.info()
moviesdf.loc[runtime_null,:]

#数据格式装换
# json.loads():将字符串编码为一个python对象
# genres列格式化，建立包含所有genre类型的列表
#先将list编码成json(不需要) , 然后再解码成Python对象
# moviesdf[‘genres‘] = moviesdf[‘genres‘].apply(json.dumps)
moviesdf[‘genres‘] = moviesdf[‘genres‘].apply(json.loads)

# 根据json数据格式自定义函数解码json数据
def decode(column):
z = []
for i in column:
z.append(i[‘name‘])
return ‘ ‘.join(z)
moviesdf[‘genres‘] = moviesdf[‘genres‘].apply(decode)
moviesdf.head(2)

# 建立genres列表，提取电影的类型
genres_list = set()
# set()不可改变,不重复集合
# str() 函数将对象转化为适于人阅读的形式
# union() 方法返回两个集合的并集，即包含了所有集合的元素，重复的元素只会出现一次。
for i in moviesdf[‘genres‘].str.split(‘ ‘):
genres_list = set().union(i,genres_list)
genres_list = list(genres_list)
genres_list

genres_list.remove(‘‘)
print(genres_list)

# release_date 处理
# 保留日期中的年份
# pandas.series.dt.year #the year of datetime
moviesdf[‘release_date‘] = pd.to_datetime(moviesdf[‘release_date‘]).dt.year
columns = {‘release_date‘:‘year‘}
moviesdf.rename(columns=columns,inplace=True) #将该列改成year
moviesdf[‘year‘].apply(int).head() #转换为int

# 从类型列表中 遍历
# pandas时，str.contains()进行一次模糊匹配多个值
for genre in genres_list:
moviesdf[genre] = moviesdf[‘genres‘].str.contains(genre).apply(lambda x:1 if x else 0)

# In[58]:

moviesdf[genre].tail()

genre_year = moviesdf.loc[:,genres_list]
genre_year.tail(2)

# 把年份作为索引标签
genre_year.index = moviesdf[‘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()
# 查看数据集,tail默认查看后5行的数据
genresdf.tail() 

# 汇总电影类型的数量
# axis=0 列求和
genresdfSum = genresdf.sum(axis=0).sort_values(ascending=False)
genresdfSum

#数据可视化
#绘制柱状图
# 设置画板大小
plt.figure(figsize=(12,8))
#创建画纸
plt.subplot(111)
#绘图
genresdfSum.sort_values().plot(kind=‘barh‘,label=‘genres‘)
plt.title("电影类型数量排名统计图")
plt.xlabel(‘movies number‘)
plt.ylabel("movies type")
plt.show()

#计算百分比
genres_pie = genresdfSum / genresdfSum.sum()

# 设置other类，当电影类型所占比例小于%1时，全部归到other类中
others = 0.01
genres_pie_otr = genres_pie[genres_pie >= others]
genres_pie_otr[‘Other‘] = genres_pie[genres_pie < others].sum()

# 所占比例小于或等于%2时，对应的饼状图往外长高一截
explode = (genres_pie_otr <= 0.02) / 10 + 0.04

# 设置饼状图的参数
genres_pie_otr.plot(kind=‘pie‘,label=‘‘,startangle=50,shadow=False,figsize=(10,10),autopct=‘%1.1f%%‘,explode=explode)

plt.title(‘各种电影类型所占的比例pie‘)

# 电影类型随时间变化的趋势分析
#绘图
plt.figure(figsize=(12,8))
plt.plot(genresdf,label=genresdf.columns)
#横轴绘制, 格式
plt.xticks(range(1910,2020,5))
#图例
plt.legend(genresdf)
#标签标题
plt.title(‘电影类型随时间的变化趋势‘,fontsize=15)
plt.xlabel(‘year‘,fontsize=15)
plt.ylabel(‘movies number‘,fontsize=15)
#设置格子
plt.grid(True)
plt.show()

# 电影类型与利润的关系？
#先求出各个电影的类型的平均利润
# 把电影类型作为索引
mean_genre_profit = pd.DataFrame(index=genres_list)
mean_genre_profit.head(2)
# 求出各种电影类型的平均值
#  mean() 求均值
#groupby   依据某个columns对整个DataFrame对象分组
# 这里 依据某个columns(genre)对另一个columns(profit)数据分组
# 然后取出需要的列 profit
newarray = []
for genre in genres_list:
    newarray.append(moviesdf.groupby(genre,as_index=True)[‘profit‘].mean())
#     a=moviesdf.groupby(genre,as_index=True)[‘profit‘]
# newarray    #查看一下
# type(a)
newarray2 = []
for i in range(len(genres_list)):
    newarray2.append(newarray[i][1])
mean_genre_profit[‘mean_profit‘] = newarray2
mean_genre_profit.head()

# 绘制电影类型与平均利润关系图
plt.figure(figsize=(12,8))
mean_genre_profit.sort_values(by=‘mean_profit‘).plot(kind=‘barh‘)
plt.xlabel("avg_profit")
plt.ylabel("movies_type")
plt.title("type & avg_profit")

# Universal Pictures(环球影业)和Paramount Pictures(派拉蒙影业)是美国两家电影巨头公司。
# Universal Pictures和Paramount Pictures两家影视公司发行电影的对比情况如何？从数量
# 先解析 production_companies  格式化
moviesdf[‘production_companies‘] = moviesdf["production_companies"].apply(json.loads)
#调用刚才自定义函数, 解析
moviesdf[‘production_companies‘] = moviesdf["production_companies"].apply(decode)
moviesdf.head(2)

#查询两家公司数据列中是否含有并标记, 发行一部记1
moviesdf[‘Universal Pictures‘] = moviesdf["production_companies"].str.contains(‘Universal Pictures‘).apply(lambda x:1 if x else 0)
moviesdf[‘Paramount Pictures‘] = moviesdf["production_companies"].str.contains(‘Paramount Pictures‘).apply(lambda x:1 if x else 0)
moviesdf.head(1)

#统计两家公司数据
a=moviesdf["Paramount Pictures"].sum()
b=moviesdf["Universal Pictures"].sum()
# 转化为一维数组
dict_companies = {"Universal Pictures": b,‘Paramount Pictures‘:a}
companies_number = pd.Series(dict_companies)
companies_number

# 可视化 饼图 比较两家公司发行的电影占比
companies_number.plot(kind=‘pie‘,label=‘‘,autopct=‘%11.1f%%‘)

# 分析Universal Pictures和Paramount Pictures两家影视公司电影发行数量的走势, 从时间上看公司发行电影数量
# 将date 作为行索引, 公司作为列索引, 记发行数量
company=moviesdf[[‘Universal Pictures‘,‘Paramount Pictures‘]]
company.index=moviesdf[‘year‘]

companydf=company.groupby(‘year‘).sum()
companydf.tail()

plt.figure(figsize=(14,8))
plt.plot(companydf,label = companydf.columns)

# 改编电影和原创电影的对比情况如何？
#  keywords列数据格式化
moviesdf[‘keywords‘] = moviesdf[‘keywords‘].apply(json.loads)
# 调用自定义函数decode处理keywords列数据
moviesdf[‘keywords‘] = moviesdf[‘keywords‘].apply(decode)
moviesdf[‘keywords‘].tail()
# 提取关键字
# 是否基于小说
a = ‘based on novel‘
moviesdf[‘if_original‘] = moviesdf[‘keywords‘].str.contains(a).apply(lambda x: ‘no original‘ if x else ‘original‘)
moviesdf[‘if_original‘].value_counts()

original_profit = moviesdf[[‘if_original‘,‘budget‘,‘revenue‘,‘profit‘]]
original_profit = original_profit.groupby(by=‘if_original‘).mean()
original_profit

# 数据可视化
plt.figure(figsize=(12,8))
original_profit.plot(kind=‘bar‘)
plt.title(‘改编电影与原创电影在预算、收入和利润的比较‘)
plt.xlabel(‘original or no original‘)
plt.ylabel(‘$‘)

# 问题五：电影时长与电影票房及评分的关系
# 电影时长与电影票房的关系
# 绘制散点图
moviesdf.plot(kind=‘scatter‘, x=‘runtime‘, y=‘revenue‘, figsize=(8, 6))
plt.title(‘电影时长与电影票房的关系‘,fontsize=15)
plt.xlabel(‘minute‘,fontsize=15)
plt.ylabel(‘$‘,fontsize=15)
plt.grid(True)

# 电影时长与评分的关系
moviesdf.plot(kind=‘scatter‘, x=‘runtime‘, y=‘vote_average‘, figsize=(8, 6))
plt.title(‘电影时长与电影平均评分的关系‘,fontsize=15)
plt.xlabel(‘minute‘,fontsize=15)
plt.ylabel(‘avg_score‘,fontsize=15)
plt.grid(True)
plt.show()

# 问题六：分析电影关键字

# 利用电影关键字制作词云图
# 建立keywords_list列表
keywords_list = []
for i in moviesdf[‘keywords‘]:
    keywords_list.append(i)
    keywords_list = list(keywords_list)

# 把字符串列表连接成一个长字符串
lis = ‘‘.join(keywords_list)
# 使用空格替换中间多余的字符串‘\‘s‘
lis.replace(‘\‘s‘,‘‘)

#制作图云

# 生成词云
wc = WordCloud( background_color="black", # 背景颜色
max_words=2000, # 词云显示的最大词数
max_font_size=100, # 字体最大值
random_state=12, # 设置一个随机种子，用于随机着色
)

# 根据字符串生成词云
wc.generate(lis)
plt.figure(figsize=(16, 8))

# 以下代码显示图片
plt.imshow(wc)
plt.axis("off")
plt.show()