1MathorCup 高校数学建模挑战赛——大数据竞赛
练习题：观影大数据分析
王 S 聪想要在海外开拓万 D 电影的市场，这次他在考虑：怎么拍商业电影才
能赚钱？毕竟一些制作成本超过 1 亿美元的大型电影也会失败。这个问题对电影
业来说比以往任何时候都更加重要。 所以，他就请来了你（数据分析师）来帮
他解决问题，给出一些建议，根据数据分析一下商业电影的成功是否存在统一公
式？以帮助他更好地进行决策。
解决的终极问题是： 电影票房的影响因素有哪些？
接下来我们就分不同的维度分析：
• 观众喜欢什么电影类型？有什么主题关键词？
• 电影风格随时间是如何变化的？
• 电影预算高低是否影响票房？
• 高票房或者高评分的导演有哪些？
• 电影的发行时间最好选在啥时候？
• 拍原创电影好还是改编电影好？
本次使用的数据来自于 Kaggle 平台（TMDb 5000 Movie Database）。收录了
美国地区 1916-2017 年近 5000 部电影的数据，包含预算、导演、票房、电影评
分等信息。原始数据集包含 2 个文件：
• tmdb_5000_movies：电影基本信息，包含 20 个变量
• tmdb_5000_credits：演职员信息，包含 4 个变量
请使用 Python 编程，完成下列问题：
（1）使用附件中的 tmdb_5000_movies .csv 和 tmdb_5000_credits .csv 数据集，进
行数据清洗、数据挖掘、数据分析和数据可视化等，研究电影票房的影响因素有
哪些？从不同的维度分析电影，讨论并分析你的结果。
（2）附件 tmdb_1000_predict.csv 中包含 1000 部电影的基本信息，请你选择
合适的指标，进行特征提取，建立机器学习的预测模型，预测 1000 部电影的
vote_average 和 vote_count，并保存为 tmdb_1000_predicted.csv。
2.
数据清洗
1 导入数据
我把文件下到了F盘
# 数据导入import inline as inlineimport matplotlib as matplotlibimport numpy as npimport pandas as pdfrom pandas import DataFrame, Series# 可视化显示在界面matplotlibinlineimport matplotlibimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['SimHei'] # 用来显示中文plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号import seaborn as snssns.set(color_codes=True)# 学习seaborn参考：https://www.jianshu.com/p/c26bc5ccf604import jsonimport warningswarnings.filterwarnings('ignore')from wordcloud import WordCloud, STOPWORDSmovies = pd.read_csv('F:\\data\\tmdb_5000_movies.csv', encoding='utf_8')credits = pd.read_csv('F:\\data\\tmdb_5000_credits.csv', encoding='utf_8')movies.info() # 查看信息credits.info()
运行结果：共有4803条记录
2 缺失值处理
缺失记录仅____3____条，采取网上搜索，补全信息。
共有4803条数据，但是这个运行出来的结果可见不是每一项都是4803，说明有缺失，缺失项是release_date,runtime这两项，也就是说确实三条记录
2.1 补全 release_date
运行结果
可以找到这一行的title
缺失记录的电影标题为《_America Is Still the Place____》，日期为_2014-06-01___。
填补缺失值：
运行结果：
可以看到这里已经说明填补成功了
2.2 补全 runtime
缺失记录的电影 runtime 分别为_____94__min 和 ____240___min。
和上面的方法相似：
3 重复值处理
运行结果：有_____4803_____个不重复的 id，可以认为没有重复数据。
4 日期值处理
将 release_date 列转换为日期类型：
5 筛选数据
使用数据分析师最喜欢的一个语法：
df.describe()
票房、预算、受欢迎程度、评分为__0_____的数据应该去除；
评分人数过低的电影，评分不具有统计意义，筛选评分人数大于_50____的数据。
查看：
df.info()
运行结果：
此时剩余__2961____条数据，包含__19____个字段。
6 json 数据转换
**说明：**genres,keywords,production_companies,production_countries,cast,crew 这 6 列都是
json 数据，需要处理为列表进行分析。
处理方法：
json 本身为字符串类型，先转换为字典列表，再将字典列表转换为，以’,'分割的字符串
运行结果：
7 数据备份
5 数据分析
5.1 why
想要探索影响票房的因素，从电影市场趋势，观众喜好类型，电影导演，发行时间，评分与
关键词等维度着手，给从业者提供合适的建议。
5.2 what
5.2.1 电影类型：定义一个集合，获取所有的电影类型
运行结果：
注意到集合中存在多余的元素：空的单引号，所以需要去除。
运行结果：
5
5.2.1.1 电影类型数量（绘制条形图）
运行结果：
5.2.1.2 电影类型占比（绘制饼图）
5.2.1.3 电影类型变化趋势（绘制折线图）
6
5.2.1.4 不同电影类型预算/利润（绘制组合图）
5.2.2 电影关键词（keywords 关键词分析，绘制词云图）
5.3 when
查看 runtime 的类型，发现是 object 类型，也就是字符串，所以，先进行数据转化。
7
5.3.1 电影时长（绘制电影时长直方图）
5.3.2 发行时间（绘制每月电影数量和单片平均票房）
5.4 where
本数据集收集的是美国地区的电影数据，对于电影的制作公司以及制作国家，在本次的故事
背景下不作分析。
5.5 who
5.5.1 分析票房分布及票房 Top10 的导演
5.5.2 分析评分分布及评分 Top10 的导演
5.6 how
5.6.1 原创 VS 改编占比（饼图）
9
5.6.2 原创 VS 改编预算/利润率（组合图）
5.7 how much
5.7.1 计算相关系数（票房相关系数矩阵）
5.7.2 票房影响因素散点图
6 对附件的 tmdb_1000_predicted.csv 的预测结果