观影数据集1

数据清洗

1 导入数据

# 数据导入

import numpy as np

import pandas as pd

from pandas import DataFrame, Series

 

# 可视化显示在界面

#%matplotlib inline

import matplotlib

import matplotlib.pyplot as plt

 

plt.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 sns

 

sns.set(color_codes=True)

import json

import warnings

 

warnings.filterwarnings('ignore')

from wordcloud import WordCloud, STOPWORDS

 

movies = pd.read_csv('F:\\java 王建民\\2021下\\大作业\\观影数据集之大数据分析\\data\\tmdb_5000_movies.csv', encoding='utf_8')

credits = pd.read_csv('F:\\java 王建民\\2021下\\大作业\\观影数据集之大数据分析\\data\\tmdb_5000_credits.csv', encoding='utf_8')

movies.info()  # 查看信息

credits.info()

 

# 两个数据框都有title列，以及movies.riginal_title

# 以上三个数据列重复，删除两个

del credits['title']

del movies['original_title']

 

# 连接两个csv文件

merged = pd.merge(movies, credits, left_on='id', right_on='movie_id', how='left')

 

# 删除不需要分析的列

df=merged.drop(['homepage','overview','spoken_languages','status','tagline','movie_id'],axis=1)

df.info()

 

2缺失值处理

 

缺失记录仅3    条，采取网上搜索，补全信息。

2.1 补全 release_date

from test_3.t1 import df

# 查找缺失值记录-release_date

release = df[df.release_date.isnull()]

print(release.title)

# 查找缺失值记录-runtime

runtime = df[df.runtime.isnull()]

print(runtime.title)

 

缺失发布日期的电影为：《America Is Still the Place》日期为2014-06-01

缺失时长的两部电影为：《Chiamatemi Francesco - Il Papa della gente》

《To Be Frank, Sinatra at 100》

2.2 补全 runtime

#补全数据

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

df.loc[2656] = df.loc[2656].fillna('94, limit=1')

df.loc[4140] = df.loc[4140].fillna('240, limit=1')

df.info()

 

缺失记录的电影 runtime 分别为  98    min 和    81    min。

 

3重复值处理

 

print(len(df.id.unique()))

 

 

 

 

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：

#将 release_date 列转换为日期类型

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

df['release_month'] = pd.to_datetime_new(df.release_date).apply(lambda x: x.month)

df['release_day'] = pd.to_datetime_new(df.release_date).apply(lambda x: x.day)

df.info()

print(df['release_year'],df['release_month'],df['release_day'])