[转]IMDB数据集

马猴烧酒

本文转载于https://blog.csdn.net/m0_37744293/article/details/77426851

1 简介
    我们如何评价一部电影上映之前就判断处着是不是一部伟大的电影？
    这位数据集的作者长期被这个问题所困扰，很多人依赖影视评论家来评分电影，也有一些人只凭自己的直觉，但电影上映之后需要过很长时间才会获得合理的影评，同时，人们的直觉有时候是靠不住的。

    所以我们提出以下两个问题
    1、人类每年拍摄出数以千计的电影，除了依赖影视评论家的直觉，我们有更好的方式来判断出伟大的电影么？
    2、电影中海报中的人物和电影评级有关系么？  
    为了回答这个问题，作者在IMDB爬取了5000多条电影数据，整个爬取过程花费2个小时完成，最后，作者获取了需要的28个特征变量，和来自5043部电影和4906张电影的数据，涵盖66个国家，横跨100年的时间，这里有2399位独特的电影导演，数以千计的男女演员。
28个特征变量如下：

图1-1

1. facenumber_in_poster：海报中的人脸数量
   
2. director_name：导演姓名
   
3. movie_title：电影片名。
   
4. director_facebook_likes：脸书上喜欢该导演的人数
   
5. title_year：电影年份
   
6. duration：电影时长
   
7. actor_1_name：男一号姓名
   
8. country：国家
   
9. actor_1_facebook_likes：脸书上喜爱男一号的人数
   
10. genres：电影题材
    
11. color：画面颜色。
    
12. actor_2_name：男二号姓名
    
13. aspect_ratio：画布的比例
    
14. actor_2_facebook_likes：脸书上喜爱男二号的人数
    
15. content_rating：电影分级
    
16. plot_keywords：剧情关键字
    
17. actor_3_name：三号男演员姓名
    
18. language：语言
    
19. actor_3_facebook_likes：脸书上喜爱3号男演员的人数
    
20. budget：制作成本
    
21. cast_total_facebook_likes：脸书上喜爱演员的总人数
    
22. gross：总票房
    
23. movie_facebook_likes：脸书上被点赞的数量
    
24. movie_imdb_link：imdb地址
    
25. imdb_score：imdb上的评分
    
26. num_voted_users：参与投票的用户数量
    
27. num_critic_for_reviews：评论家评论的数量
    
28. num_user_for_reiews： 用户的评论数量

复制代码

2 数据分析
    数据分析部分主要以 Python 编程语言为基础，使用 pandas 作为数据整理和统计分析的工具，matplotlib 用于制作图形，再加上Tableau的数据可视化分析。
数据加载

1. import pandas as pd
   
2. movies_df = pd.read_csv('movie_metadata.csv')
   
3. print(movies_df.head())#默认头5行
   
4. print(movies_df.info())#DataFrame的简明总结
   
5. print(movies_df.describe())#返回count mean std min max等值

复制代码

数据清洗——去重

1. movies_df= movies_df .drop_duplicates()
   
2. print(movies_df.head())#默认头5行
   
3. print(movies_df.info ())
   
4. print(movies_df.describe ())

复制代码

    在pandas中有两个函数是专门用来处理重复值的，分别是duplicated函数、drop_duplicates函数。Duplicated函数用来查找并显示数据表中的重复值。返回一个布尔值的Series.drop_duplicates()表示将过滤重复行，即“去重”，默认是判断全部列。当然也可以指定判断某一列是否有重复，该列中重复的数据就删除该数据整行。duplicated函数、drop_duplicates函数默认保留的是第一个出现的值的组合。传入take_last=True则保留最后一个。
数据清洗——处理缺失值

1. movies_df = movies_df .dropna()

复制代码

地域性分析：

1. grouped = movies_df.groupby('country').size()
   
2. print(grouped.sort_values( ascending=False ).head(10))#按照值排序
   
3. print(grouped.sort_index())#按照索引排序

复制代码

1. import matplotlib.pyplot as plt
   
2. grouped = movies_df.groupby('country').size()
   
3. grouped_head_10=grouped.sort_values( ascending=False ).head(10)
   
4. print(grouped_head_10)#按照值排序
   
5. print(grouped.sort_index())#按照索引排序
   
6. grouped.plot(kind = 'bar')
   
7. plt.show()
   
8. grouped_head_10.plot(kind = 'bar')
   
9. plt.show()

复制代码

图2-1

    综上可见，美国以3773的优势取得第一，英国443位居第二，法国154位居第三，中国位居第九。

高质量电影分布

    前10名高质量电影的国家和具体数量

1. movie_max=movies_df['imdb_score'].sort_values(ascending=False).head(10)
   
2. print(pd.Index(movie_max ))
   
3. movie_max1=movies_df.sort_values(['imdb_score'],ascending=False).head(10)
   
4. #print(pd.Index(movie_max1 ))
   
5. print(movie_max1)
   
6. print(movie_max1[['movie_title','imdb_score']])

复制代码

    运行结果

1.                                           movie_title  imdb_score
   
2. 1937                        The Shawshank Redemption          9.3
   
3. 3466                                   The Godfather          9.2
   
4. 66                                   The Dark Knight          9.0
   
5. 2837                          The Godfather: Part II          9.0
   
6. 4498                  The Good, the Bad and the Ugly          8.9
   
7. 339    The Lord of the Rings: The Return of the King          8.9
   
8. 3355                                    Pulp Fiction          8.9
   
9. 1874                                Schindler's List          8.9
   
10. 2051  Star Wars: Episode V - The Empire Strikes Back          8.8
    
11. 683                                       Fight Club          8.8

复制代码

1. 
   
2. movie_max_series=pd.Series(movie_max['imdb_score'].values,index = movie_max['movie_title'])
   
3. print(movie_max_series)
   
4. movie_max_series.plot(kind='bar')
   
5. plt.show()

复制代码

图2-2

根据历史数据预测下一年的电影数量

1. grouped_year= movies_df.groupby('title_year').size()
   
2. print(grouped_year)
   
3. grouped_year.plot()
   
4. plt.show()

复制代码

图2-3

污妖王

这么多电影的数据集啊，好贴，收藏了

I_Like_AI

好资源，收藏了

此间少年

非常不错的资源