电影数据案例分析

• 需求
• 实现
• 问题一
• 问题二
• 问题三

需求

现在我们有一组从2006年到2016年1000部最流行的电影数据

数据来源：https://www.kaggle.com/damianpanek/sunday-eda/data

• 问题1：我们想知道这些电影数据中评分的平均分，导演的人数等信息，我们应该怎么获取？
• 问题2：对于这一组电影数据，如果我们想rating，runtime的分布情况，应该如何呈现数据？
• 问题3：对于这一组电影数据，如果我们希望统计电影分类(genre)的情况，应该如何处理数据？

实现

首先获取导入包，获取数据

%matplotlib inline
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

%matplotlib inline：解决某些平台，matplotlib 不能使用的情况。

#文件的路径 
path = "./data/IMDB-Movie-Data.csv" 
#读取文件 
df = pd.read_csv(path)

问题一

我们想知道这些电影数据中评分的平均分，导演的人数等信息，我们应该怎么获取？

• 得出评分的平均分
  使用mean函数

df["Rating"].mean()

• 得出导演人数信息
  求出唯一值，然后进行形状获取

## 导演的人数 
# df["Director"].unique().shape[0] 
np.unique(df["Director"]).shape[0]

问题二

对于这一组电影数据，如果我们想Rating，Runtime (Minutes)的分布情况，应该如何呈现数据？

• 直接呈现，以直方图的形式

选择分数列数据，进行plot

# Rating分布
movie['Rating'].plot(kind='hist')

• Rating进行分布展示

进行绘制直方图

plt.figure(figsize=(20,8),dpi=80) 
plt.hist(df["Rating"].values,bins=20) 
plt.show()

修改刻度的间隔

# 求出最大最小值 
max_ = df["Rating"].max() 
min_ = df["Rating"].min() 
# 生成刻度列表 
t1 = np.linspace(min_,max_,num=21) 
# [ 1.9 2.255 2.61 2.965 3.32 3.675 4.03 4.385 4.74 5.095 5.45 5.805 6.16 6.515 6.87 7.225 7.58 7.935 8.29 8.645 9. ] 
# 修改刻度 
plt.xticks(t1) 
# 添加网格 
plt.grid()

• Runtime (Minutes) 进行分布展示

# 1.创建画布
plt.figure(figsize=(20, 8), dpi=100)
# 2.绘制图像
plt.hist(movie['Runtime (Minutes)'].values, bins=20)

# 2.1添加刻度
max_ = movie['Runtime (Minutes)'].max()
min_ = movie['Runtime (Minutes)'].min()

t1 = np.linspace(min_, max_, 21)

plt.xticks(t1, fontsize=15)

# 2.2添加网格
plt.grid(linestyle='--')

# 2.3添加x,y轴描述
plt.xlabel('Runtime (Minutes)', fontsize=20)
plt.ylabel('Count', fontsize=20)

# 3.显示图像
plt.show()

问题三

对于这一组电影数据，如果我们希望统计电影分类(genre)的情况，应该如何处理数据？

思路分析

• 1、创建一个全为0的dataframe，列索引置为电影的分类，temp_df
• 2、遍历每一部电影，temp_df中把分类出现的列的值置为1
• 3、求和

1、创建一个全为0的dataframe，列索引置为电影的分类，temp_df

# 进行字符串分割 
temp_list = [i.split(",") for i in df["Genre"]] 
# 获取电影的分类 
genre_list = np.unique([i for j in temp_list for i in j]) 

# 增加新的列 
temp_df = pd.DataFrame(np.zeros([df.shape[0],genre_list.shape[0]]),columns=genre_list)

2、遍历每一部电影，temp_df中把分类出现的列的值置为1

for i in range(1000): 
	#temp_list[i] ['Action','Adventure','Animation'] 	
	temp_df.ix[i,temp_list[i]]=1 
print(temp_df.sum().sort_values())

DataFrame.ix[]：混合索引被淘汰可以使用loc，iloc进行替换实现相同效果

参考：Pandas二次学习- 回炉重造（进阶）

for i in range(1000):
    temp_movie.iloc[i, temp_movie.columns.get_indexer(temp_list[i])] = 1

3、求和,绘图

# colormap：使显示颜色更好看
temp_df.sum().sort_values(ascending=False).plot(kind="bar",figsize=(20,8),fontsize=20,colormap="cool")

加油!

感谢!

努力!