关闭

实战:战狼2票房数据分析——(3)数据读取及分析

标签: 数据分析pandaspython
2164人阅读 评论(0) 收藏 举报
分类:

前言

前面我们已经成功的把数据从网站上抓取下来并存入了csv文件当中,那么本章就演练将数据从csv中读取出来,并作相应的分析


数据读取

可以使用pandas的函数read_csv来读取数据,默认情况下csv文件的数据都是以逗号分隔的。

比如我们将前面的CSV文件用记事本打开,看到的结果如下

这里写图片描述

我们直接在命令窗口对文件进行读取,并显示前三行

In [190]: df = pd.read_csv('data\out.csv')

In [191]: df[:3]
Out[191]: 
   Unnamed: 0   name       box  boxRatio  playRatio  attendance
0  2017-08-01    战狼2  29249.43      86.3       56.4        42.4
1  2017-08-01   建军大业   3248.29       9.6       22.3        19.3
2  2017-08-01  神偷奶爸3    464.67       1.4        4.7        13.7

read_csv函数中有很多参数,例如通过设置sep参数可以修改默认的分隔符

df = pd.read_csv('data\out.csv', sep=';')

df[:3]
Out[198]: 
  ,name,box,boxRatio,playRatio,attendance
0  2017-08-01,战狼2,29249.43,86.3,56.4,42.4
1   2017-08-01,建军大业,3248.29,9.6,22.3,19.3
2    2017-08-01,神偷奶爸3,464.67,1.4,4.7,13.7

我们发现读取出来的数据就变成每行只有一条数据了,因为数据中没有;分隔符

通过name参数,修改DataFrame的索引,以下示例将name列改为索引

df = pd.read_csv('data\out.csv', index_col='name')

df[:3]
Out[202]: 
       Unnamed: 0       box  boxRatio  playRatio  attendance
name                                                        
战狼2    2017-08-01  29249.43      86.3       56.4        42.4
建军大业   2017-08-01   3248.29       9.6       22.3        19.3
神偷奶爸3  2017-08-01    464.67       1.4        4.7        13.7

通过encoding参数,修改编码格式。默认值为utf8

df = pd.read_csv('data\out.csv', encoding='latin1')

df[:3]
Out[213]: 
   Unnamed: 0           name       box  boxRatio  playRatio  attendance
0  2017-08-01        战狼2  29249.43      86.3       56.4        42.4
1  2017-08-01   建军大业   3248.29       9.6       22.3        19.3
2  2017-08-01  神偷奶爸3    464.67       1.4        4.7        13.7

先把数据,按照日期为索引的方式读取出来,日期我们并没有命名,从前面的读取结果可以看到,他的名字为0


In [222]: df = pd.read_csv('data\out.csv', index_col=0, parse_dates=[0], dayfirst=True)

In [223]: df[:3]
Out[223]: 
             name       box  boxRatio  playRatio  attendance
2017-08-01    战狼2  29249.43      86.3       56.4        42.4
2017-08-01   建军大业   3248.29       9.6       22.3        19.3
2017-08-01  神偷奶爸3    464.67       1.4        4.7        13.7

列选择

读取出来的数据类型是DataFrame,可以像从字典中获取元素一样,来获取某一列的数据

In [224]: df['box'][:3]
Out[224]: 
2017-08-01    29249.43
2017-08-01     3248.29
2017-08-01      464.67
Name: box, dtype: float64

对列数据进行绘图

只需要在取出来的列后面加上.plot()方法就行,So easy。

In [225]: df['box'].plot()
Out[225]: <matplotlib.axes._subplots.AxesSubplot at 0x10a2b5b0>

这里写图片描述

从图表中我们可以看出2017-08-05到2017-08-06的票房最高,我猜测这几天肯定是周末。翻看日历一看,果然是周六和周日。

我们也可以很容易的画出所有列。我们让图变大一点。

In [226]: df.plot(figsize=(15, 10))
Out[226]: <matplotlib.axes._subplots.AxesSubplot at 0x10f6f110>

这里写图片描述

由于票房数据的数值太大,所以其他数据都看不见了。


数据分析

我们现在的数据集不够多,我们从新执行命令,来获取50天的数据。(一次性获取太多数据或太频繁的获取,猫眼会让你输入验证码)

由于之间的时间方法是选定一个时间,再设置往后多少天,不太方便。我们将其改为往前多少天,即获取从今天开始,前50天的数据。

很简单,只需要将timedelta的days参数改为-1就行

def buildDates(start, days):
    day = timedelta(days=-1)
    for i in range(days):
        yield start + day*i

获取50天的数据

if __name__ == "__main__":
    df = getData(2017, 8, 11, 50)
    writeToCSV(df, 'data\out.csv')
    df = pd.read_csv('data\out.csv')

plot绘图中文显示

默认情况下,使用matplotlib进行绘图,如果有中文会显示不出来,这是因为matplotlib包默认只支持ASCII码,不支持unicode码。

解决方法,就是需要将 matplotlib 的安装目录下, matplotlibrc 配置文件修改一下,将font.family 部分注释去掉,并且在 font.serif 和 font.sans-serif 支持字体加上一个中文字体,如 SimHei。matplotlibrc文件的默认位置在C:\Python27\Lib\site-packages\matplotlib\mpl-data :

font.family         : sans-serif
font.style          : normal
font.variant        : normal
font.weight         : medium
font.stretch        : normal
# note that font.size controls default text sizes.  To configure
# special text sizes tick labels, axes, labels, title, etc, see the rc
# settings for axes and ticks. Special text sizes can be defined
# relative to font.size, using the following values: xx-small, x-small,
# small, medium, large, x-large, xx-large, larger, or smaller
#font.size           : 12.0
font.serif          : SimHei, Bitstream Vera Serif, New Century Schoolbook, Century Schoolbook L, Utopia, ITC Bookman, Bookman, Nimbus Roman No9 L, Times New Roman, Times, Palatino, Charter, serif
font.sans-serif     : SimHei, Bitstream Vera Sans, Lucida Grande, Verdana, Geneva, Lucid, Arial, Helvetica, Avant Garde, sans-serif

查看战狼2上映后的票房走势

In [23]: df = pd.read_csv('data\out.csv', index_col=0)

In [24]: df[df.name == '战狼2']['box'].sort_index().plot()
Out[24]: <matplotlib.axes._subplots.AxesSubplot at 0x111ffb30>

这里写图片描述

票房占比趋势

In [25]: df[df.name == '战狼2']['boxRatio'].sort_index().plot()
Out[25]: <matplotlib.axes._subplots.AxesSubplot at 0x10ca3770>

这里写图片描述

查看战狼2现有票房

In [51]: sum(df[df.name == '战狼2']['box'])
Out[51]: 405248.93000000005

已经突破40E了?查了下,果然突破40E了,恭喜恭喜。

查看历史总票房排名

将票房数据按照片名进行加总,并根据票房进行倒叙排列,再取出前10名

df2 = df.groupby(['name']).sum().sort('box', ascending=False)

df2[:10]
Out[74]: 
                   box  boxRatio  playRatio  attendance
name                                                   
战狼2          405248.93    1200.2      789.8      1052.0
变形金刚5:最后的骑士  150792.95     865.1      756.3       497.2
神偷奶爸3        102270.50     644.9      527.8       695.2
悟空传           69202.04     514.9      409.2       491.0
三生三世十里桃花      51162.79     130.3      209.2       167.6
建军大业          36883.16     117.5      245.9       634.9
绣春刀II:修罗战场    26366.93     238.9      237.3       634.9
京城81号II       21849.87     154.6      173.6       491.5
逆时营救          20115.38     173.2      190.5       429.0
父子雄兵          12449.89     109.1      132.8      1023.5

没有美人鱼是因为我们获取的数据是从2017年8月11日至前50天的,数据不够多啊 :(

In [87]: df2[:10].plot(kind='bar')
Out[87]: <matplotlib.axes._subplots.AxesSubplot at 0x207c5e70>

这里写图片描述

票房前10出席率

In [88]: df2['attendance'][:10].plot(kind='bar')
Out[88]: <matplotlib.axes._subplots.AxesSubplot at 0x20968d70>

这里写图片描述

票房前10排片率

In [89]: df2['playRatio'][:10].plot(kind='bar')
Out[89]: <matplotlib.axes._subplots.AxesSubplot at 0x2094cd70>

这里写图片描述

最后

再次祝贺战狼2,票房突破40E

这里写图片描述

2
2

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:53851次
    • 积分:1263
    • 等级:
    • 排名:千里之外
    • 原创:73篇
    • 转载:1篇
    • 译文:0篇
    • 评论:38条
    文章分类
    最新评论
    微信打赏作者
    微信