Python数据分析项目案例 电影Top100榜单分析（附源数据代码）_猫眼电影top100的数据分析(1)

大纲

内容简介:

对猫眼电影网站的Top100榜单进行数据分析，寻找好电影中隐藏的规律和价值。

源数据:

一份从猫眼电影网站爬取的csv文件。

字段：电影名，主演，上映时间及地区，平均，时长。

记录：100个按评价排序的好电影

部分截图：

相关工具:

excel、python

分析内容：

分析1: Top100电影地区分布

分析2: Top100电影上映年份分布

分析3: Top100电影风格分布

分析4：铸就经典!谁是好电影保障？

正文

01导入库、整体风格设置=

说明：

1. 导入numpy、和pandas用作数据分析基本库。
2. 导入matplotlib和seaborn用作可视化。
3. 最后三行，使中文内容能够友好的展示出来。

02导入数据

1. pd.read_csv导入数据
   

2.df.info()得数据不存在缺失值

03数据处理

1.将’上映时间及地区’列 分成 ‘上映年份’和’上映地区’两列

2.将’上映地区’列中的’中国香港’改为’中国’，‘法国戛纳’改为’法国’

3.成功得出需要的格式

04数据分析

分析1: Top100电影地区分布

代码：

可视化：

结论：结果估计和大家的预料差不多，虽然此数据是由大多数中国网友投票得出的，但是美国还是几乎包揽了榜单的一半。毕竟美国作为电影制造大国，无论从制作水平，剧情设置，硬件设备等方面都远远领先其他国家，我们熟知的好莱坞也是大片频出。值得一提的是，日本的上榜数竟然有10部电影之多（国内也才16部）看来中国影迷对日本电影还是有不错的评价的。

分析2: Top100电影上映年份分布

代码2.1：

可视化2.1：

代码2.2：

可视化2.2：榜单前20


结论：

1. 通过可视化结果2.1得出，从上世纪90年代到现在，榜单中电影分布相对均衡，这与大家经常听到的”这年头烂片横出，好电影越来越少”背道而驰。看来不是好电影越来越少了，而是拍电影的人越来越多了，好片率下降，使人们觉得好片越来越少了。但其实这并不影响每年的那几部好电影的“横空出世”
2. 通过可视化结果2.2能看出来，虽然前面说了好电影时间上分布还算均衡，但是榜单前19名，却全部都是90年代的电影。看来经典中的经典，还得看90。90年代不愧被称为世界电影史的辉煌。

分析3: Top100电影风格分布

代码：


可视化结果：

结论：

越小众，占比越少(恐怖片，歌舞片)，越大众，占比越多（爱情，喜剧）。这个风格分布其实和全部电影（不只是前100）的分布相似。本身基数小的小众风格先天不足，很难在这个榜单中占据多数，而剧情、爱情、喜剧这类老少皆宜，大家都爱看，大家都爱拍的电影基数特别大，能够占据更多的位置是情理之中。

现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。

分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！