pandas离散字符串

• 现有数据，需要将genre这列，电影分类数据统计出来，如下：
  
• 首先导入库，读取数据：

import pandas as pd
import numpy as np

data = pd.read_csv("IMDB-Movie-Data.csv")
data.head()

• 需要注意的是一部电影可能会有多个分类，所以我们需要将该列数据进行处理，使用str.split()方法将字符串用逗号分割，取值：

genres_list = data["Genre"].str.split(",").values
genres_list

• 使用列表推导式提取每一个列表中的类别，然后使用集合去重，再转换为列表：

new_genres_list = list(set([genre for genres in list(genres_list) for genre in genres]))
new_genres_list

• 创建一个列索引为电影分类，行数和data一致，并填充数据为0的DataFrame

genre_df = pd.DataFrame(np.zeros((data.shape[0], len(new_genres_list))), columns=new_genres_list)
genre_df

• 遍历genre_df中的每一行，同时取出genres_list中相同索引的列表，这个列表即列索引，取出 genre_df中对应的分类赋值为1

for i in range(data.shape[0]):
    genre_df.loc[i, genres_list[i]] = 1
genre_df

• 对数据的每一列进行求和，即得到了所有电影的类别个数

genre_sum = genre_df.sum(axis=0)
genre_sum.sort_values(inplace=True, ascending=False)

• 画一个条形图就大功告成了，可以看到分类最多的是drama，最少的是musical

from matplotlib import pyplot as plt
import matplotlib as mpl


mpl.rcParams['font.family'] = 'SimHei' #设置字体为黑体
mpl.rcParams['axes.unicode_minus'] = False #设置在中文字体是能够正常显示负号（“-”）

plt.figure(figsize=(12,8), dpi=100)

y = genre_sum.values
x = range(len(genre_sum))
x_label = genre_sum.index

plt.bar(x, y, color="orange")

# 设置轴刻度
plt.xticks(x, x_label, rotation=45)


plt.title("1000部电影的类型数量", fontsize=20, fontstyle="italic")
# 设置值标签
for x,y in zip(x,y):
    plt.text(x - 0.2, y + 5, int(y), color="grey")

plt.xlabel("类别", fontsize=18)
    
plt.show()