电影数据处理及分析

• 数据读取

import pandas as pd
import os
import numpy as np 
import matplotlib.pyplot as plt

os.chdir("E:\\code\\python_basic\\项目01_电影数据处理及分析实战\\")

data = pd.read_csv('爱奇艺视频数据.csv', engine = 'python')
print(data.head())

• 数据清洗(去除空值)

def data_cleaning(df):
    cols = df.columns
    for col in cols:
        if df[col].dtype ==  'object':
            df[col].fillna('缺失数据', inplace = True)
        else:
            df[col].fillna(0, inplace = True)
    return(df)

data_c1 = data_cleaning(data)
print(data_c1.head(10))

• 数据清洗 - 时间标签转化 需要将中文日期转化为非中文日期，例如 2016年5月24日 → 2016.5.24

def data_time(df, col):
    df[col] = df[col].str.replace('年','.')
    df[col] = df[col].str.replace('月','.')
    df[col] = df[col].str.replace('日','')
    df[col] = pd.to_datetime(df[col])
    return(df)
# 该函数将输入列名的列，改为DatetimeIndex格式

data_c2 = data_time(data_c1,'数据获取日期')
print(data_c2.head(10))

• 分析出不同导演电影的好评率，并筛选出TOP20

#按导演分组选择好评数和评分人数两列进行求和
df_q1 = data_c2.groupby('导演')[['好评数','评分人数']].sum()
#计算好评率
df_q1['好评率'] = df_q1['好评数'] / df_q1['评分人数']
#按好评率进行非升序排序并切片出前20行
result_q1 = df_q1.sort_values(['好评率'], ascending=False)[:20]
# 计算统计不同导演的好评率
#按标签和好评率为x和y轴绘制柱状图
result_q1['好评率'].plot(kind='bar',
       color = 'k',
       width = 0.8,
       alpha = 0.1,
       rot = 45,
       grid = False,
       ylim = [0.98,1],
       figsize = (12,4),
       title = '不同导演电影的好评率')

• 统计分析2001-2016年每年评影人数总量

q2data1 = data_c2[['导演','上映年份','整理后剧名']].drop_duplicates()  
q2data1 = q2data1[q2data1['上映年份'] != 0]
# 筛选出不同年份的数据，去除‘上映年份’字段缺失数据

q2data2 = data_c2.groupby('整理后剧名').sum()[['评分人数','好评数']]
# 求出不同剧的评分人数、好评数总和

q2data3 = pd.merge(q2data1,q2data2,left_on='整理后剧名',right_index=True)
# 合并数据，得到不同年份，不同剧的评分人数、好评数总和

q2data4 = q2data3.groupby('上映年份').sum()[['评分人数','好评数']]
# 按照电影上映年份统计，评分人数量

#绘制面积图
fig1 = plt.figure(num=1,figsize=(12,4))
q2data4['评分人数'].loc[2000:].plot.area(figsize = (10,4),
                                    grid = True,
                                    color = 'g',
                                    alpha = 0.8)
plt.xticks(range(2001,2016))
plt.title('2001-2016年每年评影人数总量统计')
# 创建面积图
# 每年影评人数通过每个电影来判断是否合理？
# 存在异常值，哪些是异常值？

fig,axes = plt.subplots(4,4,figsize=(10,16))
start = 2001
for i in range(4):
    for j in range(4):
        data = q2data3[q2data3['上映年份'] == start]
        data[['评分人数','好评数']].boxplot(whis = 3,  # IQR为3
                                            return_type='dict',ax = axes[i,j])  # 创建矩阵箱型图
        start += 1
# 发现基本每年的数据中都有异常值，且为极度异常

• 创建函数得到外限最大最小值 查看异常值

# 创建函数得到外限最大最小值
# 查看异常值

a = q2data3[q2data3['上映年份'] == 2001]
def data_error(df,col):
    q1 = df[col].quantile(q=0.25)  # 上四分位数
    q3 = df[col].quantile(q=0.75)  # 下四分位数
    iqr = q3 - q1   # IQR
    tmax = q3 + 3 * iqr  # 外限最大值
    tmin = q3 - 3 * iqr  # 外限最小值
    return(tmax,tmin)
# 创建函数，得到外限最大最小值

for i in range(2000,2016):
    datayear = q2data3[q2data3['上映年份'] == i]  # 筛选该年度的数据
    print('%i年有%i条数据' % (i,len(datayear)))  # 查看每年的数据量
    t = data_error(datayear,'评分人数')  # 得到外限最大最小值
    #print(t)
    print(datayear[datayear['评分人数'] > t[0]])  # 查看评分人数大于外限最大值的异常值
    print('-------\n')
# 查看异常值信息