数据分析案例-外国电影票房数据可视化分析

已于 2024-01-26 14:27:23 修改
阅读量1.9w 收藏 178
点赞数 106
分类专栏： 数据分析 数据可视化 文章标签： 信息可视化 python 数据分析
于 2024-01-03 18:05:23 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_64336780/article/details/135264309
版权

 3f6a7ab0347a4af1a75e6ebadee63fc1.gif

🤵‍♂️ 个人主页：@艾派森的个人主页

✍🏻作者简介：Python学习者
🐋 希望大家多多支持，我们一起进步！😄
如果文章对你有帮助的话，
欢迎评论 💬点赞👍🏻 收藏 📂加关注+

目录

1.项目背景

2.数据集介绍

3.技术工具

4.导入数据

5.数据可视化

5.1基于门票销售和发行数量的流行类型

5.2类型和收益分析

5.3多年来的类型趋势和分析

5.4一段时间内选定类型中票房最高的电影

5.5多年来的类型分布

5.6受众参与分析

5.7历年最佳电影表现

5.8按类型划分的每部电影平均收入

5.9不同类型的门票销售和发行

5.10通货膨胀调整后总收益的类型趋势

5.11每个类型和收入的顶级电影

 文末推荐与福利

1.项目背景

        外国电影票房数据的可视化分析是一项有益的研究，通过对电影票房数据进行可视化呈现，可以深入挖掘影响因素、趋势和模式，为电影产业的决策制定、市场规划和投资提供重要参考。以下是该实验的背景：

  1. 全球电影市场的扩张： 随着全球化的发展，外国电影在国际市场上的份额逐渐增加。了解外国电影在不同国家和地区的票房表现，可以为电影制片方、发行方以及相关从业者提供参考，帮助他们更好地规划国际上映策略和市场推广。

  2. 文化差异与受众喜好： 不同国家和地区有着独特的文化、语言和审美趣味，这些因素对电影的受众喜好产生深远影响。通过可视化分析外国电影在不同市场的票房表现，可以揭示出文化差异对电影市场的影响，帮助制片方更好地理解目标受众。

  3. 市场趋势和热点分析： 通过对外国电影票房数据的时间趋势分析，可以识别出不同时间段内的热门类型、导演或演员，帮助行业从业者把握市场趋势，更好地进行投资和项目规划。

  4. 数据驱动决策： 随着大数据和数据科学技术的发展，电影产业也越来越注重数据驱动的决策。通过可视化分析外国电影票房数据，可以提供直观的数据呈现，帮助从业者迅速理解市场格局，为决策提供更科学的依据。

  5. 竞争分析与市场定位： 了解外国电影在全球市场的竞争格局，分析不同电影的成功或失败因素，有助于制片方更好地制定市场定位策略，避免竞争风险，提高影片在国际市场上的竞争力。

        通过对外国电影票房数据的可视化分析，可以为电影从业者提供全面的市场洞察，促使他们更加精准地应对市场变化，优化电影制作和推广策略。

2.数据集介绍

        该数据集来源于kaggle，该数据集包含1995年至2018年上映的电影类型统计数据，原始数据集共有300条，9个变量，各变量含义解释如下：

Genre：电影的类别或类型。（分类）

Year：电影发行的年份。（数字）

Movies Released ：特定类型和年份发行的电影数量。（数字）

Gross：该类型和年份的电影产生的总收入。（数字）

Tickets Sold：该类型和年份的电影售出门票总数。（数字）

Inflation-Adjusted Gross：考虑到货币价值随时间的变化，根据通货膨胀进行调整的总收入。（数字）

Top Movie：该类型和年份中票房最高的电影的标题。（文本）

Top Movie Gross (That Year)：该类型和年份中票房最高的电影产生的总收入。（数字）

Top Movie Inflation-Adjusted Gross (That Year)：根据该类型和年份的通货膨胀调整后票房最高的电影的总收入。（数字）

3.技术工具

Python版本:3.9

代码编辑器：jupyter notebook

4.导入数据

导入数据分析常用的第三方库并加载数据

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots
import plotly.subplots as sp

df = pd.read_csv("movies_data.csv")
df.head()

a91308a02aa44fc3977b6d2d2ab5cd65.png

查看数据大小

 03465aa8cbd6438d99e3f0b4562879c0.png

查看数据基本信息

470c76c4ad8b4fafb89f53263c8bf2f7.png

查看数值型变量的描述性统计

46e9f4d63a084aebadc4ed2ce138b642.png

查看非数值型变量的描述性统计

4dbf5ac503854083858e5f5c32ec2d18.png

统计缺失值情况

ebdf4c3405be4317affc47882a1592fb.png

检测是否存在重复值 

 36c2f6f16c194f7c9f11ae60c982f6b0.png

结果为False，说明不存在

5.数据可视化

5.1基于门票销售和发行数量的流行类型

# 基于门票销售和发行数量的流行类型
# 根据上映的电影数量找到受欢迎的类型
genre_movies_released = df.groupby('Genre')['Movies Released'].sum().sort_values(ascending=False)
print("Popular genres based on Movies Released:")
print(genre_movies_released.head())
# 根据售出的门票总数来查找受欢迎的类型
genre_tickets_sold = df.groupby('Genre')['Tickets Sold'].sum().sort_values(ascending=False)
print("\nPopular genres based on Tickets Sold:")
print(genre_tickets_sold.head())
fig, axes = plt.subplots(2, 1, figsize=(10, 8))
genre_movies_released.head().plot(kind='bar', ax=axes[0], color='skyblue')
axes[0].set_title('Top Genres by Movies Released')
axes[0].set_ylabel('Total Movies Released')
genre_tickets_sold.head().plot(kind='bar', ax=axes[1], color='lightcoral')
axes[1].set_title('Top Genres by Tickets Sold')
axes[1].set_ylabel('Total Tickets Sold')
plt.tight_layout()
plt.show()

058ec01add7b47de8802247cb2af8c52.png

c93209b8a66d4f28a15de1b01c14b9ac.png

5.2类型和收益分析

# 类型和收益分析
genre_gross = df.groupby('Genre')['Gross'].sum().sort_values(ascending=False).head()
genre_inflation_adjusted_gross = df.groupby('Genre')['Inflation-Adjusted Gross'].sum().sort_values(ascending=False).head()
genre_top_movie_gross = df.groupby('Genre')['Top Movie Gross (That Year)'].max().sort_values(ascending=False).head()
fig = make_subplots(rows=3, cols=1, subplot_titles=['Top Genres by Gross Revenue', 'Top Genres by Inflation-Adjusted Gross Revenue', 'Top Genres by Top Movie Gross (That Year)'])
fig.add_trace(go.Bar(x=genre_gross.index, y=genre_gross.values, name='Gross Revenue', marker_color='skyblue'), row=1, col=1)
fig.add_trace(go.Bar(x=genre_inflation_adjusted_gross.index, y=genre_inflation_adjusted_gross.values, name='Inflation-Adjusted Gross Revenue', marker_color='lightcoral'), row=2, col=1)
fig.add_trace(go.Bar(x=genre_top_movie_gross.index, y=genre_top_movie_gross.values, name='Top Movie Gross (That Year)', marker_color='lightgreen'), row=3, col=1)
fig.update_layout(height=900, showlegend=False, title_text="Financial Success of Genres")
fig.update_xaxes(title_text="Genres", row=3, col=1)
fig.update_yaxes(title_text="Total Gross Revenue", row=1, col=1)
fig.update_yaxes(title_text="Total Inflation-Adjusted Gross Revenue", row=2, col=1)
fig.update_yaxes(title_text="Top Movie Gross (That Year)", row=3, col=1)
fig.show()

453be495f02045798427a51ed2d107b8.png

5.3多年来的类型趋势和分析

# 多年来的类型趋势和分析
selected_genres = ['Action', 'Comedy', 'Drama', 'Adventure']
filtered_df = df[df['Genre'].isin(selected_genres)]
fig = px.line(filtered_df, x='Year', y='Movies Released', color='Genre',
              title='Movie Releases Over Time for Selected Genres',
              labels={'Movies Released': 'Number of Movies Released'},
              line_shape='linear')
fig.show()

# 为不同年份的总收入创建一个交互式折线图
fig = px.line(filtered_df, x='Year', y='Gross', color='Genre',
              title='Gross Revenue Over Time for Selected Genres',
              labels={'Gross': 'Total Gross Revenue'},
              line_shape='linear')
fig.show()

4e69a8db6e6e42e1b97c5f12b82d1a2a.png

5.4一段时间内选定类型中票房最高的电影

# 一段时间内选定类型中票房最高的电影
selected_genres = ['Action', 'Comedy', 'Drama', 'Adventure']
filtered_df = df[df['Genre'].isin(selected_genres)]
# 创建一个交互式条形图来显示每种类型和年份中票房最高的电影
fig = px.bar(filtered_df, x='Year', y='Top Movie Gross (That Year)', color='Genre',
             title='Highest-Grossing Movies in Selected Genres Over Time',
             labels={'Top Movie Gross (That Year)': 'Gross Revenue'},
             text='Top Movie', height=500)
fig.update_traces(textposition='outside')
fig.show()

f0363f61088b447284d2aee4aa50d442.png

5.5多年来的类型分布

# 多年来的类型分布
# 多年来类型分布的堆叠区域图
fig = px.area(df, x='Year', y='Movies Released', color='Genre',
              title='Genre Distribution Over the Years',
              labels={'Movies Released': 'Number of Movies Released'},
              height=500)
fig.show()

e986ed735b814b1196a2cc352007b067.png

5.6受众参与分析

#　受众参与分析
# 观众参与的散点图
fig = px.scatter(df, x='Tickets Sold', y='Gross', color='Genre',
                 title='Audience Engagement by Genre',
                 labels={'Tickets Sold': 'Number of Tickets Sold', 'Gross': 'Total Gross Revenue'},
                 height=500)
fig.show()

454ea54b88c843c3a9fb6c4e8b4e1893.png

5.7历年最佳电影表现

# 历年最佳电影表现
# 随时间变化的顶级电影表现的折线图
fig = px.line(df, x='Year', y='Top Movie Gross (That Year)', color='Genre',
              title='Top Movie Performance Over Time',
              labels={'Top Movie Gross (That Year)': 'Gross Revenue'},
              height=500)
fig.show()

113742f4a8374b779f14e462d5df133d.png

5.8按类型划分的每部电影平均收入

#　按类型划分的每部电影平均收入
# 按类型计算每部电影的平均收入
df['Average Revenue per Movie'] = df['Gross'] / df['Movies Released']
# 按类型划分的每部电影平均收入柱状图
fig = px.bar(df, x='Genre', y='Average Revenue per Movie',
             title='Average Revenue per Movie by Genre',
             labels={'Average Revenue per Movie': 'Average Revenue per Movie'},
             height=500)
fig.show()

769e24f63e2841d9b9de2f2c41929a8d.png

5.9不同类型的门票销售和发行

# 不同类型的门票销售和发行
fig = px.violin(df, x='Genre', y='Tickets Sold',
                title='Genre-wise Ticket Sales Distribution',
                labels={'Tickets Sold': 'Number of Tickets Sold'},
                height=500)
fig.show()

620e6a6df42745cebd939d0c305fad38.png

5.10通货膨胀调整后总收益的类型趋势

# 通货膨胀调整后总收益的类型趋势
fig = px.line(df, x='Year', y='Inflation-Adjusted Gross', color='Genre',
              title='Genre Trends in Inflation-Adjusted Gross Revenue',
              labels={'Inflation-Adjusted Gross': 'Inflation-Adjusted Gross Revenue'},
              height=500)
fig.show()

b4a45b00a9a24c3e98a3398227de6e25.png

5.11每个类型和收入的顶级电影

# 每个类型和收入的顶级电影
unique_top_movies_count = df.groupby('Genre')['Top Movie'].nunique().sort_values(ascending=False)
top_movies_gross = df.groupby('Top Movie')['Top Movie Gross (That Year)'].max().sort_values(ascending=False).head(10)
fig = sp.make_subplots(rows=3, cols=1, subplot_titles=['Count of Unique Top Movies per Genre', 'Top Movies with the Highest Gross Revenue', 'Distribution of Gross Revenue for Top Movies'])
fig.add_trace(go.Bar(x=unique_top_movies_count.index, y=unique_top_movies_count.values),
              row=1, col=1)
fig.add_trace(go.Bar(x=top_movies_gross.index, y=top_movies_gross.values),
              row=2, col=1)
fig.add_trace(go.Box(x=df['Top Movie'], y=df['Top Movie Gross (That Year)']),
              row=3, col=1)
fig.update_layout(height=1000, showlegend=False, title_text="Top Movie Analysis")
fig.show()

77ba6b9e844f43fd8103f7f6bb420c85.png

 文末推荐与福利

《AI时代Python金融大数据分析实战》免费包邮送出3本！

​9c77446d0fac4dc8bde8836cbf1cce1a.jpeg

内容简介：

        本书是一本针对金融领域的数据分析和机器学习应用的实用指南。本书以ChatGPT为核心技术，结合Python编程和金融领域的基础知识，介绍如何利用ChatGPT处理和分析金融大数据，进行预测建模和智能决策。

        通过阅读本书，读者将掌握使用ChatGPT和其他工具进行金融大数据分析的基本原理和方法。无论是金融行业 从业者还是数据分析员，都可以从本书中获得宝贵的实用知识，提升在金融领域的数据分析和决策能力。无论是对于初学者还是有一定经验的专业人士，本书都能够提供实用的案例和技巧，帮助读者更好地应用ChatGPT和其他技术解决金融领域的实际问题。

编辑推荐：     

1.金融大数据分析新模式：让金融大数据分析更高效、更快捷、更完美。

2.全流程解析：涵盖架构设计的不同应用场景，介绍从金融大数据分析Python基础、获取、基础库、数据库，再到预处理与清洗、分析、建模等关键环节。

3.实战检验：ChatGPT结合多种金融大数据分析工具及案例实操讲解，理解更加透彻。

4.快速提高金融大数据分析效率：揭秘ChatGPT与金融大数据分析高效融合的核心方法论和实践经验。

5.赠送资源：赠送教学视频及配套工具，供读者下载学习。

  • 抽奖方式：评论区随机抽取3位小伙伴免费送出！
  • 参与方式：关注博主、点赞、收藏、评论区评论“人生苦短，拒绝内卷！”（切记要点赞+收藏，否则抽奖无效，每个人最多评论三次！）
  • 活动截止时间：2024-1-6 20:00:00

  • 当当链接：http://product.dangdang.com/29667322.html

    京东链接：https://item.jd.com/14319700.html

 名单公布时间：2024-1-6 21:00:00 

647d4a03578b4227bf8b62a5cc86415c.png

 

资料获取，更多粉丝福利，关注下方公众号获取

a74f7d5d03234f7c8a635562034442a0.gif#pic_center

 

艾派森
关注
  • 106
    点赞
  • 踩
  • 178
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 144
    评论
专栏目录
数据分析案例-电影数据可视化分析
m0_64336780的博客
06-12 2万+
数据介绍数据为2011-2021电影数据可视化分析首先导入本次项目需要的包和数据 数据预处理 可视化
Python数据可视化：2024年电影分析_针对猫眼电影评论数据怎么可视化分析
最新发布
m0_60721823的博客
04-29 928
bom = [‘分’, score[0].get_text().replace(‘.’, ‘’).replace(‘万’, ‘’), unit[0].get_text()]data[“people”] = int(float(moviewish.replace(‘万’, ‘’)) * 10000)bom = [‘分’, score[0].get_text().replace(‘.’, ‘’).replace(‘万’, ‘’), 0]# 通过比对获取反爬文字信息。获取电影详情页里的信息。
数据源：2017电影票房数据.xlsx
07-02
数据源
基于机器学习的电影票房分析与预测系统
Python极客之家
05-21 1万+
本项目利用 boxoffice mojo数据集（by IMDBpro）构建票房预测模型，首先将影响电影票房的因素如电影类型、上映档期、导演、演员等量化处理并进行可视化分析。采用多元线性回归模型、决策树回归模型、Ridge regression 岭回归模型、Lasso regression 岭回归模型和随机森林回归模型实现票房的预测，并进行以上模型的 model stacking，实现预测误差的进一步降低。...
中国电影票房排行数据爬取及分析可视化
qq_45856698的博客
11-19 2346
对中国电影票房排行数据的爬取和分析可视化具有多方面的用处：例如了解电影市场的历史趋势，包括不同类型电影的受欢迎程度、票房的季节性波动。识别观众对于不同类型电影的偏好，为电影制片方提供指导，以选择更有市场潜力的题材和类型。本期使用python爬取中国电影票房排行数据，并进行数据分析。
电影票房多视图可视化（echarts）
Yvelyne的博客
11-14 4868
可视化小白本学期一门课的作业报告，附全部代码和数据，欢迎交流学习。
代码分享：电影数据分析与可视化系统
07-10
项目使用教程可以关注博主的主页，有对应博客：https://blog.csdn.net/weixin_43486940 本文主要介绍如何使用python搭建：一个基于Python的电影数据分析与可视化系统 项目功能和可视化展示界面涉及以下功能模块，包括： 1、用户登录界面。 2、爬虫电影数据收集。 3、电影简介界面。根据用户偏好展示TOP10的电影。 4、搜索功能界面。按照电影名、导演、演员，模糊匹配需要搜索的电影，并展示电影详情。 5、电影数据分析可视化界面。用户选择关键词来查看数据和该分类下的数据可视化。 6、数据分析可视化包括：①电影年代、产地、类型的饼状图或柱状体、②关于电影评价的词云图分析。
基于python实现分析爬取的中国电影票房数据并可视化源码.zip
06-19
基于python实现分析爬取的中国电影票房数据并可视化源码.zip 基于python实现分析爬取的中国电影票房数据并可视化源码.zip 基于python实现分析爬取的中国电影票房数据并可视化源码.zip 利用python分析爬取的中国电影...
基于Python的电影数据可视化分析系统.zip
11-17
基于Python的电影数据可视化分析系统.zip电影可视化系统（python+flask+mysql+pyecharts+layuiAdmin）基于Python的电影数据可视化分析系统.zip电影可视化系统（python+flask+mysql+pyecharts+layuiAdmin）基于Python...
最新Pyhton电影数据分析、数据可视化
07-24
最新Pyhton电影数据分析、python电影数据可视化。项目内容所涉及组件Pandas、matplotlib、numpy等。采用python3.7及以上开发环境。
Python爬虫-B站动漫数据分析与可视化
11-18
资源中包含了爬虫代码、数据处理代码、数据分析代码，也包含了爬取数据集、可视化结果图，同时资源中也提供了一个对本项目进行简单介绍的readme文件，其中包含了对爬虫细节以及数据处理、数据分析、数据可视化的详细...
pandas数据处理 + matplotlib可视化（电影票房分析）
qq_56862455的博客
03-10 1607
这个是简单数据分析加可视化
【Python数据可视化】2023中秋国庆电影票房数据
HuJiaPeng123的博客
10-28 825
【Python】数据分析及其可视化，Pyecharts绘制多图数据，41+个指标协助观察中秋国庆电影票房状态
基于python电影票房数据分析可视化系统 毕业设计开题报告
杭州.黄老师
11-14 2457
基于python电影票房数据分析可视化系统 毕业设计开题报告,大学生毕业设计毕设开题报告模板
基于Python电影票房数据爬取分析可视化系统 计算机毕业设计（附源码）✅
vx_biyesheji0001的博客
12-24 1242
基于Python电影票房数据爬取分析可视化系统 计算机毕业设计（附源码）✅
电影数据可视化综合分析
Bio大恐龙
08-13 1617
1. 解决`matplotlib`不能绘制中文的问题 2. 如何使用`matplotlib`包绘制柱状图、折线图、箱线图、饼图等 3. 填充na的方法（线性模型，支持向量机） 4. 衡量变量之间的关系以及建模 5. 图（graph）可视化分析
数据分析项目实战：电影数据分析
热门推荐
markshui的博客
08-26 2万+
一、项目背景 电影公司制作一部新电影推向市场时，要想获得成功，通常要了解电影市场趋势，观众 喜好的电影类型，电影的发行情况，改编电影和原创电影的收益情况，以及观众喜欢什么样的内容 本案例来源于 kaggle 上的 TMDB 5000 Movie Dataset 数据集，为了探讨电影数据可视化， 为电影的制作提供数据支持，主要研究以下几个问题： （1）电影类型如何随着时间的推移发生变化的？ （2）电影类型与利润的关系？ （3）Universal 和 Paramount 两家影视公司的对比情况如何？ （4）改编
Python数据分析案例30——中国高票房电影分析（爬虫获取数据及分析可视化全流程）
weixin_46277779的博客
09-01 1万+
针对中国高票房电影，演示了从数据爬虫获取，到清洗整理，再到计算和可视化分析的全流程。
r:数据分析-----汽车数据可视化
12-13
数据分析在汽车行业中起着至关重要的作用。汽车数据可视化是一种通过图表、图像和其他可视化技术来呈现汽车数据的方式，它能够帮助汽车制造商、经销商和消费者更好地理解汽车行业的趋势和发展。 首先，汽车数据可视化可以帮助汽车制造商更好地了解消费者的需求和喜好。通过分析销售数据、客户反馈和市场趋势，制造商可以更好地了解消费者的购车偏好，从而调整生产策略和推出更受消费者欢迎的汽车产品。 其次，汽车数据可视化还可以帮助汽车经销商更好地管理库存和销售。通过数据可视化，经销商可以实时监控库存情况、销售进展和市场需求，从而及时调整进货和销售策略，降低库存风险，提高销售效率。 此外，汽车数据可视化也对消费者具有重要意义。消费者可以通过可视化的方式更直观地了解不同汽车品牌、型号的性能、价格和口碑，从而更好地做出购车决策。 总之，数据分析结合汽车数据可视化为汽车行业的各个参与者提供了更深入、更全面的数据洞察，帮助他们更好地理解市场趋势、消费者需求，从而做出更明智的决策。汽车数据可视化不仅有助于提升汽车行业的效率和竞争力，也为消费者提供了更好的购车体验。
评论 144
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

艾派森

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值