Kaggle--TMDB电影数据分析数据集+代码

TMDB电影数据分析，包括Kaggle上的原始数据集，以及代码，实现电影类型和票房，利润等的关系，对比两个公司的电影类型收入，拍摄集中年份，画出饼图，条形图，折线图，并进行关键词的提取，做出词云图。

import pandas as pd
import numpy as np
import json
#可视化包
import matplotlib.pyplot as plt
import matplotlib
#加载词云图
from wordcloud import WordCloud
#更改字体
plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘]

#读取演员列表信息和电影列表信息数据
credits = pd.read_csv（‘tmdb_5000_credits.csv‘encoding=‘utf-8‘）
movies = pd.read_csv（‘tmdb_5000_movies.csv‘encoding=‘utf-8‘）

json_cols = [‘cast‘‘crew‘]
#json
#编码：把python对象编码转换json字符串   json.dumps
#解码：把json字符串转换成python对象   json.loads
for i in json_cols:
    credits[i] = credits[i].apply（json.loads）
#用json方法汇总所有类型
def get_name（x）:
    return ‘‘.join（[i[‘name‘] for i in x]）

# cast 提取演员

credits[‘cast‘] = credits[‘cast‘].apply（get_name）
# crew 提取导演
def director（x）:
    for i in x:
        if i[‘job‘] ==‘Director‘:
            return i[‘name‘]
credits[‘crew‘] = credits[‘crew‘].apply（director）
# print（credits.head（））

#将‘crew‘转换为’directo‘
credits.rename（columns = {‘crew‘:‘director‘}inplace=True）
# print（credits.head（））

#movies 解析
json_colss = [‘genres‘‘keywords‘‘spoken_languages‘‘production_countries‘‘production_companies‘]
for i in json_colss:
    movies[i]=movies[i].apply（json.loads）

def get_names（x）:
    return ‘‘.join（[i[‘name‘] for i in x]）

movies[‘genres‘]=movies[‘genres‘].apply（get_names）
movies[‘keywords‘]=movies[‘keywords‘].apply（get_names）
movies[‘spoken_languages‘]=movies[‘spoken_languages‘].apply（get_names）
movies[‘production_countries‘]=movies[‘production_countries‘].apply（get_names）
movies[‘production_companies‘]=movies[‘production_companies‘].apply（get_names）

# print（（credits[‘title‘]==movies[‘title‘]）.describe（））

del movies[‘title‘]
#合并两张表
df = credits.merge（right=movieshow=‘inner‘left_on=‘movie_id‘right_on=‘id‘）
# print（df.head（））
del df[‘id‘]
del df[‘homepage‘]
del df[‘original_title‘]
del df[‘tagline‘]
df[‘release_date‘]=df[‘release_date‘].fillna（‘2014-06-01‘）#填充缺失值
df[‘runtime‘]=df[‘runtime‘].fillna（df.runtime.mean（））#填充平均值
df[df[[‘release_date‘‘runtime‘]].isnull（）.values==True]
#获取电影类型
df[‘genres‘][1].split（‘‘）

genre = set（）#建立一个集合，会去重
for i in df[‘genres‘].str.split（‘‘）:
    genre = set（）.union（igenre）

genre = list（genre）
genre.remove（‘‘）
# print （genre）

#转化日期格式
df[‘release_year‘] = pd.to_datetime（df.release_date format= ‘%Y-%m-%d‘）.dt.year
df[‘release_month‘] = pd.to_datetime（df.release_date format=‘%Y-%m-%d‘）.dt.month
#判断每部电影属于什么类型，返回1
for genr in genre:
    df[genr] = df[‘genres‘].str.contains（genr）.apply（lambda x:1 if x else 0）
        #str.contains 字符串包含

df_gy = df.loc[:genre]
# print（df_gy）

#建立包含电影类型和年份的数据框
# print（df_gy.index）
df_gy.index = df[‘release_year‘]
# print（df_gy.head（））
# df_gy.groupby（‘release_year‘）.count（）.Adventure.plot（figsize=（126））
# plt.xticks（range（191520185））
# plt.title（‘电影数量的年度趋势图‘ fontsize = 20）
# plt.xlabel（‘年份‘fontsize = 20）
# plt.ylabel（‘数量‘fontsize = 20）
# plt.show（）

df_gy1 = df_gy.sort_index（ascending= False）#sort_index 索引排序，默认升序False 为降序。
# pri

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       8010  2018-12-20 10:58  kaggle电影分析\test.py

     文件   40044293  2017-09-28 09:09  kaggle电影分析\tmdb_5000_credits.csv

     文件    5698602  2017-09-28 09:09  kaggle电影分析\tmdb_5000_movies.csv

     目录          0  2018-12-20 11:02  kaggle电影分析

----------- ---------  ---------- -----  ----

             45750905                    4