Moviedata-10M电影数据集统计分析之源码分享（Python）

Posted on   |   In   |     |   views

之前写过一篇电影数据分析的文章”豆瓣13万电影数据统计与分析“，引起了一些读者的关注，并且在后台咨询我是否可以分享下源码。为了满足大家的需要，我在五一期间将源码略作整理了下，并从中筛选了几个绘图源码在这里分享给大家，如有疑问，可在评论区留言。特别说明下，文中分析的数据来自电影数据集Moviedata-10M中的movies.csv文件，需要的童鞋可以按照官方的说明进行下载即可。

准备工作

在进行源码分享之前，这里先说说我们的运行环境吧，我是使用jupyter进行实验的（强烈推荐），python 3.6版本，依赖的相关库如下：

  • pandas
  • matplotlib
  • seaborn
  • numpy
  • WordCloud
  • imageio
  • squarify

如果对上面的库不了解或者不会安装的，请自行查阅，这里就不一一细说了。

数据加载

由于文件是csv文件，所以加载数据只需要使用python里面的pandas库即可，采用pandas中的read_csv就可以将csv中的数据加载到内存中，代码如下：

1
2
3
4
import csv
import pandas as pd
import random
movies = pd.read_csv("../data/movies.csv", encoding="utf-8")

统计分析

在豆瓣13万电影数据统计与分析一文，我从不同的维度对电影数据进行了分析，在这里不会将全部的源码分享出来，但是会将核心内容贴出来。

按上映年份统计电影

首先导入相关依赖库，主要是matplotlib，如下：

1
2
3
import matplotlib.pyplot as plt
import matplotlib
matplotlib.matplotlib_fname()

下面这几行代码是为了解决图表中的中文乱码问题，仅供参考：

1
2
3
4
5
6
7
#解决matplotlib 乱码
matplotlib.rcParams['font.sans-serif'] = ['SimHei']
matplotlib.rcParams['font.family']='sans-serif'
#解决负号'-'显示为方块的问题
matplotlib.rcParams['axes.unicode_minus'] = False
from matplotlib.font_manager import _rebuild
_rebuild()

在绘制图表之前，我们需要对数据进行处理，构造我们需要的数据格式：

1
2
3
4
5
6
7
8
9
10
#如果year字段为空，就从release_date进行截取
def map_year(x):
    year = x["year"]
    if year == 0:
        year = str(x["release_date"]).split("-")[0]
    return str(year)
    
movies["year2"] = movies.apply(lambda x: map_year(x), axis=1)
#获取2020年之前上映的电影
movies = movies[movies["year2"]<"2020"]

得到2020年之前的电影之后，我们再分组统计每年上映的电影数量

1
2
3
year_grp = movies.groupby("year2").size().reset_index(name="num") \
                 .sort_values(by="year2", ascending=True)
year_grp = year_grp.rename(columns={"year2":"year"})

接着，按照年份和上映的电影量进行绘图，首先分享下散点图的绘制方法，代码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
import seaborn as sns
#散点图
def draw_stripplot(df, df_x, df_y, title="Title", ylabel="Y", savepath="defalt.png"):
    # draw stripplot start
    fig, ax = plt.subplots(figsize=(20,10), dpi= 80)    
    sns.stripplot(df_x, df_y, jitter=0.25, size=8, ax=ax, linewidth=.5)

    # decoration
    plt.gca().set_xticklabels(df_x, rotation=90, horizontalalignment= 'right')
    plt.title(title, fontsize=16)
    plt.ylabel(ylabel)
    plt.savefig(savepath)
    plt.show()

draw_stripplot(year_grp, year_grp.year, year_grp.num, 
            title="Number Of Movies Released Each Year(1873-2019)", 
            ylabel='# Number', 
            savepath="result/movies_number_of_each_year_stripplot.png")

draw_stripplot方法是可以共用的，如果其他的聚合数据生成了，也可以调用上面的方法。得到的图表如下所示：

Fig 1.每年上映的电影数（趋势图）

按评分统计电影

首先分组统计出每个评分的电影数量

1
2
3
df = movies.groupby('douban_score').size().reset_index(name='counts')
df = df[df["douban_score"]>0]
df["douban_score"] = df.douban_score.astype("str")

采用movies[movies["douban_score"] > 0]["douban_score"].mean()可以统计出电影的平均得分为6.63。

接着编写柱状图绘制函数，代码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
#柱状图
def draw_barplot(df, df_x, df_y, title="Title", ylabel="# Y", 
                savepath="default.png", fontsize=5, x_fontsize=10):
    all_colors = list(plt.cm.colors.cnames.keys())
    random.seed(100)
    c = random.choices(all_colors, k=df_x.shape[0])

    # Plot Bars柱状
    plt.figure(figsize=(20,10), dpi= 200)
    plt.bar(df_x, df_y, color=c, width=.5)
    for i, val in enumerate(df_y.values):
        plt.text(i, val, int(val), horizontalalignment='center', 
                verticalalignment='bottom', 
                fontdict={'fontweight':200, 'size':fontsize})

    # Decoration
    plt.gca().set_xticklabels(df_x, rotation=90, horizontalalignment= 'right', 
                            fontdict={"size":x_fontsize})
    plt.title(title, fontsize=16)
    plt.ylabel(ylabel)
    plt.savefig(savepath)
    plt.show()

将数据采用上面别写函数进行渲染：

1
2
3
draw_barplot(df, df.douban_score, df.counts, 
            title="Movie Statistics For Each Score", 
            ylabel='# Score', savepath="result/movie_stat_by_score.png", fontsize=10)

得到的柱状图如下所示：

Fig 2.各个评分下的电影数统计

按照国家进行统计

首先根据国家进行聚合，

1
2
3
4
5
movies_regions = movies
movies_regions["regions"] = movies_regions.regions  \
                .apply(lambda x: x.split("/")[0].split(" ")[0].strip())
df = movies_regions.groupby('regions').size().reset_index(name='counts')
df = df[df["regions"]!=""].sort_values(by=["counts"], ascending=False)[:50]

然后调用draw_barplot函数即可：

1
2
3
draw_barplot(df, df.regions, df.counts, 
            title="Movie Statistics For Each Region", ylabel='# Number', 
            savepath="result/movies_stat_by_regions.png", fontsize=8,x_fontsize=12)

结果图如下：

Fig 3.按发行地域统计电影数（Top 50的发行地域）

按语言进行统计

数据构建

1
2
3
4
5
6
7
df = movies.groupby('languages').size().reset_index(name='counts')
df = df[df["languages"]!=""]
df = movies.languages.apply(lambda x: x.split("/")[-1].split(" ")[0])   \
         .reset_index(name="languages").drop(columns="id")
df = df.groupby("languages").size().reset_index(name='counts')
df = df[df["languages"]!=""]
df = df.sort_values(by=["counts"], ascending=False)[:20]

绘制饼状图，并进行渲染：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
import matplotlib.pyplot as plt
import numpy as np

def draw_pieplot(df, df_x, df_y, 
                title="Title", 
                subtitle="subtitle", 
                savepath="default.png"):
    # Draw Plot
    fig, ax = plt.subplots(figsize=(12, 7), subplot_kw=dict(aspect="equal"), dpi= 80)

    data = df_y
    categories = df_x
    explode = np.zeros(df_x.shape[0])
    explode[3] = 0.1

    def func(pct, allvals):
        absolute = int(pct/100.*np.sum(allvals))
        return "{:.1f}% ({:d} )".format(pct, absolute)

    wedges, texts, autotexts = ax.pie(data,
                                      autopct=lambda pct: func(pct, data),
                                      textprops=dict(color="w"),
                                      colors=plt.cm.Dark2.colors,
                                     startangle=140)

    # Decoration
    ax.legend(wedges, categories, 
            title=subtitle, loc="center left", 
            bbox_to_anchor=(1, 0, 0.5, 1))
    plt.setp(autotexts, size=10, weight=700)
    ax.set_title(title)
    plt.savefig(savepath)
    plt.show()
    
draw_pieplot(df, df.languages, df.counts, 
            title="Statistics By Languages: Pie Chart", 
            subtitle="Languages", 
            savepath="result/movie_language_stat_pieplot.png")

结果图如下：

Fig 4.按语言统计电影数

对中国的电影进行分析

同理，首先构造数据格式：

1
2
3
4
5
6
7
8
9
movies_china = movies[movies.regions.str.startswith("中国") |  \
                      movies.regions.str.startswith("香港") |  \
                      movies.regions.str.startswith("台湾") |  \
                      movies.regions.str.startswith("澳门")]

df = movies_china.reset_index().groupby('year').size().reset_index(name="counts")
df = df[df["year"]!=""][df["year"]!=0]
df = df.sort_values(by="year", ascending=True)
#df["counts"] = df.counts.astype("str")

接着绘制线性趋势图：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
def draw_plot_liner2(df, df_x, df_y, 
                    x_name, 
                    y_name, 
                    title="Title", 
                    ylabel="Y", 
                    savepath="defalt.png"):
    # Draw Plot - liner
    plt.figure(figsize=(16,10), dpi= 80)
    plt.plot(x_name, y_name, data=df, color='tab:red')

    plt.yticks(fontsize=12, alpha=.7)
    plt.title(title, fontsize=22)
    plt.ylabel(ylabel)
    plt.grid(axis='both', alpha=.3)

    # Remove borders
    plt.gca().spines["top"].set_alpha(0.0)    
    plt.gca().spines["bottom"].set_alpha(0.3)
    plt.gca().spines["right"].set_alpha(0.0)    
    #plt.gca().spines["left"].set_alpha(0.3)   
    plt.savefig(savepath)
    plt.show()

draw_plot_liner2(df, df.year, df.counts,'year','counts', 
                title="Statistics of Movie_China For Each Year", 
                ylabel='# Number', savepath="result//movies_china_each_year.png")

最后得到的趋势图如下：

Fig 5.中国每年的电影数量统计

如果需要渲染多个国家进行对比，只需要将多个国家的数据进行聚合然后一个个绘制到图上即可。

词云

电影类型词云

如果想要绘制类型词云，需要上面提到的WordCloud库。

1
2
3
from wordcloud import WordCloud
import collections
import imageio

当具备这些之后，我们首先要准备数据，取出电影标签，然后进行词频统计,

1
2
3
4
5
object_list = movies.genres.tolist()
word_list = []
for words in object_list:
    word_list.extend(words.split("/"))
word_counts = collections.Counter(word_list) # 对分词做词频统计

接着调用WordCloud库进行分析

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
b_mask = imageio.imread("./data/bg_my.jpeg") #如果运行到这里找不到图片，请自行替换图片即可

wc = WordCloud(font_path="Hiragino Sans GB.ttc", # 字体
               background_color = 'white', # 背景色
               max_words = 2000, # 最大显示单词数
               #width=1000,
               #height=500,
               max_font_size = 160, # 频率最大单词字体大小
               mask=b_mask
               #stopwords = stopwords # 过滤噪声词
              ).generate_from_frequencies(word_counts)

wc.to_file("genres_cloud.png")
plt.imshow(wc, interpolation="bilinear")
plt.axis("off")
plt.show()

如果词库比较大的话，时间需要久一点，最后得到的图片如下：

Fig 6.电影类型词云

标签词云也是类似的，只需hexo要重新渲染下数据即可。

结束语

文章共介绍了散点图、线性图、柱状图、饼状图、词云这几个核心图表的绘制，只要下载了相关库，那么构造出相应的数据格式之后，代码可以直接运行，后续我会考虑以jupyter文件分享出来，大家可以关注下我的公众号：【斗码小院】，相关内容会第一时间发布到公众号中，如果相关问题，也可以在公众号的“关于小院”一栏进行留言。