作者：启方
来源：数据分析不是个事儿
一般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。
所以本文就依样画葫芦来做一个有关电影行业的数据分析。（电影行业我不是专业，重在让大家学习一个过程）
源码下载地址见文末。
一、提出问题
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：
- 电影类型如何随着时间的推移发生变化的？
- 电影类型与利润的关系？
- Universal和Paramount两家影视公司的对比情况如何？
- 改编电影和原创电影的对比情况如何？
- 电影时长与电影票房及评分的关系？
- 分析电影关键字
二、理解数据
1、采集数据
从kaggle上的TMDB 5000 Movie Dataset下载数据集：
https://www.kaggle.com/tmdb/tmdb-movie-metadata
2、导入数据
3、查看数据集信息
下面是moviedf数据集中部分字段的含义介绍：
- id： 标识号
- imdb id:IMDB标识号
- popularity： 在Movie Database上的相对页面查看次数
- budget： 预算（美元）
- revenue： 收入（美元）
- original_title： 电影名称
- cast： 演员列表，按|分隔，最多5名演员
- homepage： 电影首页的URL
- director： 导演列表，按|分隔，最多5名导演
- tagline： 电影的标语
- keywords： 与电影相关的关键字，按|分隔，最多5个关键字
- overview： 剧情摘要
- runtime： 电影时长
- genres： 风格列表，按|分隔，最多5种风格
- production_companies： 制作公司列表，按|分隔，最多5家公司
- release_date： 首次上映日期
- vote_count： 评分次数
- vote_average： 平均评分·release year： 发行年份
三、数据清洗
1、先将credits数据集和moviedf数据集中的数据合并在一起，再查看合并后的数据集信息：
2、选取子集
由于数据集中包含的信息过多，其中部分数据并不是我们研究的重点，所以从中选取我们需要的数据：
由于后面的数据分析涉及到电影类型的利润计算，先求出每部电影的利润，并在数据集moviesdf中增加profit数据列：
3、缺失值处理
通过上面的数据集信息可以知道：整个数据集缺失的数据比较少 其中release_date（首次上映日期）缺失1个数据，runtime（电影时长）缺失2个数据，可以通过网上查询补齐这个数据。
填补release_date（首次上映日期）数据：
找出runtime（电影时长）缺失的数据：
填充runtime缺失值：
4、数据格式转换
genres列数据处理:
release_date列数据处理：
四、数据分析及可视化
问题一：电影类型如何随着时间的推移发生变化的？
1、建立包含年份与电影类型数量的关系数据框：
2、数据可视化
绘制各种电影类型的数量柱状图：
绘制各种电影类型占比的饼状图：
分析结论：
- 从上面的结果可以看出，在所有的电影类型中，Drama(戏剧)类型电影最多，占所有电影类型的18.9%，其次为Comedy(喜剧)，占所有电影类型的14.2%。
- 在所有电影类型中，电影数量排名前5的电影类型分别为： Drama(戏剧)、Comedy(喜剧)、Thriller(惊悚)、Action（动作）、Romance（冒险）。
3、电影类型随时间变化的趋势分析：
分析结论：
从图中观察到，随着时间的推移，所有电影类型都呈现出增长趋势，尤其是1992年以后各个类型的电影均增长迅速，其中Drama(戏剧)和Comedy(喜剧)增长最快，目前仍是最热门的电影类型。
问题二：电影类型与利润的关系？
先求出各种电影类型的平均利润：
电影类型平均利润数据可视化：
分析结论：
从图中观察到，拍摄Animation、Adventure、Fantasy这三类电影盈利最好，而拍摄Foreign、TV、Movie这三类电影会存在亏本的风险。
问题三：Universal Pictures和Paramount Pictures两家影视公司发行电影的对比情况如何？
Universal Pictures(环球影业)和Paramount Pictures(派拉蒙影业)是美国两家电影巨头公司。
1、查看 Universal Pictures和Paramount Pictures两家影视公司电影发行的数量
先对production_companies列数据进行处理：
查询production_companies数据列并统计Universal Pictures和Paramount Pictures的数据：
使用饼状图比较两家公司发行的电影占比：
2、分析Universal Pictures和Paramount Pictures两家影视公司电影发行的走势
抽取相关数据列进行处理：
两家影视公司电影发行的折线图：
分析结论：
从图中观察到，随着时间的推移，Universal Pictures和Paramount Pictures公司的电影发行量呈现出增长趋势，尤其是在1995年后增长迅速，其中Universal Pictures公司比Paramount Pictures公司发行的电影数量更多。
问题四：改编电影和原创电影的对比情况如何？
对keywords列数据处理：
描绘柱状图，对改编电影与原创电影在预算、收入及利润三方面进行比较：
分析结论：
从图上可以看出，改编电影的预算略高于原创电影，但改编电影的票房收入和利润远远高于原创电影， 这可能是改编电影拥有一定的影迷基础。
问题五：电影时长与电影票房及评分的关系
电影时长与电影票房的关系：
电影时长与电影平均评分的关系：
分析结论：
从图上可以看出，电影要想获得较高的票房及良好的口碑，电影的时长应保持在90~150分钟内。
问题六：分析电影关键字
先提取电影关键字：
通过词云包WordCloud生成词云图：
分析结论：
通过对电影关键字的分析，电影中经常被提及的词语是女性（woman）、独立（independent）,其次是谋杀（murder）、爱情（love）、警察（police）、暴力（violence），可见观众对女性和独立方面题材的电影最感兴趣，其次是是犯罪类和爱情类电影。
