今天，我们使用 Netflix 电影和电视节目数据集，来进行数据可视化，当然这是一个有趣的实战过程哦！
本文的重点就是使用 Matplotlib 来进行一种较为有趣的数据可视化
我们可以在 Python 最流行的数据可视化库 Matplotlib 中创建类似 xkcd 的绘图，并可以在这个项目中同 Matplotlib 可视化组合起来，让整个数据分析变得更有趣
下面我们先来看看数据吧
数据集
我们可以在 Kaggle 上找到 Netflix 数据集，截至 2020 年，已经包含 7787 部 Netflix 上可用的电影和电视节目的数据
下面就先查看数据
代码语言：javascript复制import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['figure.dpi'] = 200
df = pd.read_csv("../input/netflix-shows/netflix_titles.csv")
df.head()
接下来我们向数据集当中增加一些新功能，我们后面使用
代码语言：javascript复制df["date_added"] = pd.to_datetime(df['date_added'])
df['year_added'] = df['date_added'].dt.year.astype('Int64')
df['month_added'] = df['date_added'].dt.month
df['season_count'] = df.apply(lambda x : x['duration'].split(" ")[0] if "Season" in x['duration'] else "", axis = 1)
df['duration'] = df.apply(lambda x : x['duration'].split(" ")[0] if "Season" not in x['duration'] else "", axis = 1)
df.head()
下面我们就可以进入有趣的数据分析了
当然，如果要在 Matplotlib 中使用 XKCDify 可视化，还需要添加如下代码
代码语言：javascript复制with plt.xkcd():
1.Netflix 时间轴
我们先查看一个描述 Netflix 多年来演变的时间表
代码语言：javascript复制from datetime import datetime
# these go on the numbers below
tl_dates = [
"1997nFounded",
"1998nMail Service",
"2003nGoes Public",
"2007nStreaming service",
"2016nGoes Global",
"2021nNetflix & Chill"
]
tl_x = [1, 2, 4, 5.3, 8,9]
# the numbers go on these
tl_sub_x = [1.5,3,5,6.5,7]
tl_sub_times = [
"1998","2000","2006","2010","2012"
]
tl_text = [
"Netflix.com launched",
"StartsnPersonalnRecommendations","Billionth DVD Delivery","CanadiannLaunch","UK Launch"]
with plt.xkcd():
# Set figure & Axes
fig, ax = plt.subplots(figsize=(15, 4), constrained_layout=True)
ax.set_ylim(-2, 1.75)
ax.set_xlim(0, 10)
# Timeline : line
ax.axhline(0, xmin=0.1, xmax=0.9, c='deeppink', zorder=1)
# Timeline : Date Points
ax.scatter(tl_x, np.zeros(len(tl_x)), s=120, c='palevioletred', zorder=2)
ax.scatter(tl_x, np.zeros(len(tl_x)), s=30, c='darkmagenta', zorder=3)
# Timeline : Time Points
ax.scatter(tl_sub_x, np.zeros(len(tl_sub_x)), s=50, c='darkmagenta',zorder=4)
# Date Text
for x, date in zip(tl_x, tl_dates):
ax.text(x, -0.55, date, ha='center',
fontfamily='serif', fontweight='bold',
color='royalblue',fontsize=12)
# Stemplot : vertical line
levels = np.zeros(len(tl_sub_x))
levels[::2] = 0.3
levels[1::2] = -0.3
markerline, stemline, baseline = ax.stem(tl_sub_x, levels, use_line_collection=True)
plt.setp(baseline, zorder=0)
plt.setp(markerline, marker=',', color='darkmagenta')
plt.setp(stemline, color='darkmagenta')
# Text
for idx, x, time, txt in zip(range(1, len(tl_sub_x) 1), tl_sub_x, tl_sub_times, tl_text):
ax.text(x, 1.3*(idx%2)-0.5, time, ha='center',
fontfamily='serif', fontweight='bold',
color='royalblue', fontsize=11)
ax.text(x, 1.3*(idx%2)-0.6, txt, va='top', ha='center',
fontfamily='serif',color='royalblue')
# Spine
for spine in ["left", "top", "right", "bottom"]:
ax.spines[spine].set_visible(False)
# Ticks
ax.set_xticks([])
ax.set_yticks([])
# Title
ax.set_title("Netflix through the years", fontweight="bold", fontfamily='serif', fontsize=16, color='royalblue')
ax.text(2.4,1.57,"From DVD rentals to a global audience of over 150m people - is it time for Netflix to Chill?", fontfamily='serif', fontsize=12, color='mediumblue')
plt.show()
上图展示了 Netflix 旅程当中一幅相当不错的画面， 此外，由于 plt.xkcd() 函数，这幅图看起来是手绘的，看起来确实很棒！
2.电影和电视节目
接下来我们看一下电影与电视节目的比例
代码语言：javascript复制col = "type"
grouped = df[col].value_counts().reset_index()
grouped = grouped.rename(columns = {col : "count", "index" : col})
with plt.xkcd():
explode = (0, 0.1) # only "explode" the 2nd slice (i.e. 'TV Show')
fig1, ax1 = plt.subplots(figsize=(5, 5), dpi=100)
ax1.pie(grouped["count"], explode=explode, labels=grouped["type"], autopct='%1.1f%%',
shadow=True, startangle=90)
ax1.axis('equal') # Equal aspect ratio ensures that pie is drawn as a circle.
plt.show()
平台上的电视节目数量不到总内容的三分之一， 所以，与 Netflix 上的电视节目相比，我们可能更有机会找到一部相对较好的电影。
3.内容最多的国家
这一次我们制作一个水平条形图，代表内容最多的前 25 个国家/地区。DataFrame 中的 country 列有几行包含 1 个以上的国家。
from collections import Counter
col = "country"
categories = ", ".join(df[col].fillna("")).split(", ")
counter_list = Counter(categories).most_common(25)
counter_list = [_ for _ in counter_list if _[0] != ""]
labels = [_[0] for _ in counter_list]
values = [_[1] for _ in counter_list]
with plt.xkcd():
fig, ax = plt.subplots(figsize=(10, 10), dpi=100)
y_pos = np.arange(len(labels))
ax.barh(y_pos, values, align='center')
ax.set_yticks(y_pos)
ax.set_yticklabels(labels)
ax.invert_yaxis() # labels read top-to-bottom
ax.set_xlabel('Content')
ax.set_title('Countries with most content')
plt.show()
看完上图后的一些总体看法：
- Netflix 上的绝大多数内容都来自美国
- 尽管 Netflix 在印度起步较晚（2016 年），但它已经排在美国之后的第二位。因此，印度是 Netflix 的一个大市场。
4.受欢迎的导演和演员
为了看看受欢迎的导演和演员，我们决定绘制一个图形，其中包含来自内容最多的前六个国家的六个子情节，并为每个子情节制作水平条形图。我们来看看下面的图
a.最受欢迎的导演
代码语言：javascript复制from collections import Counter
from matplotlib.pyplot import figure
import math
colours = ["orangered", "mediumseagreen", "darkturquoise", "mediumpurple", "deeppink", "indianred"]
countries_list = ["United States", "India", "United Kingdom", "Japan", "France", "Canada"]
col = "director"
with plt.xkcd():
figure(num=None, figsize=(20, 8))
x=1
for country in countries_list:
country_df = df[df["country"]==country]
categories = ", ".join(country_df[col].fillna("")).split(", ")
counter_list = Counter(categories).most_common(6)
counter_list = [_ for _ in counter_list if _[0] != ""]
labels = [_[0] for _ in counter_list][::-1]
values = [_[1] for _ in counter_list][::-1]
if max(values)<10:
values_int = range(0, math.ceil(max(values)) 1)
else:
values_int = range(0, math.ceil(max(values)) 1, 2)
plt.subplot(2, 3, x)
plt.barh(labels,values, color = colours[x-1])
plt.xticks(values_int)
plt.title(country)
x =1
plt.suptitle('Popular Directors with the most content')
plt.tight_layout()
plt.show()
b.最受欢迎的演员
代码语言：javascript复制col = "cast"
with plt.xkcd():
figure(num=None, figsize=(20, 8))
x=1
for country in countries_list:
df["from_country"] = df['country'].fillna("").apply(lambda x : 1 if country.lower() in x.lower() else 0)
small = df[df["from_country"] == 1]
cast = ", ".join(small['cast'].fillna("")).split(", ")
tags = Counter(cast).most_common(11)
tags = [_ for _ in tags if "" != _[0]]
labels, values = [_[0] " " for _ in tags][::-1], [_[1] for _ in tags][::-1]
if max(values)<10:
values_int = range(0, math.ceil(max(values)) 1)
elif max(values)>=10 and max(values)<=20:
values_int = range(0, math.ceil(max(values)) 1, 2)
else:
values_int = range(0, math.ceil(max(values)) 1, 5)
plt.subplot(2, 3, x)
plt.barh(labels,values, color = colours[x-1])
plt.xticks(values_int)
plt.title(country)
x =1
plt.suptitle('Popular Actors with the most content')
plt.tight_layout()
plt.show()
5.一些最古老的电影和电视节目
先来查看最古老的电影
a.古老的电影
代码语言：javascript复制small = df.sort_values("release_year", ascending = True)
small = small[small['duration'] != ""].reset_index()
small[['title', "release_year"]][:15]
b.古老的电视节目
代码语言：javascript复制small = df.sort_values("release_year", ascending = True)
small = small[small['season_count'] != ""].reset_index()
small = small[['title', "release_year"]][:15]
small
哇，Netflix 有一些非常老的电影和电视节目——有些甚至在 80 多年前就已经发行了， 你看过这些吗？
6.Netflix 有最新的内容吗？
是的，Netflix 确实很酷，而且拥有一个世纪前的内容，但它是否也有最新的电影和电视节目呢， 为了找到这一点，我们首先计算一下内容添加到 Netflix 的日期与该内容的发布年份之间的差异
代码语言：javascript复制df["year_diff"] = df["year_added"]-df["release_year"]
然后，我们创建了一个散点图，x 轴作为年份差异，y 轴作为电影/电视节目的数量：
代码语言：javascript复制col = "year_diff"
only_movies = df[df["duration"]!=""]
only_shows = df[df["season_count"]!=""]
grouped1 = only_movies[col].value_counts().reset_index()
grouped1 = grouped1.rename(columns = {col : "count", "index" : col})
grouped1 = grouped1.dropna()
grouped1 = grouped1.head(20)
grouped2 = only_shows[col].value_counts().reset_index()
grouped2 = grouped2.rename(columns = {col : "count", "index" : col})
grouped2 = grouped2.dropna()
grouped2 = grouped2.head(20)
with plt.xkcd():
figure(num=None, figsize=(8, 5))
plt.scatter(grouped1[col], grouped1["count"], color = "hotpink")
plt.scatter(grouped2[col], grouped2["count"], color = '#88c999')
values_int = range(0, math.ceil(max(grouped1[col])) 1, 2)
plt.xticks(values_int)
plt.xlabel("Difference between the year when the content has beenn added on Netflix and the realease year")
plt.ylabel("Number of Movies/TV Shows")
plt.legend(["Movies", "TV Shows"])
plt.tight_layout()
plt.show()
正如我们在上面的可视化中看到的，Netflix 上的大部分内容都是在发布之日起一年内添加的。因此，Netflix 在大多数情况下确实拥有最新的内容！
下面轻松一下，看一个 xkcd 漫画给你，然后继续
7. Netflix 专注于什么样的内容？
我们继续浏览评级栏并比较 Netflix 为儿童、青少年和成人制作的内容量——以及这些年来他们的重点是否从一个群体转移到另一个群体。
我们首先查看了 DataFrame 中的独特评级：
代码语言：javascript复制print(df['rating'].unique())
output:
['TV-MA' 'R' 'PG-13' 'TV-14' 'TV-PG' 'NR' 'TV-G' 'TV-Y' nan 'TV-Y7' 'PG' 'G' 'NC-17' 'TV-Y7-FV' 'UR']
然后，我们根据他们所属的组（即小孩子、大孩子、青少年和成熟）对评级进行分类，并将评级列中的值更改为他们的组名称
代码语言：javascript复制ratings_list = ['TV-MA', 'R', 'PG-13', 'TV-14', 'TV-PG', 'TV-G', 'TV-Y', 'TV-Y7', 'PG', 'G', 'NC-17', 'TV-Y7-FV']
ratings_group_list = ['Little Kids', 'Older Kids', 'Teens', 'Mature']
ratings_dict={
'TV-G': 'Little Kids',
'TV-Y': 'Little Kids',
'G': 'Little Kids',
'TV-PG': 'Older Kids',
'TV-Y7': 'Older Kids',
'PG': 'Older Kids',
'TV-Y7-FV': 'Older Kids',
'PG-13': 'Teens',
'TV-14': 'Teens',
'TV-MA': 'Mature',
'R': 'Mature',
'NC-17': 'Mature'
}
for rating_val, rating_group in ratings_dict.items():
df.loc[df.rating == rating_val, "rating"] = rating_group
最后，我们绘制了 x 轴为年份、y 轴为内容计数的线图
代码语言：javascript复制df['rating_val']=1
x=0
labels=['kindanless', 'not sonbad', 'holyshitnthat's toonmany']
with plt.xkcd():
for r in ratings_group_list:
grouped = df[df['rating']==r]
year_df = grouped.groupby(['year_added']).sum()
year_df.reset_index(level=0, inplace=True)
plt.plot(year_df['year_added'], year_df['rating_val'], color=colours[x], marker='o')
values_int = range(2008, math.ceil(max(year_df['year_added'])) 1, 2)
plt.yticks([200, 600, 1000], labels)
plt.xticks(values_int)
plt.title('Count of shows and movies that Netflixn has been producing for different audiences', fontsize=12)
plt.xlabel('Year', fontsize=14)
plt.ylabel('Content Count', fontsize=14)
x =1
plt.legend(ratings_group_list)
plt.tight_layout()
plt.show()
这个可视化中的数据向我们展示了 Netflix 上成熟观众的内容数量远高于其他群体。另一个有趣的观察结果是，从 2019 年到 2020 年，为小孩子制作的内容数量激增，而在此期间，为大孩子、青少年和成熟观众制作的内容数量有所减少
8. 热门类型（国家）
代码语言：javascript复制col = "listed_in"
colours = ["violet", "cornflowerblue", "darkseagreen", "mediumvioletred", "blue", "mediumseagreen", "darkmagenta", "darkslateblue", "seagreen"]
countries_list = ["United States", "India", "United Kingdom", "Japan", "France", "Canada", "Spain", "South Korea", "Germany"]
with plt.xkcd():
figure(num=None, figsize=(20, 8))
x=1
for country in countries_list:
df["from_country"] = df['country'].fillna("").apply(lambda x : 1 if country.lower() in x.lower() else 0)
small = df[df["from_country"] == 1]
genre = ", ".join(small['listed_in'].fillna("")).split(", ")
tags = Counter(genre).most_common(3)
tags = [_ for _ in tags if "" != _[0]]
labels, values = [_[0] " " for _ in tags][::-1], [_[1] for _ in tags][::-1]
if max(values)>200:
values_int = range(0, math.ceil(max(values)), 100)
elif max(values)>100 and max(values)<=200:
values_int = range(0, math.ceil(max(values)) 50, 50)
else:
values_int = range(0, math.ceil(max(values)) 25, 25)
plt.subplot(3, 3, x)
plt.barh(labels,values, color = colours[x-1])
plt.xticks(values_int)
plt.title(country)
x =1
plt.suptitle('Top Genres')
plt.tight_layout()
plt.show()
从上图可以看出：
- 戏剧和喜剧是几乎每个国家最受欢迎的类型
- 日本看了很多动漫
- 浪漫的电视节目和电视剧在韩国很受欢迎
- 儿童和家庭电影是加拿大第三大流行类型
9. 词云
我们最终用两个词云结束了这个项目——第一个是描述列的词云，第二个是标题列的词云。
a.描述列的词云
代码语言：javascript复制from wordcloud import WordCloud
import random
from PIL import Image
import matplotlib
# Custom colour map based on Netflix palette
cmap = matplotlib.colors.LinearSegmentedColormap.from_list("", ['#221f1f', '#b20710'])
text = str(list(df['description'])).replace(',', '').replace('[', '').replace("'", '').replace(']', '').replace('.', '')
mask = np.array(Image.open('../input/finallogo/New Note.png'))
wordcloud = WordCloud(background_color = 'white', width = 500, height = 200,colormap=cmap, max_words = 150, mask = mask).generate(text)
plt.figure( figsize=(5,5))
plt.imshow(wordcloud, interpolation = 'bilinear')
plt.axis('off')
plt.tight_layout(pad=0)
plt.show()
Live、love、life、friend、family、world 和 find 是一些最常出现在电影和节目描述中的词，另一件有趣的事情是词——一、二、三和四——都出现在词云中
b.标题的词云
代码语言：javascript复制cmap = matplotlib.colors.LinearSegmentedColormap.from_list("", ['#221f1f', '#b20710'])
text = str(list(df['title'])).replace(',', '').replace('[', '').replace("'", '').replace(']', '').replace('.', '')
mask = np.array(Image.open('../input/finallogo/New Note.png'))
wordcloud = WordCloud(background_color = 'white', width = 500, height = 200,colormap=cmap, max_words = 150, mask = mask).generate(text)
plt.figure( figsize=(5,5))
plt.imshow(wordcloud, interpolation = 'bilinear')
plt.axis('off')
plt.tight_layout(pad=0)
plt.show()
我们看到圣诞节就在这个词云的中心， Netflix 上似乎有很多圣诞电影。其他流行的词是爱、世界、男人、生活、故事、现场、秘密、女孩、男孩、美国人、游戏、夜晚、最后、时间和白天。
我们只花了几个小时就完成了这个项目，现在我们能够以全新的方式看待 Netflix 所做的一切。
希望这个项目和所有使用 Matplotlib 的有趣数据可视化示例也能给大家的项目带来灵感。
好了，今天的分享就到这里了，喜欢就给个“在看”吧！
文章原文
https://www.dataquest.io/blog/comical-data-visualization-in-python-using-matplotlib/
