1 需求

现在我们有一组从2006年到2016年1000部最流行的电影数据
数据来源：https://www.kaggle.com/damianpanek/sunday-eda/data

  • 问题1：我们想知道这些电影数据中评分的平均分，导演的人数等信息，我们应该怎么获取？
  • 问题2：对于这一组电影数据，如果我们想rating，runtime的分布情况，应该如何呈现数据？

  • 问题3：对于这一组电影数据，如果我们希望统计电影分类(genre)的情况，应该如何处理数据？

    2 实现

    首先获取导入包，获取数据

    1. %matplotlib inline
    2. import pandas  as pd 
    3. import numpy as np
    4. from matplotlib import pyplot as plt
    1. #文件的路径
    2. path = "./data/IMDB-Movie-Data.csv"
    3. #读取文件
    4. df = pd.read_csv(path)

    2.1 问题一：

    我们想知道这些电影数据中评分的平均分，导演的人数等信息，我们应该怎么获取？

  • 得出评分的平均分

使用mean函数

  1. df["Rating"].mean()
  • 得出导演人数信息

求出唯一值，然后进行形状获取

  1. ## 导演的人数
  2. # df["Director"].unique().shape[0]
  3. np.unique(df["Director"]).shape[0]
  5. 644

2.2 问题二：

对于这一组电影数据，如果我们想Rating，Runtime (Minutes)的分布情况，应该如何呈现数据？

  • 直接呈现，以直方图的形式

选择分数列数据，进行plot

  1. df["Rating"].plot(kind='hist',figsize=(20,8))

电影分数直方图.png

  • Rating进行分布展示

进行绘制直方图

  1. plt.figure(figsize=(20,8),dpi=80)
  2. plt.hist(df["Rating"].values,bins=20)
  3. plt.show()

修改刻度的间隔

  1. # 求出最大最小值
  2. max_ = df["Rating"].max()
  3. min_ = df["Rating"].min()
  5. # 生成刻度列表
  6. t1 = np.linspace(min_,max_,num=21)
  8. # [ 1.9    2.255  2.61   2.965  3.32   3.675  4.03   4.385  4.74   5.095  5.45   5.805  6.16   6.515  6.87   7.225  7.58   7.935  8.29   8.645  9.   ]
  10. # 修改刻度
  11. plt.xticks(t1)
  13. # 添加网格
  14. plt.grid()

电影分数直方图1.png

  • Runtime (Minutes)进行分布展示

进行绘制直方图

  1. plt.figure(figsize=(20,8),dpi=80)
  2. plt.hist(df["Runtime (Minutes)"].values,bins=20)
  3. plt.show()

修改间隔

  1. # 求出最大最小值
  2. max_ = df["Runtime (Minutes)"].max()
  3. min_ = df["Runtime (Minutes)"].min()
  5. # # 生成刻度列表
  6. t1 = np.linspace(min_,max_,num=21)
  8. # 修改刻度
  9. plt.xticks(np.linspace(min_,max_,num=21))
  11. # 添加网格
  12. plt.grid()

电影分数直方图2.png

2.3 问题三：

对于这一组电影数据，如果我们希望统计电影分类(genre)的情况，应该如何处理数据？

  • 思路分析
    • 思路
      • 1、创建一个全为0的dataframe，列索引置为电影的分类，temp_df
      • 2、遍历每一部电影，temp_df中把分类出现的列的值置为1
      • 3、求和
  • 1、创建一个全为0的dataframe，列索引置为电影的分类，temp_df ```python

    进行字符串分割

    temp_list = [i.split(“,”) for i in df[“Genre”]]

    获取电影的分类

    genre_list = np.unique([i for j in temp_list for i in j])

增加新的列

temp_df = pd.DataFrame(np.zeros([df.shape[0],genre_list.shape[0]]),columns=genre_list)

  2. - 2、遍历每一部电影，temp_df中把分类出现的列的值置为1
  3. ```python
  4. for i in range(1000):
  5.     #temp_list[i] ['Action','Adventure','Animation']
  6.     temp_df.ix[i,temp_list[i]]=1
  7. print(temp_df.sum().sort_values())
  • 3、求和,绘图 ```python temp_df.sum().sort_values(ascending=False).plot(kind=”bar”,figsize=(20,8),fontsize=20,colormap=”cool”)

Musical 5.0 Western 7.0 War 13.0 Music 16.0 Sport 18.0 History 29.0 Animation 49.0 Family 51.0 Biography 81.0 Fantasy 101.0 Mystery 106.0 Horror 119.0 Sci-Fi 120.0 Romance 141.0 Crime 150.0 Thriller 195.0 Adventure 259.0 Comedy 279.0 Action 303.0 Drama 513.0 dtype: float64 ``` genre分类结果.png