Pandas-09-综合案例

1. 需求分析

现在有一组从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

首先导入数据：

movie = pd.read_csv("./data/IMDB-Movie-Data.csv")
movie.head()

2.1 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？

• 获取评分的平均分

  movie["Rating"].mean()
  
  6.723199999999999
  

• 获取导演人数

  np.unique(movie["Director"]).shape[0]
  
  644
  

2.2 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？

想直接呈现，以直方图的形式

对 Rating 列进行画图展示：

movie["Rating"].plot(kind="hist", bins=20)

这样画出的图x轴刻度会有问题（刻度不齐等），这是就要进行手动调整。

对x轴刻度进行调整

plt.figure(figsize=(20, 8), dpi=60)

plt.hist(movie["Rating"].values, bins=20)

# 求出最大最小值
max_ = movie["Rating"].max()
min_ = movie["Rating"].min()

# 注意要生成 21 个刻度值
t1 = np.linspace(min_, max_, num=21)

# 修改刻度
plt.xticks(t1)

plt.grid()

plt.show()

3.3 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？

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. 方法一

   • 获取分类类别

     # 将"Genre"列的分类放在列表中
     genre_list = [j for i in movie["Genre"] for j in i.split(",")]
     # 去除重复的分类
     genre_list = np.unique(genre_list)
     genre_list
     
     array(['Action', 'Adventure', 'Animation', 'Biography', 'Comedy', 'Crime',
            'Drama', 'Family', 'Fantasy', 'History', 'Horror', 'Music',
            'Musical', 'Mystery', 'Romance', 'Sci-Fi', 'Sport', 'Thriller',
            'War', 'Western'], dtype='<U9')
     

   • 创建一个全为0的dataframe，列索引置为电影的分类

     # 行数为电影行数，列数为类别数量
     genre_df = np.zeros([movie.shape[0], genre_list.shape[0]])
     
     genre_df = pd.DataFrame(genre_df, columns=genre_list, index=movie.index)
     

     

   • 遍历每一部电影，把分类出现的列的值置为1

     genre_tmp = [i.split(",") for i in movie["Genre"]]
     for i in range(movie.shape[0]):
         genre_df.loc[i, genre_tmp[i]] = 1
     
     # 排序
     genre_statistics = genre_df.sum().sort_values(ascending=False)
     

   • 画出图像

     plt.figure(figsize=(20, 8), dpi=60)
     genre_statistics.plot.bar()
     

     

2. 方法二

   • 获取分类类别并用set方法去重

     genre_list_all = [j for i in movie["Genre"] for j in i.split(",")]
     genre_list = set(genre_list_all)
     

   • 创建一个全为0的dataframe，列索引为每种类别出现的次数

     genre_df = pd.DataFrame(np.zeros(len(genre_list)), index=genre_list, dtype=np.int32)
     

     

   • 循环遍历未去重前的分类列表genre_list_all，将出现的分类数量加1

     for i in genre_list_all:
         genre_df.loc[i, 0] += 1
     

   • 按降序排序后将列名命名为数量

     genre_df = genre_df.sort_values(by=0, ascending=False)
     genre_df.rename(columns={0: "数量"}, inplace=True)
     

   • 画图

     genre_df.plot.bar(figsize=(20, 8))