练习题： 观影大数据分析
王 S 聪想要在海外开拓万 D 电影的市场， 这次他在考虑： 怎么拍商业电影才 能赚钱？毕竟一些制作成本超过 1 亿美元的大型电影也会失败。这个问题对电影 业来说比以往任何时候都更加重要。 所以，他就请来了你（数据分析师）来帮 他解决问题， 给出一些建议， 根据数据分析一下商业电影的成功是否存在统一公
式？以帮助他更好地进行决策。
解决的终极问题是： 电影票房的影响因素有哪些？
接下来我们就分不同的维度分析：
. 观众喜欢什么电影类型？有什么主题关键词？
. 电影风格随时间是如何变化的？
. 电影预算高低是否影响票房？
. 高票房或者高评分的导演有哪些？
. 电影的发行时间最好选在啥时候？
. 拍原创电影好还是改编电影好？
本次使用的数据来自于 Kaggle 平台（TMDb 5000 Movie Database）。收录了 美国地区 1916-2017 年近 5000 部电影的数据，包含预算、导演、票房、电影评
分等信息。原始数据集包含 2 个文件：
. tmdb_5000_movies：电影基本信息，包含 20 个变量
. tmdb_5000_credits：演职员信息，包含 4 个变量
请使用 Python 编程，完成下列问题：
（1）使用附件中的 tmdb_5000_movies.csv 和 tmdb_5000_credits.csv 数据集，进 行数据清洗、数据挖掘、数据分析和数据可视化等，研究电影票房的影响因素有
哪些？ 从不同的维度分析电影，讨论并分析你的结果。
（2）附件 tmdb_ 1000_predict.csv 中包含 1000 部电影的基本信息， 请你选择 合适的指标，进行特征提取， 建立机器学习的预测模型， 预测 1000 部电影的
vote_average 和 vote_count ，并保存为 tmdb_ 1000_predicted.csv。
数据清洗
1 导入数据
2 缺失值处理
缺失记录仅 3091 条，采取网上搜索，补全信息。
2.1 补全 release_date
缺失记录的电影标题为《 Enter the World of Pandora 》， 日期为 2009-12-10 。
2.2 补全 runtime
缺失记录的电影 runtime 分别为 162 min 和 169 min。
3 重复值处理
运行结果：有 0 个不重复的 id，可以认为没有重复数据。
4 日期值处理
将 release_date 列转换为日期类型：
5 筛选数据
使用数据分析师最喜欢的一个语法：
票房、预算、受欢迎程度、评分为 0 的数据应该去除；
评分人数过低的电影，评分不具有统计意义，筛选评分人数大于 0 的数据。
此时剩余 4740 条数据，包含 20 个字段。
6 json 数据转换
**说明： **genres,keywords,production_companies,production_countries,cast,crew 这 6 列都是
json 数据，需要处理为列表进行分析。
处理方法：
json 本身为字符串类型，先转换为字典列表，再将字典列表转换为，以’,'分割的字符串
7 数据备份
5 数据分析
5.1 why
想要探索影响票房的因素， 从电影市场趋势， 观众喜好类型， 电影导演， 发行时间， 评分与
关键词等维度着手，给从业者提供合适的建议。
5.2 what
5.2.1 电影类型：定义一个集合，获取所有的电影类型
注意到集合中存在多余的元素：空的单引号，所以需要去除。
5.2.1.1 电影类型数量（绘制条形图）
5.2.1.2 电影类型占比（绘制饼图）
复制不了图
