机器学习–案例：流行电影统计

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？

实现

首先获取导入包，获取数据

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

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

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))
  • Rating进行分布展示

进行绘制直方图

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

修改刻度的间隔

1
2
3
4
5
6
7
8
9
10
# 求出最大最小值
max_ = df["Rating"].max()
min_ = df["Rating"].min()
# 生成刻度列表
t1 = np.linspace(min_,max_,num=21)
# [ 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.]
# 修改刻度
plt.xticks(t1)
# 添加网格
plt.grid()
  • Runtime (Minutes)进行分布展示

进行绘制直方图

1
2
3
plt.figure(figsize=(20,8),dpi=80)
plt.hist(df["Runtime (Minutes)"].values,bins=20)
plt.show()
  • 修改间隔
1
2
3
4
5
6
7
8
9
# 求出最大最小值
max_ = df["Runtime (Minutes)"].max()
min_ = df["Runtime (Minutes)"].min()
# # 生成刻度列表
t1 = np.linspace(min_,max_,num=21)
# 修改刻度
plt.xticks(np.linspace(min_,max_,num=21))
# 添加网格
plt.grid()

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
    • 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
1
2
3
4
5
6
7
# 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、遍历每一部电影，temp_df中把分类出现的列的值置为1

1
2
3
for i in range(1000):
    temp_df.loc[i,temp_list[i]]=1
print(temp_df.sum().sort_values())

3、求和,绘图

1
temp_df.sum().sort_values(ascending=False).plot(kind="bar",figsize=(20,8),fontsize=20,colormap="cool")