多种方法爬取猫眼电影并分析(附代码)

作者:苏克,零基础转行python爬虫与数据分析

博客:https://www.makcyun.top

摘要: 作为小白,爬虫可以说是入门python最快和最容易获得成就感的途径。因为初级爬虫的套路相对固定,常见的方法只有几种,比较好上手。选取网页结构较为简单的猫眼top100电影为案例进行练习。 重点是用上述所说的4种方法提取出关键内容。一个问题采用不同的解决方法有助于拓展思维,通过不断练习就能够灵活运用。

本文知识点: Requsts 请求库的使用 beautiful+lxml两大解析库使用 正则表达式 、xpath、css选择器的使用

1. 为什么爬取该网页?

  • 比较懒,不想一页页地去翻100部电影的介绍,想在一个页面内进行总体浏览(比如在excel表格中);

深入了解一些比较有意思的信息,比如:哪部电影的评分最高?哪位演员的作品数量最多?哪个国家/地区上榜的电影数量最多?哪一年上榜的电影作品最多等。这些信息在网页上是不那么容易能直接获得的,所以需要爬虫。

2. 爬虫目标

  • 从网页中提取出top100电影的电影名称、封面图片、排名、评分、演员、上映国家/地区、评分等信息,并保存为csv文本文件。
  • 根据爬取结果,进行简单的可视化分析。

平台:windows7 + SublimeText3

3. 爬取步骤

3.1. 网址URL分析

首先,打开猫眼Top100的url网址: http://maoyan.com/board/4?offset=0。页面非常简单,所包含的信息就是上述所说的爬虫目标。下拉页面到底部,点击第2页可以看到网址变为:http://maoyan.com/board/4?offset=10。因此,可以推断出url的变化规律:offset表示偏移,10代表一个页面的电影偏移数量,即:第一页电影是从0-10,第二页电影是从11-20。因此,获取全部100部电影,只需要构造出10个url,然后依次获取网页内容,再用不同的方法提取出所需内容就可以了。 下面,用requests方法获取第一个页面。

3.2. Requests获取首页数据

先定义一个获取单个页面的函数:get_one_page(),传入url参数。

 1def get_one_page(url):
 2    try:
 3        headers = {
 4            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36'}
 5        # 不加headers爬不了
 6        response = requests.get(url, headers=headers)
 7        if response.status_code == 200:
 8            return response.text
 9        else:
10            return None
11    except RequestException:
12        return None
13    # try-except语句捕获异常

接下来在main()函数中设置url。

1def main():
2    url = 'http://maoyan.com/board/4?offset=0'
3    html = get_one_page(url)
4    print(html)
5
6
7if __name__ == '__main__':
8    main()

运行上述程序后,首页的源代码就被爬取下来了。如下图所示:

接下来就需要从整个网页中提取出几项我们需要的内容,用到的方法就是上述所说的四种方法,下面分别进行说明。

3.3. 4种内容解析提取方法

3.3.1. 正则表达式提取

第一种是利用正则表达式提取。 什么是正则表达式? 下面这串看起来乱七八糟的符号就是正则表达式的语法。

1'<dd>.*?board-index.*?>(d+)</i>.*?src="(.*?)".*?name"><a.*?>(.*?)</a>.*?'

它是一种强大的字符串处理工具。之所以叫正则表达式,是因为它们可以识别正则字符串(regular string)。可以这么定义:“ 如果你给我的字符串符合规则,我就返回它”;“如果字符串不符合规则,我就忽略它”。通过requests抓取下来的网页是一堆大量的字符串,用它处理后便可提取出我们想要的内容。

如果还不了解它,可以参考下面的教程:

http://www.runoob.com/regexp/regexp-syntax.html https://www.w3cschool.cn/regexp/zoxa1pq7.html

下面,开始提取关键内容。右键网页-检查-Network选项,选中左边第一个文件然后定位到电影信息的相应位置,如下图:

可以看到每部电影的相关信息都在dd这个节点之中。所以就可以从该节点运用正则进行提取。 第1个要提取的内容是电影的排名。它位于class="board-index"的i节点内。不需要提取的内容用'.*?'替代,需要提取的数字排名用()括起来,()里面的数字表示为(d+)。正则表达式可以写为:

1'<dd>.*?board-index.*?>(d+)</i>'

接着,第2个需要提取的是封面图片,图片网址位于img节点的'src'属性中,正则表达式可写为:

1'src="(.*?)".*?'

第1和第2个正则之间的代码是不需要的,用'.*?'替代,所以这两部分合起来写就是:

1'<dd>.*?board-index.*?>(d+)</i>.*?src="(.*?)"

同理,可以依次用正则写下主演、上映时间和评分等内容,完整的正则表达式如下:

1'<dd>.*?board-index.*?>(d+)</i>.*?src="(.*?)".*?name"><a.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>'

正则表达式写好以后,可以定义一个页面解析提取方法:parse_one_page(),用来提取内容:

 1def parse_one_page(html):
 2    pattern = re.compile(
 3        '<dd>.*?board-index.*?>(d+)</i>.*?src="(.*?)".*?name"><a.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
 4    # re.S表示匹配任意字符,如果不加,则无法匹配换行符
 5    items = re.findall(pattern, html)
 6    # print(items)
 7    for item in items:
 8        yield {
 9            'index': item[0],
10            'thumb': get_thumb(item[1]),  # 定义get_thumb()方法进一步处理网址
11            'name': item[2],
12            'star': item[3].strip()[3:],
13            # 'time': item[4].strip()[5:],
14            # 用两个方法分别提取time里的日期和地区
15            'time': get_release_time(item[4].strip()[5:]),
16            'area': get_release_area(item[4].strip()[5:]),
17            'score': item[5].strip() + item[6].strip()
18            # 评分score由整数+小数两部分组成
19        }

Tips: re.S:匹配任意字符,如果不加,则无法匹配换行符; yield:使用yield的好处是作为生成器,可以遍历迭代,并且将数据整理形成字典,输出结果美观。具体用法可参考:https://blog.csdn.net/zhangpinghao/article/details/18716275; .strip():用于去掉字符串中的空格。

上面程序为了便于提取内容,又定义了3个方法:get_thumb()、get_release_time()和 get_release_area():

 1# 获取封面大图
 2def get_thumb(url):
 3    pattern = re.compile(r'(.*?)@.*?')
 4    thumb = re.search(pattern, url)
 5    return thumb.group(1)
 6# http://p0.meituan.net/movie/5420be40e3b755ffe04779b9b199e935256906.jpg@160w_220h_1e_1c
 7# 去掉@160w_220h_1e_1c就是大图    
 8
 9
10# 提取上映时间函数
11def get_release_time(data):
12    pattern = re.compile(r'(.*?)((|$)')
13    items = re.search(pattern, data)
14    if items is None:
15        return '未知'
16    return items.group(1)  # 返回匹配到的第一个括号(.*?)中结果即时间
17
18
19# 提取国家/地区函数
20def get_release_area(data):
21    pattern = re.compile(r'.*((.*))')
22    # $表示匹配一行字符串的结尾,这里就是(.*?);(|$,表示匹配字符串含有(,或者只有(.*?)
23    items = re.search(pattern, data)
24    if items is None:
25        return '未知'
26    return items.group(1)

Tips: 'r':正则前面加上'r' 是为了告诉编译器这个string是个raw string,不要转意''。当一个字符串使用了正则表达式后,最好在前面加上'r'; '|' 正则'|'表示或','′:∗∗正则′∣′表示或′,′'表示匹配一行字符串的结尾; .group(1):意思是返回search匹配的第一个括号中的结果,即(.*?),gropup()则返回所有结果2013-12-18(,group(1)返回'('。

接下来,修改main()函数来输出爬取的内容:

 1def main():
 2    url = 'http://maoyan.com/board/4?offset=0'
 3    html = get_one_page(url)
 4
 5    for item in parse_one_page(html):  
 6        print(item)
 7
 8
 9if __name__ == '__main__':
10    main()

Tips: if _ name_ == '_ main_':当.py文件被直接运行时,if _ name_ == '_ main_'之下的代码块将被运行;当.py文件以模块形式被导入时,if _ name_ == '_ main_'之下的代码块不被运行。 参考:https://blog.csdn.net/yjk13703623757/article/details/77918633。

运行程序,就可成功地提取出所需内容,结果如下:

1{'index': '1', 'thumb': 'http://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg', 'name': '霸王别姬', 'star': '张国荣,张丰毅,巩俐', 'time': '1993-01-01', 'area': '中国香港', 'score': '9.6'}
2{'index': '2', 'thumb': 'http://p0.meituan.net/movie/54617769d96807e4d81804284ffe2a27239007.jpg', 'name': '罗马假日', 'star': '格利高里·派克,奥黛丽·赫本,埃迪·艾伯特', 'time': '1953-09-02', 'area': '美国', 'score': '9.1'}
3{'index': '3', 'thumb': 'http://p0.meituan.net/movie/283292171619cdfd5b240c8fd093f1eb255670.jpg', 'name': '肖申克的救赎', 'star': '蒂姆·罗宾斯,摩根·弗里曼,鲍勃·冈顿', 'time': '1994-10-14', 'area': '美国', 'score': '9.5'}
4{'index': '4', 'thumb': 'http://p0.meituan.net/movie/e55ec5d18ccc83ba7db68caae54f165f95924.jpg', 'name': '这个杀手不太冷', 'star': '让·雷诺,加里·奥德曼,娜塔莉·波特曼', 'time': '1994-09-14', 'area': '法国', 'score': '9.5'}
5{'index': '5', 'thumb': 'http://p1.meituan.net/movie/f5a924f362f050881f2b8f82e852747c118515.jpg', 'name': '教父', 'star': '马龙·白兰度,阿尔·帕西诺,詹姆斯·肯恩', 'time': '1972-03-24', 'area': '美国', 'score': '9.3'}
6
7...
8}
9[Finished in 1.9s]

以上是第1种提取方法,如果还不习惯正则表达式这种复杂的语法,可以试试下面的第2种方法。

3.3.2. lxml结合xpath提取

该方法需要用到lxml这款解析利器,同时搭配xpath语法,利用它的的路径选择表达式,来高效提取所需内容。lxml包为第三方包,需要自行安装。如果对xpath的语法还不太熟悉,可参考下面的教程: http://www.w3school.com.cn/xpath/xpath_syntax.asp

 1</div>
 2
 3
 4    <div class="container" id="app" class="page-board/index" >
 5
 6<div class="content">
 7    <div class="wrapper">
 8        <div class="main">
 9            <p class="update-time">2018-08-18<span class="has-fresh-text">已更新</span></p>
10            <p class="board-content">榜单规则:将猫眼电影库中的经典影片,按照评分和评分人数从高到低综合排序取前100名,每天上午10点更新。相关数据来源于“猫眼电影库”。</p>
11            <dl class="board-wrapper">
12                <dd>
13                        <i class="board-index board-index-1">1</i>
14    <a href="/films/1203" title="霸王别姬" class="image-link" data-act="boarditem-click" data-val="{movieId:1203}">
15      <img src="//ms0.meituan.net/mywww/image/loading_2.e3d934bf.png" alt="" class="poster-default" />
16      <img src="http://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c" alt="霸王别姬" class="board-img" />
17    </a>
18    <div class="board-item-main">
19      <div class="board-item-content">
20              <div class="movie-item-info">
21        <p class="name"><a href="/films/1203" title="霸王别姬" data-act="boarditem-click" data-val="{movieId:1203}">霸王别姬</a></p>
22        <p class="star">
23                主演:张国荣,张丰毅,巩俐
24        </p>
25<p class="releasetime">上映时间:1993-01-01(中国香港)</p>    </div>
26    <div class="movie-item-number score-num">
27<p class="score"><i class="integer">9.</i><i class="fraction">6</i></p>        
28    </div>
29
30      </div>
31    </div>
32
33                </dd>
34                <dd>

根据截取的部分html网页,先来提取第1个电影排名信息,有两种方法。 第一种:直接复制。 右键-Copy-Copy Xpath,得到xpath路径为://*[@id="app"]/div/div/div[1]/dl/dd[1]/i,为了能够提取到页面所有的排名信息,需进一步修改为://*[@id="app"]/div/div/div[1]/dl/dd/i/text(),如果想要再精简一点,可以省去中间部分绝对路径'/'然后用相对路径'//'代替,最后进一步修改为://*[@id="app"]//div//dd/i/text()

第二种:观察网页结构自己写。 首先注意到id = app的div节点,因为在整个网页结构id是唯一的不会有第二个相同的,所有可以将该div节点作为xpath语法的起点,然后往下观察分别是3级div节点,可以省略写为://div,再往下分别是是两个并列的p节点、dl节点、dd节点和最后的i节点文本。中间可以随意省略,只要保证该路径能够选择到唯一的文本值'1'即可,例如省去p和dl节点,只保留后面的节点。这样,完整路径可以为://*[@id="app"]//div//dd/i/text(),和上式一样。

根据上述思路,可以写下其他内容的xpath路径。观察到路径的前一部分://*[@id="app"]//div//dd都是一样的,从后面才开始不同,因此为了能够精简代码,将前部分路径赋值为一个变量items,最终提取的代码如下:

 1# 2 用lxml结合xpath提取内容
 2def parse_one_page2(html):
 3    parse = etree.HTML(html)
 4    items = parse.xpath('//*[@id="app"]//div//dd')
 5    # 完整的是//*[@id="app"]/div/div/div[1]/dl/dd
 6    # print(type(items))
 7    # *代表匹配所有节点,@表示属性
 8    # 第一个电影是dd[1],要提取页面所有电影则去掉[1]
 9    # xpath://*[@id="app"]/div/div/div[1]/dl/dd[1]    
10    for item in items:
11        yield{
12            'index': item.xpath('./i/text()')[0],
13            #./i/text()前面的点表示从items节点开始
14            #/text()提取文本
15            'thumb': get_thumb(str(item.xpath('./a/img[2]/@src')[0].strip())),
16            # 'thumb': 要在network中定位,在elements里会写成@src而不是@src,从而会报list index out of range错误。
17            'name': item.xpath('./a/@title')[0],
18            'star': item.xpath('.//p[@class = "star"]/text()')[0].strip(),
19            'time': get_release_time(item.xpath(
20                './/p[@class = "releasetime"]/text()')[0].strip()[5:]),
21            'area': get_release_area(item.xpath(
22                './/p[@class = "releasetime"]/text()')[0].strip()[5:]),
23            'score' : item.xpath('.//p[@class = "score"]/i[1]/text()')[0] + 
24            item.xpath('.//p[@class = "score"]/i[2]/text()')[0]
25        }

Tips: [0]:xpath后面添加了[0]是因为返回的是只有1个字符串的list,添加[0]是将list提取为字符串,使其简洁; Network:要在最原始的Network选项卡中定位,而不是Elements中,不然提取不到相关内容; class属性:p[@class = "star"]/text()表示提取class属性为"star"的p节点的文本值; 提取属性值:img[2]/@src':提取img节点的src属性值,属性值后面无需添加'/text()'

运行程序,就可成功地提取出所需内容,结果和第一种方法一样。

以上是第2种提取方法,如果也不太习惯xpath语法,可以试试下面的第3种方法。

3.3.3. Beautiful Soup + css选择器

Beautiful Soup 同lxml一样,是一个非常强大的python解析库,可以从HTML或XML文件中提取效率非常高。关于它的用法,可参考下面的教程: https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/

css选择器选是一种模式,用于选择需要添加样式的元素,使用它的语法同样能够快速定位到所需节点,然后提取相应内容。使用方法可参考下面的教程: http://www.w3school.com.cn/cssref/css_selectors.asp

下面就利用这种方法进行提取:

 1# 3 用beautifulsoup + css选择器提取
 2def parse_one_page3(html):
 3    soup = BeautifulSoup(html, 'lxml')
 4    # print(content)
 5    # print(type(content))
 6    # print('------------')
 7    items = range(10)
 8    for item in items:
 9        yield{
10
11            'index': soup.select('dd i.board-index')[item].string,
12            # iclass节点完整地为'board-index board-index-1',写board-index即可
13            'thumb': get_thumb(soup.select('a > img.board-img')[item]["src"]),
14            # 表示a节点下面的class = board-img的img节点,注意浏览器eelement里面是src节点,而network里面是src节点,要用这个才能正确返回值
15
16            'name': soup.select('.name a')[item].string,
17            'star': soup.select('.star')[item].string.strip()[3:],
18            'time': get_release_time(soup.select('.releasetime')[item].string.strip()[5:]),
19            'area': get_release_area(soup.select('.releasetime')[item].string.strip()[5:]),
20            'score': soup.select('.integer')[item].string + soup.select('.fraction')[item].string
21
22        }

运行上述程序,结果同第1种方法一样。

3.3.4. Beautiful Soup + find_all函数提取

Beautifulsoup除了和css选择器搭配,还可以直接用它自带的find_all函数进行提取。 find_all,顾名思义,就是查询所有符合条件的元素,可以给它传入一些属性或文本来得到符合条件的元素,功能十分强大。 它的API如下:

1find_all(name , attrs , recursive , text , **kwargs)

常用的语法规则如下: soup.find_all(name='ul'): 查找所有ul节点,ul节点内还可以嵌套; li.string和li.get_text():都是获取li节点的文本,但推荐使用后者; soup.find_all(attrs={'id': 'list-1'})):传入 attrs 参数,参数的类型是字典类型,表示查询 idlist-1 的节点; 常用的属性比如 id、class 等,可以省略attrs采用更简洁的形式,例如: soup.find_all(id='list-1') soup.find_all(class_='element')

根据上述常用语法,可以提取网页中所需内容:

 1def parse_one_page4(html):
 2    soup = BeautifulSoup(html,'lxml')
 3    items = range(10)
 4    for item in items:
 5        yield{
 6
 7            'index': soup.find_all(class_='board-index')[item].string,
 8            'thumb': soup.find_all(class_ = 'board-img')[item].attrs['src'],
 9            # 用.get('src')获取图片src链接,或者用attrs['src']
10            'name': soup.find_all(name = 'p',attrs = {'class' : 'name'})[item].string,
11            'star': soup.find_all(name = 'p',attrs = {'class':'star'})[item].string.strip()[3:],
12            'time': get_release_time(soup.find_all(class_ ='releasetime')[item].string.strip()[5:]),
13            'area': get_release_time(soup.find_all(class_ ='releasetime')[item].string.strip()[5:]),
14            'score':soup.find_all(name = 'i',attrs = {'class':'integer'})[item].string.strip() + soup.find_all(name = 'i',attrs = {'class':'fraction'})[item].string.strip()
15
16        }

以上就是4种不同的内容提取方法。

3.4. 数据存储

上述输出的结果为字典格式,可利用csv包的DictWriter函数将字典格式数据存储到csv文件中。

1# 数据存储到csv
2def write_to_file3(item):
3    with open('猫眼top100.csv', 'a', encoding='utf_8_sig',newline='') as f:
4        # 'a'为追加模式(添加)
5        # utf_8_sig格式导出csv不乱码 
6        fieldnames = ['index', 'thumb', 'name', 'star', 'time', 'area', 'score']
7        w = csv.DictWriter(f,fieldnames = fieldnames)
8        # w.writeheader()
9        w.writerow(item)

然后修改一下main()方法:

 1def main():
 2    url = 'http://maoyan.com/board/4?offset=0'
 3    html = get_one_page(url)
 4
 5    for item in parse_one_page(html):  
 6        # print(item)
 7        write_to_csv(item)
 8
 9
10if __name__ == '__main__':
11    main()

结果如下图:

再将封面的图片下载下来:

 1def download_thumb(name, url,num):
 2    try:
 3        response = requests.get(url)
 4        with open('封面图/' + name + '.jpg', 'wb') as f:
 5            f.write(response.content)
 6            print('第%s部电影封面下载完毕' %num)
 7            print('------')
 8    except RequestException as e:
 9        print(e)
10        pass
11     # 不能是w,否则会报错,因为图片是二进制数据所以要用wb

3.5. 分页爬取

上面完成了一页电影数据的提取,接下来还需提取剩下9页共90部电影的数据。对网址进行遍历,给网址传入一个offset参数即可,修改如下:

 1def main(offset):
 2    url = 'http://maoyan.com/board/4?offset=' + str(offset)
 3    html = get_one_page(url)
 4
 5    for item in parse_one_page(html):  
 6        # print(item)
 7        write_to_csv(item)
 8
 9
10if __name__ == '__main__':
11    for i in range(10):
12        main(offset = i*10)

这样就完成了所有电影的爬取。结果如下:

4. 可视化分析

俗话说“文不如表,表不如图”。下面根据excel的数据结果,进行简单的数据可视化分析,并用图表呈现。

4.1. 电影评分最高top10

首先,想看一看评分最高的前10部电影是哪些?

程序如下:

 1import pandas as pd
 2import matplotlib.pyplot as plt
 3import pylab as pl  #用于修改x轴坐标
 4
 5plt.style.use('ggplot')   #默认绘图风格很难看,替换为好看的ggplot风格
 6fig = plt.figure(figsize=(8,5))   #设置图片大小
 7colors1 = '#6D6D6D'  #设置图表title、text标注的颜色
 8
 9columns = ['index', 'thumb', 'name', 'star', 'time', 'area', 'score']  #设置表头
10df = pd.read_csv('maoyan_top100.csv',encoding = "utf-8",header = None,names =columns,index_col = 'index')  #打开表格
11# index_col = 'index' 将索引设为index
12
13df_score = df.sort_values('score',ascending = False)  #按得分降序排列
14
15name1 = df_score.name[:10]      #x轴坐标
16score1 = df_score.score[:10]    #y轴坐标  
17plt.bar(range(10),score1,tick_label = name1)  #绘制条形图,用range()能搞保持x轴正确顺序
18plt.ylim ((9,9.8))  #设置纵坐标轴范围
19plt.title('电影评分最高top10',color = colors1) #标题
20plt.xlabel('电影名称')      #x轴标题
21plt.ylabel('评分')          #y轴标题
22
23# 为每个条形图添加数值标签
24for x,y in enumerate(list(score1)):
25    plt.text(x,y+0.01,'%s' %round(y,1),ha = 'center',color = colors1)
26
27pl.xticks(rotation=270)   #x轴名称太长发生重叠,旋转为纵向显示
28plt.tight_layout()    #自动控制空白边缘,以全部显示x轴名称
29# plt.savefig('电影评分最高top10.png')   #保存图片
30plt.show()

结果如下图:

可以看到:排名最高的分别是两部国产片"霸王别姬"和"大话西游",其他还包括"肖申克的救赎"、"教父"等。 嗯,还好基本上都看过。

4.2. 各国家的电影数量比较

然后,想看看100部电影都是来自哪些国家? 程序如下:

 1area_count = df.groupby(by = 'area').area.count().sort_values(ascending = False)
 2
 3# 绘图方法1
 4area_count.plot.bar(color = '#4652B1')  #设置为蓝紫色
 5pl.xticks(rotation=0)   #x轴名称太长重叠,旋转为纵向
 6
 7
 8# 绘图方法2
 9# plt.bar(range(11),area_count.values,tick_label = area_count.index)
10
11for x,y in enumerate(list(area_count.values)):
12    plt.text(x,y+0.5,'%s' %round(y,1),ha = 'center',color = colors1)
13plt.title('各国/地区电影数量排名',color = colors1)
14plt.xlabel('国家/地区')
15plt.ylabel('数量(部)')
16plt.show()
17# plt.savefig('各国(地区)电影数量排名.png')

结果如下图:

可以看到,除去网站自身没有显示国家的电影以外,上榜电影被10个国家/地区"承包"了。其中,美国以30部电影的绝对优势占据第1名,其次是8部的日本,韩国第3,居然有7部上榜。

不得不说的是香港有5部,而内地一部都没有。。。

4.3. 电影作品数量集中的年份

接下来站在漫长的百年电影史的时间角度上,分析一下哪些年份"贡献了"最多的电影数量,也可以说是"电影大年"。

 1# 从日期中提取年份
 2df['year'] = df['time'].map(lambda x:x.split('/')[0])
 3# print(df.info())
 4# print(df.head())
 5
 6# 统计各年上映的电影数量
 7grouped_year = df.groupby('year')
 8grouped_year_amount = grouped_year.year.count()
 9top_year = grouped_year_amount.sort_values(ascending = False)
10
11
12# 绘图
13top_year.plot(kind = 'bar',color = 'orangered') #颜色设置为橙红色
14for x,y in enumerate(list(top_year.values)):
15    plt.text(x,y+0.1,'%s' %round(y,1),ha = 'center',color = colors1)
16plt.title('电影数量年份排名',color = colors1)
17plt.xlabel('年份(年)')
18plt.ylabel('数量(部)')
19
20plt.tight_layout()
21# plt.savefig('电影数量年份排名.png')
22
23plt.show()

结果如下图:

可以看到,100部电影来自37个年份。其中2011年上榜电影数量最多,达到9部;其次是前一年的7部。回忆一下,那会儿正是上大学的头两年,可怎么感觉除了阿凡达之外,没有什么其他有印象的电影了。。。

另外,网上传的号称"电影史奇迹年"的1994年仅排名第6。这让我进一步对猫眼榜单的权威性产生了质疑。 再往后看,发现遥远的1939和1940年也有电影上榜。那会儿应该还是黑白电影时代吧,看来电影的口碑好坏跟外在的技术没有绝对的关系,质量才是王道。

4.3.1. 拥有电影作品数量最多的演员

最后,看看前100部电影中哪些演员的作品数量最多。 程序如下:

 1#表中的演员位于同一列,用逗号分割符隔开。需进行分割然后全部提取到list中
 2starlist = []
 3star_total = df.star
 4for i in df.star.str.replace(' ','').str.split(','):
 5    starlist.extend(i)  
 6# print(starlist)
 7# print(len(starlist))
 8
 9# set去除重复的演员名
10starall = set(starlist)
11# print(starall)
12# print(len(starall))
13
14starall2 = {}
15for i in starall:
16    if starlist.count(i)>1:
17        # 筛选出电影数量超过1部的演员
18        starall2[i] = starlist.count(i)
19
20starall2 = sorted(starall2.items(),key = lambda starlist:starlist[1] ,reverse = True)
21
22starall2 = dict(starall2[:10])  #将元组转为字典格式
23
24# 绘图
25x_star = list(starall2.keys())      #x轴坐标
26y_star = list(starall2.values())    #y轴坐标
27
28plt.bar(range(10),y_star,tick_label = x_star)
29pl.xticks(rotation = 270)
30for x,y in enumerate(y_star):
31    plt.text(x,y+0.1,'%s' %round(y,1),ha = 'center',color = colors1)
32
33plt.title('演员电影作品数量排名',color = colors1)
34plt.xlabel('演员')
35plt.ylabel('数量(部)')
36plt.tight_layout()
37plt.show()    
38# plt.savefig('演员电影作品数量排名.png')

结果如下图:

张国荣排在了第一位,这是之前没有猜到的。其次是梁朝伟和星爷,再之后是布拉德·皮特。惊奇地发现,前十名影星中,香港影星居然占了6位。有点严重怀疑这是不是香港版的top100电影。。。

对张国荣以7部影片的巨大优势雄霸榜单第一位感到好奇,想看看是哪7部电影。

1df['star1'] = df['star'].map(lambda x:x.split(',')[0])  #提取1号演员
2df['star2'] = df['star'].map(lambda x:x.split(',')[1])  #提取2号演员
3star_most = df[(df.star1 == '张国荣') | (df.star2 == '张国荣')][['star','name']].reset_index('index')
4# |表示两个条件或查询,之后重置索引
5print(star_most)

可以看到包括排名第1的"霸王别姬"、第17名的"春光乍泄"、第27名的"射雕英雄传之东成西就"等。 突然发现,好像只看过"英雄本色"。。。有时间,去看看他其他的作品。

1     index        star              name
20      1   张国荣,张丰毅,巩俐        霸王别姬
31     17   张国荣,梁朝伟,张震        春光乍泄
42     27  张国荣,梁朝伟,张学友  射雕英雄传之东成西就
53     37  张国荣,梁朝伟,刘嘉玲        东邪西毒
64     70   张国荣,王祖贤,午马        倩女幽魂
75     99  张国荣,张曼玉,刘德华        阿飞正传
86    100   狄龙,张国荣,周润发        英雄本色

由于数据量有限,故仅作了上述简要的分析。

原文发布于微信公众号 - Python中文社区(python-china)

原文发表时间:2018-11-02

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏Java编程技术

UML建模(类图)

类图是面向对象系统建模中重要的图,是定义其它图的基础。类图主要是用来展现软件系统中的类、接口以及它们之间的静态结构。

14620
来自专栏ACM小冰成长之路

51Nod-1615-跳跃的杰克

ACM模版 描述 ? 题解 这个题代码炒鸡简单,只要想通了就好了。 这里我们贪心的想,尽量向靠近的方向跳,如果跳过了,我们考虑超过的距离是奇数还是偶数,如果是偶...

22060
来自专栏偏前端工程师的驿站

JS魔法堂:不完全国际化&本地化手册 之 理論篇

前言  最近加入到新项目组负责前端技术预研和选型,其中涉及到一个熟悉又陌生的需求——国际化&本地化。熟悉的是之前的项目也玩过,陌生的是之前的实现仅仅停留在"有"...

23480
来自专栏数据小魔方

教你如何优雅的用R语言调用有道翻译

最近刚发现了个有趣的包,一个R语言发烧友开发了R语言与有道在线翻译的接口,可能这位大神也是一个受够了每天打开网页狂敲键盘查词的罪,索性自己动手,从此丰衣足食。 ...

24430
来自专栏FreeBuf

逆向分析智能窗帘频射协议

近来我热衷于对家庭自动化设备的破解,然后将它们添加到我的Homekit集成包之中。这事情要从几个月前说起,当时我爸订购了大批量的RAEX 433MHz射频电动窗...

30750
来自专栏AI派

如何使用Python伪造一点也不假的假数据呢

工作中,有时候我们需要伪造一些假数据,如何使用 Python 伪造这些看起来一点也不假的假数据呢?

19530
来自专栏葡萄城控件技术团队

ActiveReports 报表应用教程 (9)---交互式报表之动态排序

在葡萄城ActiveReports报表中除了提供对数据源进行排序的功能之外,还提供了最终用户排序功能,最终用户可以对报表进行区域内排序和整个数据源排序,结合数据...

185100
来自专栏数据结构与算法

BZOJ1228: [SDOI2009]E&D(打表SG)

Description 小E 与小W 进行一项名为“E&D”游戏。游戏的规则如下:桌子上有2n 堆石子,编号为1..2n。其中,为了方便起见,我们将第2k-1...

32450
来自专栏圣杰的专栏

EF Core中避免贫血模型的三种行之有效的方法

16540
来自专栏大数据文摘

如何利用维基百科的数据可视化当代音乐史

20170

扫码关注云+社区

领取腾讯云代金券