用Python分析一下那些"吸粉"无数的高票房电影
作者：奶糖猫
来源：奶糖猫
前言
孩子：妈妈我想看电影
妈妈：看，看大片，480部够吗？
孩子：够了，谢谢妈妈，妈妈真好
奈何烂片层出不穷，电影荒就成了常事，不如回归经典，看一看电影历史上票房排行位于前端的一些电影，票房高的电影不一定精彩，但烂片票房低则是必然
本文基于requests和BeautifulSoup爬取了电影历史票房Top480的基本信息，在观察这份文件同时也会考虑，票房的高低和评分是否存在一定的关系呢？与时间呢？与地区呢？在利用pandas完成对这份数据概况的分析后，自然而然就会得到答案
爬虫概况简要
豆瓣是一个静态网页，所以利用requests结合BeautifulSoup就能够爬取需要的信息，但前提是我们要登陆豆瓣，这会涉及到模拟登陆的知识，例如爬取微博，知乎类似网页都需要用到模拟登陆
在密码框可以输入一个错误的密码，为了能够找到准确的登陆网址，要注意这是一个POST请求
模拟登陆代码如下
#建立Session保存Cookie对话维持登陆状态
s = requests.Session()
def login_in():
#登陆的网址
login_url = 'https://accounts.douban.com/j/mobile/login/basic'
#请求头
headers = {'User-Agent': 'Mozilla/5.0','Referer': 'https://accounts.douban.com/passport/login_popup?login_source=anony'}
#登陆数据
data = {
'name': '***********',#*为豆瓣正确账号和密码
'password':'***********',
'remember': 'false'
}
try:
r = s.post(login_url,headers = headers,data=data)
except:
print("登陆失败")
#输出登陆结果
print(r.text)Session()的作用是在登陆这个网站之后，进入网站的其他分页时也可以维持登陆状态
登陆成功后，会出现下图提示
剩下的爬虫内容比较简单，介于篇幅问题，不再陈述
数据如下
数据分析
库与工具
在进行数据分析之前，先将必要的库导入
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
import jieba
from wordcloud import WordCloud
#词云图加载背景图会用到
from PIL import Image
%matplotlib inlineseaborn简介：seaborn是基于matplotlib的图形可视化python包，在matplotlib的基础上进行了高级的API封装，能够用更简洁的代码绘制出更吸引人的可视化图
工具：jupyter notebook
导入数据
数据分析第一步即将被分析的csv文件上传至jupyter notebook交互页面，并利用pandas读取文件，查看文件的基本内容
df = pd.read_csv('movie_ranking.csv')
df.head()
从左至右依次为：排名、电影名字、导演、主演、类型、制片国家、上映年份、豆瓣评分、投票人数、票房 由于位列170的电影被删除，无法获取相关信息，就只剩479部电影
由于数据是自己爬取的，并且数据集很小，所以数据比较完整，可以跳过数据清洗直接进行数据可视化
数据可视化
电影评分与制片国家的关系
国家种类太多会导致绘图时不太美观，所以按照制片多少将国家分为四类即‘America’，‘Britain‘，’China‘，’Others‘四个地区
df['movie_country'].value_counts()
def Country(t):
if '美国' in t:
return 'America'
elif '英国' in t:
return 'Britain'
elif '中国大陆' in t:
return 'China'
else:
return 'Others'
#增加新一列————分类后的国家
df['Country'] = df['movie_country'].map(Country)
df1 = df.loc[:,('movie_score','Country')]我们只讨论电影评分和制片地区的关系，所以将两列提取生成一个新的DataFrame对象
可视化选择用箱线图和散点图叠加
箱线图主要包含六个数据节点，将一组数据从大到小排列，分别计算出他的上边缘，上四分位数，中位数，下四分位数，下边缘，还有一个异常值，加入散点图后也能呈现出电影评分的分布概况
从中不难看出美国在电影方面的造诣堪称完美，排行榜中超九成的电影都是由美国制作的，同时生产的大片都时间长、质量好、评价高，但是也有一些评分比较低的电影上榜，这也算是萝卜青菜各有所爱吧
电影上映时间与地区的关系
电影上映时间的分布也十分广泛，我们用同样的方法，让时间以年代的方式出现即’2010s','2000s','1990s','1980s',1970s','others'六个时间段
df['movie_year'].value_counts()
def Time(t):
if t>=2010 and t<2020:
return '2010s'
elif t>=2000 and t<2010:
return '2000s'
elif t>=1990 and t<2000:
return '1990s'
elif t>=1980 and t<1990:
return '1980s'
elif t>=1970 and t<1980:
return '1970s'
else:
return 'other'
df['Time'] = df['movie_year'].map(Time)
散点图最大化的展示了电影上映时间的分布，而饼图更高的展示出电影上映年代的分布比例
近20年上映的电影上榜的较多，占据了榜单的80%，不可否认人们生活条件变好是一个重要因素，但科技、人文进步也具有一定影响；榜单上也有许多上个世纪的电影，比如《泰坦尼克号》、《侏罗纪公园》、《狮子王》都是经典中的经典
电影评分、投票人数、票房之间的联系
关于电影票房会有一个规律，.电影口碑好→评价人数多→评分高→观看人数多→电影票房高，这一套龙服务也决定了一部电影的地位如何
电影评分和评价人数的线性关系比较明显，评分越高的电影恰恰评价人数也多，在互联网世界，电影口碑的传播速度极快，具有明显因果效应。而对于同评分的电影票房有时差异很大，不能说电影评分对票房无影响，但是其中演员阵容，电影体裁等等都具有一定的影响
词云图
想看大咖怎么办？上词云呀！
像《复仇者联盟》《星球大战》《速度与激情》这类电影，由于具有极高的人气，所以可能一个系列中有好几部会上榜，自然而然主演的影星上榜次数也较多
总结
“票房无法衡量一部电影的质量，却代表了这部电影在全球范围内的热度”，电影的好坏不能单单用票房判定，但是票房高的电影确实它的独到之处，演员阵容虽说很重要，可演员的演技和选题不应该才是一部大片的立足之本嘛，就我个人而言，必须要吹一波《肖申克的救赎》，虽然票房不高，但依靠着口碑的它涅槃重生，成为了电影史上的经典