分析了豆瓣电影数据并进行可视化，分析的数据有评论数量、评分、时长、电影类型、评分星级

豆瓣电影分析

依据上一篇Scrapy豆瓣整站爬虫中的电影数据进行分析

首先分析时长、评分、评论数量之间的关系：

可以分析得：

当电影时长和评分越高，评论数量相对越多

但时长和评分没有什么关系

接下来是电影类型的数量分析

可以看到剧情片一马当先，戏剧和动作紧随其后

最后是评分星级的比例：

一星二星只占11.8%，其余的多评四星，或在上下浮动

源码：

import pymysql
import pandas as pd
from pandas import DataFrame
import matplotlib.pyplot as plt
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']


# 从MySQL导入数据
con = pymysql.connect(host='127.0.0.1', user='root', passwd='root', db='python', charset='utf8')
cur = con.cursor()
df = pd.read_sql('SELECT * FROM doubanvideo WHERE '
                 'genre != "" AND '
                 'runtime != "" AND '
                 'average_count != "" '
                 'AND average != "" AND '
                 'star_1 != "" AND '
                 'star_2 != "" AND '
                 'star_3 != "" AND '
                 'star_4 != "" AND '
                 'star_5 != "";', con=con)
con.close()

# 时长和评论数量之间的关系
df['runtime'] = df['runtime'].str.replace(r'( *)分钟(.*)', "")
df['runtime'] = df['runtime'].str.replace(r'[a-zA-Z]+:( *)', "")
frame = DataFrame(df)
fig,ax = plt.subplots()
ax.scatter(frame['runtime'], frame['average_count'])
ax.set_xlabel('runtime')
ax.set_ylabel('average_count')
plt.show()
plt.close()


# 时长和评分之间的关系
df['runtime'] = df['runtime'].str.replace(r'( *)分钟(.*)', "")
df['runtime'] = df['runtime'].str.replace(r'[a-zA-Z]+:( *)', "")
frame = DataFrame(df)
fig,ax = plt.subplots()
ax.scatter(frame['runtime'], frame['average'])
ax.set_xlabel('runtime')
ax.set_ylabel('average')
plt.show()
plt.close()


# 评分和评论数量之间的关系
frame = DataFrame(df)
fig,ax = plt.subplots()
ax.scatter(frame['average'], frame['average_count'])
ax.set_xlabel('average')
ax.set_ylabel('average_count')
plt.show()
plt.close()

# 电影类型的柱形图
types = {}
frame = DataFrame(df)
for genre in frame['genre']:
    strs = genre.split(" ")
    for s in strs:
        if types.get(s) is None:
            types[s] = 1
        else:
            types[s] += 1
blist = []                                              # 定义两个列表
clist = []
list = sorted(types.items(), key=lambda item: item[1])  # 得到的是一个list,list中的元素是tuple
for i in list:
    blist.append(i[0])                                  # 把元组中的第一个值添加到blist列表中
    clist.append(i[1])                                  # 把元组中的第二个值添加到clist列表中
plt.rcParams['figure.figsize'] = (10.0, 4.0)            # 设置figure_size尺寸
plt.bar(range(len(blist)), clist, tick_label=blist)     # 第一个参数为x轴元素的个数，第二个元素为y轴的值，第三个元素为x轴各元    素的值
plt.show()


# 五个评价等级的比例，数据库星级顺序反了。。。
star_1 = DataFrame(df['star_5'].str.replace(r'%', ""), dtype='float').mean()
star_2 = DataFrame(df['star_4'].str.replace(r'%', ""), dtype='float').mean()
star_3 = DataFrame(df['star_3'].str.replace(r'%', ""), dtype='float').mean()
star_4 = DataFrame(df['star_2'].str.replace(r'%', ""), dtype='float').mean()
star_5 = DataFrame(df['star_1'].str.replace(r'%', ""), dtype='float').mean()
labels = '1 star', '2 star', '3 star', '4 star', '5 star'
sizes = [star_1, star_2, star_3, star_4, star_5]
explode = (0, 0, 0, 0, 0)
fig1, ax1 = plt.subplots()
ax1.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%', shadow=True, startangle=90)
ax1.axis('equal')
plt.show()

此为博主副博客，留言请去主博客，转载请注明出处：https://www.baby7blog.com/myBlog/27.html