大数据测试5

5.7 how much

5.7.1 计算相关系数（票房相关系数矩阵）

 

    clean_tmdb_5000_movies = "static/data/clean_df_tmdb_5000_movies.csv"

    # 显示所有列

    pd.set_option('display.max_columns', None)

    # 显示所有行

    pd.set_option('display.max_rows', None)

    # 显示宽度

    pd.set_option('display.width', None)

    clean_df_tmdb_5000_movies = pd.read_csv(clean_tmdb_5000_movies)

    # 计算相关系数矩阵

    revenue_corr = clean_df_tmdb_5000_movies[['runtime', 'popularity', 'vote_average', 'vote_count', 'budget', 'revenue']].corr()

 

    sns.heatmap(

        revenue_corr,

        annot=True,  # 在每个单元格内显示标注

        cmap="Blues",  # 设置填充颜色：黄色，绿色，蓝色

        #             cmap="YlGnBu", # 设置填充颜色：黄色，绿色，蓝色

        #             cmap="coolwarm", # 设置填充颜色：冷暖色

        cbar=True,  # 显示color bar

        linewidths=0.5,  # 在单元格之间加入小间隔，方便数据阅读

        # fmt='%.2f%%',  # 本来是确保显示结果是整数（格式化输出），此处有问题

    )

    plt.savefig('票房相关系数矩阵.png', dpi=300)

    plt.show()

5.7.2 票房影响因素散点图

 

 

    clean_tmdb_5000_movies = "static/data/clean_df_tmdb_5000_movies.csv"

    # 显示所有列

    pd.set_option('display.max_columns', None)

    # 显示所有行

    pd.set_option('display.max_rows', None)

    # 显示宽度

    pd.set_option('display.width', None)

    clean_df_tmdb_5000_movies = pd.read_csv(clean_tmdb_5000_movies)

    temp_list = clean_df_tmdb_5000_movies["genres"].str.split(",").tolist()

    genre_list= list(set([i for j in temp_list for i in j]))

    genre_list=genre_list[1:]

    # 创建数据框-电影类型

    genre_df = pd.DataFrame()

 

    # 对电影类型进行one-hot编码

    for i in genre_list:

        # 如果包含类型 i，则编码为1，否则编码为0

        genre_df[i] = clean_df_tmdb_5000_movies['genres'].str.contains(i).apply(lambda x: 1 if x else 0)

    # 将数据框的索引变为年份

    num=clean_df_tmdb_5000_movies.shape[0]

    for i in range(num):

        clean_df_tmdb_5000_movies['release_date'][i]= clean_df_tmdb_5000_movies['release_date'][i].split("-")[0]

    genre_df.index = clean_df_tmdb_5000_movies['release_date']

print(genre_df.head(10))

#加上属性列budget，revenue，popularity，vote_count

    revenue_df = pd.concat([genre_df.reset_index(), clean_df_tmdb_5000_movies['revenue']

                               ,clean_df_tmdb_5000_movies['budget']

                               ,clean_df_tmdb_5000_movies['popularity']

                               ,clean_df_tmdb_5000_movies['vote_count']], axis=1)

    print(revenue_df.head(10))

    # 绘制散点图

    fig = plt.figure(figsize=(17, 5))

 

    # # 学习seaborn参考：https://www.jianshu.com/p/c26bc5ccf604

    ax1 = plt.subplot(1, 3, 1)

    ax1 = sns.regplot(x='budget', y='revenue', data=revenue_df)

 

    # marker: 'x','o','v','^','<'

    # jitter:抖动项，表示抖动程度

    ax1.text(1.6e8, 2.2e9, 'r=0.7', fontsize=16)

    plt.title('budget-revenue-scatter', fontsize=20)

    plt.xlabel('budget', fontsize=16)

    plt.ylabel('revenue', fontsize=16)

 

    ax2 = plt.subplot(1, 3, 2)

    ax2 = sns.regplot(x='popularity', y='revenue', data=revenue_df, x_jitter=.1, color='g', marker='o')

    ax2.text(500, 3e9, 'r=0.59', fontsize=16)

    plt.title('popularity-revenue-scatter', fontsize=18)

    plt.xlabel('popularity', fontsize=16)

    plt.ylabel('revenue', fontsize=16)

 

    ax3 = plt.subplot(1, 3, 3)

    ax3 = sns.regplot(x='vote_count', y='revenue', data=revenue_df, x_jitter=.1, color='b', marker='v')

    ax3.text(7000, 2e9, 'r=0.75', fontsize=16)

    plt.title('voteCount-revenue-scatter', fontsize=20)

    plt.xlabel('vote_count', fontsize=16)

    plt.ylabel('revenue', fontsize=16)

 

    fig.savefig('revenue.png', dpi=300)

    plt.show()