2018電影票房分析-誰纔是票房之王

去年底的時候，我招收了新的「實訓生」。本文是其中一位 @齊大聖 同窗在實訓兩個月時完成的項目案例。（碼上行動羣裏同窗應該都看過這個名字，如今也是助教之一。）項目最初的想法是，從互聯網上的公開信息中採集2018年在國內上映電影的票房、評分、類型、演員等信息，而後作一些數據分析和可視化展現。這樣一個項目，除了須要對 python 基本語法和數據結構的掌握以外，還涉及到網頁分析、爬蟲、文本解析、數據庫存儲、數據處理、數據分析、數據可視化，而且須要對一個完整項目有總體的模塊設計，對於編程學習者來講是從入門到進階的一個很好案例。常常跟我說學了基礎不知道作什麼項目的同窗們，別光顧着看熱鬧，回頭本身也動手作一作。代碼已上傳，獲取見文末。

項目之初，咱們的想法主要是對去年國內上映電影的票房、評分進行一下排行，而後按不一樣類型對比下，什麼片更受歡迎，什麼片更賺錢。後來開發過程當中，正值《流浪地球》大賣，吳京成爲首位國內票房破百億的演員。因而咱們突發奇想，來看一看誰是去年單年累積票房最高的演員。是《我不是藥神》的徐崢，仍是《唐人街探案2》的王寶強（他倆還合演了《一出好戲》），又或者是《紅海行動》中的某位？

在往下看以前，你也能夠大膽猜一下。但我打賭你是猜不到的。若是沒猜對，記得幫忙轉發點贊。

基本數據狀況：

1. 票房數據來自中國票房網（http://cbooo.cn）
2. 評分數據來自豆瓣電影（http://movie.douban.com）、貓眼（http://maoyan.com）、時光網（http://mtime.com）、IMDB（http://imdb.com）
3. 導演、演員信息來自豆瓣電影
4. 共 522 部電影，4723 位影人
5. 因爲從幾個不一樣網站抓取數據，有些名稱會不一致，或者出現部分數據缺失的狀況。所以這個數據並非絕對完整的，但不影響總體結論
6. 影片所屬類型沒有嚴格定義，且會有多個類型。實際選取方式咱們在下面會有具體說明。

電影總排行：

這個排名你們都不陌生，沒啥好多說的，好玩的在後面。

票房分佈

咱們將全部電影按評分和票房作成散點分佈圖，獲得上述圖片。此圖是動態可交互的，這裏我截幾張有表明性的（點擊圖片後可放大）：

依次是動做、喜劇、劇情、動畫四類電影分佈。粗略一看，動做片是比較受市場歡迎的，畢竟選擇去觀看大屏幕，很大程度也是爲了享受特效和視聽感覺。喜劇和劇情也還不錯，但高票房的動畫片就不多了。

類型片

這張圖是不一樣影片類型的數量和評分狀況。劇情、喜劇、動做是三大主流類型。

從評分上看，動畫片最高，我很早就發現了這個現象，我以爲多是由於動畫片類型明確，會觀看並評價的人自己對其接受度高，而不喜歡的人壓根兒就不會去看。劇情片總體評分也不錯，可見能把一個故事說好，觀衆就挺滿意了。愛情片、驚悚片則是一貫是爛片的高發地帶。

說明下：這裏的類型是重複計算的，一部片會既是動做片，又是喜劇片。另外因爲豆瓣上一些電影評分數量太少而不顯示，因此這裏的電影數量會和票房數量有所差別。

從票房上看，動做片不論是總量仍是平均，都很強勢。值得注意的是科幻片，雖然通常認爲這是個小衆類型，但與廣義科幻沾邊的影片平均票房卻不低（這裏面Marvel貢獻了很多），今年的小破球更是創造了新的紀錄。戰爭片則是被《紅海行動》一片之力拉高了平均值。

月度票房

將類型片的票房按月劃分，獲得了這張圖。春節檔無疑是一年最搶錢的檔期，而喜劇片又是此檔期的絕對主力。暑期檔則是另外一個票房小高峯。動做片一年四季都不錯。

這裏的月度劃分是按首映日期，因此會有一些提早，好比國慶檔的票房都記在了九月份。

以上面幾組數據來看，若是哪位土豪讀者想投資拍電影，選擇動做片是比較保險的，記得要把故事說好，最好再加點科幻元素，在春節前上映。

評分對比

這裏作了 IMDB、時光網、貓眼分別和豆瓣評分的關係對比。

按理說，若是兩個網站的評分基本一致的話，這些點應當分佈在對角線上。IMDB、時光網和豆瓣仍是差很少的（豆瓣實際上是5星制，最低2分）。再細分一下，時光網和豆瓣的相關性要比 IMDB 更大（文化差別），好片比爛片的相關性更大（好片都說好，爛片則口味不一樣）。

有意思的是貓眼（最右側圖），它的評分廣泛要比豆瓣高，相信不少人都有直觀感覺。固然這也有它的緣由：貓眼買了票的人才會評分，那通常總歸會選個本身愛看的吧。

【彩蛋】圖上右下角有個使人矚目的孤點，這部電影是個例外，它貓眼評分2.9，豆瓣卻有6.9，你知道是哪部嗎？（能夠留言猜一下，我待會兒在留言中公佈答案）若是你瞭解此片背後的故事，定會一拍大腿恍然大悟。

演員

好了，到了公佈最終結果的時候。

第一名：王成思

參演電影：《西紅柿首富》25億；《唐人街探案2》34億；《李茶的姑媽》6億

這……是誰啊，演的誰……

斯坦·李憑藉各類客串，位列第3。而另外一位能在Marvel、DC兩道均能跑龍套的約翰·蓋蒂爾，也躋身前十，一樣也不知道他演的角色……

怎麼樣，有沒有出乎你的意料？如今你能夠拿這個去問別人了

全部圖表在網頁上都是動態可交互的，訪問地址請在咱們公衆號（Crossin的編程教室）裏回覆關鍵字 票房

代碼也已上傳，並附帶有說明文檔，大體說明了實現思路、文件說明、技術細節。一樣回覆關鍵字 票房

若是你想要跟着實現或運行相關代碼，我這裏再簡單說幾點。

項目總體思路：

1. 經過 中國票房網 得到2018年大陸上映電影和每部電影票房數據
2. 根據已有的票房數據，經過豆瓣 api 和詳細頁面，得到每部電影的導演，演員和豆瓣評分等詳細數據
3. 分別經過 貓眼、時光網 和 imdb，獲取這三個網站的電影評分數據
4. 新建影人條目，利用豆瓣得到的影人數據，對2018年每一個演員年參演電影進行統計
5. 根據已有數據做圖，分析2018年電影票房排名、不一樣網站評分差別、電影票房-評分關係等

開發環境及所需庫：

• python 3.6（3.5以上版本應該都沒啥問題）
• jupyter notebook - 這個以前介紹過屢次，數據分析好幫手
• requests - 網頁抓取
• bs4 - 網頁文本分析
• pymongo - 本項目用了 mongodb 數據庫
• numpy - 數據計算必備
• pyecharts - 繪圖工具包 ECharts 的封裝

有幾點值得注意的是：

1. 由於豆瓣的搜索結果是模糊匹配，根據電影名會搜出多部電影，所以匹配豆瓣信息時增長了人工干預的步驟。這部分代碼能夠再優化。
2. 項目使用 MongoDB 做爲數據存儲，這不是必須的，你能夠把這部分代碼改爲文件保存。另外若是你只是想作數據分析，也能夠拿咱們抓取好導出的數據，免除抓取之苦。（附帶在項目中，僅供學習，請勿商用，不然後果自負）

部分代碼（僅演示，完整代碼見項目倉庫）：

抓取並保存

client = pymongo.MongoClient()
db = client.chinamovies # 獲取或新建名爲 chinamovies 的 database
collections = db.movies # 獲取或者新建了一個表
url_origin = 'http://www.cbooo.cn/Mdata/getMdata_movie?area={area}&type=0&year=2018&initial=%E5%85%A8%E9%83%A8&pIndex={page}'
url = url_origin.format(area=area, page=page)
req = requests.get(url, headers=headers)
data = req.json()
collections.insert_many(data['pData'])複製代碼

獲取豆瓣信息

url_api = 'https://api.douban.com/v2/movie/search?q={}'.format(moviename)
req = requests.get(url_api, headers=headers)
data_total = req.json()['subjects']
if not data_total:
    print('你搜索的不存在：', moviename)
else:
    print(data_total[0])複製代碼

計算影人蔘演票房總和

for i in col_casts.find():
    total_box = 0
    for j in i['movie_id']:
        movie = collections_detail.find_one({'id': j})
        if movie['boxoffice']:
            total_box += int(movie['boxoffice'])
    col_casts.update_one({'_id': i['_id']}, {'$set': {'total_box': total_box}}, upsert=True)複製代碼

輸出票房/評分分佈散點圖

scatter = Scatter("電影評分-票房")
total_num = 0
for i in genre:
    total_num += len(genre[i]['rate'])
    scatter.add(i, genre[i]['boxoffice'], genre[i]['rate'], **other_setting, extra_name=genre[i]['title'],
                xaxis_name='票房（億）', yaxis_name='評分', yaxis_name_gap=20,yaxis_min=2, symbol_size=5,
                label_formatter='{c}', is_label_emphasis=True, is_toolbox_show=False)
scatter.render('電影評分-票房.html')複製代碼

查看交互圖表和代碼地址，請在公衆號（Crossin的編程教室）回覆關鍵字 票房

════

其餘文章及回答：

學編程：如何自學Python | 新手引導 | 一圖學Python

開發案例：智能防擋彈幕 | 紅包提醒 | 流浪地球

歡迎搜索及關注：Crossin的編程教室