可視化分析2015年中國內地電影總票房Top25

注：本文案例數據來自於藝恩電影營銷智庫

從網頁抓取數據

方法一：使用XML包中的readHTMLTable函數抓取網頁表格數據。

方法二：若是用的是chrome瀏覽器，能夠安裝一個名叫Table Capture的插件，自動抓取網頁表格數據。經過粘貼板或者導入到google的電子表格並下載到本地後，將數據加載到R

本文使用方法一。在windows中，獲得的數據會出現中文列變量名亂碼（對列變量從新命名就行了，linux不會）。

library(XML)
library(ggplot2)

url <- "http://www.cbooo.cn/year?year=2015"
url <- htmlParse(url, encoding="UTF-8")#解析文件，需指定encoding爲"UTF-8"，不然亂碼
tables <- readHTMLTable(url)
table <- tables[[1]]

head(table)

             排名：影片名 類型 總票房（萬） 平均票價 場均人次 國家及地區   上映日期
1                1.捉妖記 魔幻       243952       37       42       中國 2015-07-16
2           2.速度與激情7 動做       242655       39       42  美國/日本 2015-04-12
3                  3.港囧 喜劇       161336       33       40       中國 2015-09-25
4 4.復仇者聯盟2：奧創紀元 科幻       146438       40       29       美國 2015-05-12
5            5.夏洛特煩惱 喜劇       144145       32       34       中國 2015-09-30
6            6.侏羅紀世界 動做       142066       38       33       美國 2015-06-10

清洗並整理數據

names(table) <- c("title", "type", "boxoffice", "meanprice", "numofpeople", "nation", "date")
boxdf <- as.data.frame(lapply(table, as.character), stringsAsFactors=FALSE)
boxdf[,1] <- sub(pattern="\\d{1,2}.", replacement="", table[,1])

boxdf <- cbind(rank = 1:25,boxdf)
col1 <- c(3,7)
col2 <- 4:6
boxdf[, col1] <- lapply(boxdf[,col1], as.factor)
boxdf[, col2] <- sapply(boxdf[,col2], as.numeric)

可視化結果

如今，咱們獲得了一個25行8列的電影票房數據框。先查看下結構：

str(boxdf)

'data.frame':   25 obs. of  8 variables:
 $ rank       : int  1 2 3 4 5 6 7 8 9 10 ...
 $ title      : chr  "捉妖記" "速度與激情7" "港囧" "復仇者聯盟2：奧創紀元" ...
 $ type       : Factor w/ 8 levels "劇情","動做",..: 8 2 4 7 4 2 5 4 2 3 ...
 $ boxoffice  : num  243952 242655 161336 146438 144145 ...
 $ meanprice  : num  37 39 33 40 32 38 36 33 39 35 ...
 $ numofpeople: num  42 42 40 29 34 33 45 39 37 34 ...
 $ nation     : Factor w/ 9 levels "中國","中國/中國香港",..: 1 8 1 5 1 5 1 1 1 1 ...
 $ date       : chr  "2015-07-16" "2015-04-12" "2015-09-25" "2015-05-12" ...

下面用ggplot2來可視化電影票房狀況

ggplot(boxdf)+
geom_bar(aes(x=reorder(title, boxoffice), y=boxoffice, fill = "boxoffice"), 
         position = "dodge",stat = "identity")+
   scale_fill_manual(values=c(boxoffice="#A6CEE3")) +
   coord_flip() + 
   theme(axis.text.x = element_text(size = rel(2)),
         axis.text.y = element_text(size = rel(2)),
         plot.title=element_text(vjust=2,size=rel(2)),
         legend.title = element_text(size = 18)) +
   labs(x=NULL, y=NULL, title="2015年中國內地電影總票房Top25(單位:萬)")

從下面的條形圖能夠看到觀衆最喜歡的三大電影類型依次是動做、科幻、喜劇。

typedata <- as.data.frame(table(boxdf$type))
names(typedata) <- c("type","number")
ggplot(typedata, aes(x=type, y =number, fill=type))+
geom_bar(position="dodge", stat="identity")+
geom_text(aes(label=number), hjust=0.5, vjust=-0.5, size=5) + 
  theme(axis.title.x = element_text(colour="black", size=18),axis.text.x = element_text(size = rel(2)),
        axis.title.y = element_text(colour="black", size=18),axis.text.y = element_text(size = rel(2)), 
        plot.title=element_text(vjust=2,size=rel(2)), legend.title=element_text(size=20)) + 
  labs(x="電影類型",y="影片數", title="2015年中國內地電影票房Top25的電影類型分佈")

本文爲雪晴數據網原創內容，做者溫水根。轉載請註明本文連接http://www.xueqing.cc/cms/article/115