1200字范文,内容丰富有趣,写作的好帮手!
1200字范文 > 数据分析与挖掘案例之使用python抓取豆瓣top250电影数据进行分析

数据分析与挖掘案例之使用python抓取豆瓣top250电影数据进行分析

时间:2019-11-05 12:09:20

相关推荐

数据分析与挖掘案例之使用python抓取豆瓣top250电影数据进行分析

使用python抓取豆瓣top250电影数据进行分析

抓取豆瓣Top250电影数据的链接和电影名称

代码如下:

import urllib.request as urlrequestfrom bs4 import BeautifulSoupimport reimport csv,codecs top250_url ='/top250?start={}&filter='movie_name='名称'movie_assess='评价人数'movie_score='评分'movie_url ='链接'movie_intro='介绍'movie_num =0#print('{} {} {} {} {}'.format(movie_name,movie_assess,movie_score,movie_url,movie_intro))with open('top250_movie.csv','w',encoding='utf8') as outputfile:#outputfile.write(codecs.BOM_UTF8)writer = csv.writer(outputfile)#writer.writerow(["movie_num","movie_name","movie_assess","movie_score","movie_url","movie_intro"])outputfile.write("movie_num#movie_name#movie_year#movie_country#movie_type#movie_director#movie_assess#movie_score#movie_url#movie_intro\n")for list in range(10):movies_content = urlrequest.urlopen(top250_url.format(list*25)).read()movies_html = movies_content.decode('utf8')moviessoup = BeautifulSoup(movies_html,'html.parser')all_list = moviessoup.find_all(class_='item')#print(all_list)for item in all_list:item_data=item.find(class_='pic')movie_url = item_data.find('a')['href']movie_name = item_data.find('img')['alt']item_info = item.find(class_='star')info = item.find('div', attrs={'class': 'star'})#find_all 将star标签中的所有span 存入一个列表中movie_assess =info.find_all('span')[3].get_text()[:-3]movie_score = item_info.find('span',attrs={'class':'rating_num'}).get_text()try:movie_intro = item.find(class_='quote').find(class_='inq').get_text()except Exception as e:movie_intro='None' movie_num =movie_num+1#print(movie_assess)#print(item_assissent)# item_assisent = item_data.find(name='span',attrs={'property':'v:average'})#抓取电影上映年份、 导演、主演等信息movie_actor_infos_html = item.find(class_='bd')#strip() 方法用于移除字符串头尾指定的字符(默认为空格)movie_actor_infos = movie_actor_infos_html.find('p').get_text().strip().split('\n')actor_infos1 = movie_actor_infos[0].split('\xa0\xa0\xa0')movie_director = actor_infos1[0][3:]#print(movie_director)movie_role = movie_actor_infos[1]movie_year_area = movie_actor_infos[1].lstrip().split('\xa0/\xa0')movie_year = movie_year_area[0]#print(movie_year)movie_country = movie_year_area[1]#print(movie_country)movie_type = movie_year_area[2]#print(movie_type)#print('{} {} {} {} {} {} {} {} {} {}'.format(movie_num,movie_name,movie_year,movie_country,movie_type,movie_director,movie_assess,movie_score,movie_url,movie_intro))#writer.writerow([movie_num,movie_name,movie_assess,movie_score,movie_url,movie_intro])if movie_type =='':movie_type='NULL'outputfile.write('{}#{}#{}#{}#{}#{}#{}#{}#{}#{}\n'.format(movie_num,movie_name,movie_year,movie_country,movie_type,movie_director,movie_assess,movie_score,movie_url,movie_intro))

运行代码生成top250_movie.csv文件

文件下载:

链接:/s/1-5Hp__s3IyOxJRskixBXEA

提取码:pnuv

如下:

打开top250_movie.csv 文件:

import numpy as npimport pandas as pddf = pd.read_csv('top250_movie.csv',sep='#',encoding='utf8')df.head()

查看数据基本信息

df.info()

共有250行 10个字段,没有缺失值

重复值检查

df.duplicated().value_counts()#检查是否有重名电影len(df.movie_name.unique())

没有重复项也没有重名的电影

查看国家或地区参与电影制作的排名情况

对于 country 列,有些电影由多个国家或地区联合制作:

country =df['movie_country'].str.split(' ').apply(pd.Series)country

我们可以看到,有些国家甚至有6个国家或地区参与制作,对于这么多的空值,可以通过先按列计数,将空值 NaN 替换为“0”,再按行汇总。我们统计每个区域里相同国家的总数

all_country = country.apply(pd.value_counts).fillna('0')all_country.columns = ['area1','area2','area3','area4','area5','area6']all_country['area1'] = all_country['area1'].astype(int)all_country['area2'] = all_country['area2'].astype(int)all_country['area3'] = all_country['area3'].astype(int)all_country['area4'] = all_country['area4'].astype(int)all_country['area5'] = all_country['area5'].astype(int)all_country['area6'] = all_country['area6'].astype(int)

得到如下结果

接下来我们可以计算每个国家参与制作电影总数排名情况

all_country['all_counts'] = all_country['area1']+all_country['area2']+all_country['area3']+all_country['area4']+all_country['area5']+all_country['area6']#降序all_country = all_country.sort_values(['all_counts'],ascending=False)all_country.head()

得到一个国家或地区参与制作电影数的排名情况

关于电影类型的字段分析

all_type = df['movie_type'].str.split(' ').apply(pd.Series)all_type.head(10)

得到如下结果

all_type = df['movie_type'].str.split(' ').apply(pd.Series)all_type = all_type.apply(pd.value_counts).fillna('0')all_type.columns = ['tpye1','type2','type3','type4','type5']all_type['tpye1'] = all_type['tpye1'].astype(int)all_type['type2'] = all_type['type2'].astype(int)all_type['type3'] = all_type['type3'].astype(int)all_type['type4'] = all_type['type4'].astype(int)all_type['type5'] = all_type['type5'].astype(int)all_type.head(10)all_type['all_counts'] = all_type['tpye1']+all_type['type2']+all_type['type3']+all_type['type4']+all_type['type5']all_type = all_type.sort_values(['all_counts'],ascending=False)all_type.head(10)

也可以通过 unstack 函数将行“旋转”为列,重排数据:

all_type = all_type.apply(pd.value_counts)all_type.unstack().head()

此时数据为 Series ,去掉空值,并通过 reset_index() 转化为 Dataframe :

all_type = all_type.unstack().dropna().reset_index()all_type.head(10)

all_type.columns =['level_0','level_1','counts']all_type_m = all_type.drop(['level_0'],axis=1).groupby('level_1').sum()all_type_m.sort_values(['counts'],ascending=False)#获取电影类型数量前10的类型all_type_m.head(10)

处理时间

year_= df['movie_year'].str.split('(').apply(pd.Series)[0].str.strip()year_split = pd.to_datetime(year_).dt.yeardf['movie_year'] = year_splitdf.head(10)

上榜次数最多的导演

# value_counts()返回一个Series 序列director = df['movie_director'].value_counts()#director.index 可以查看下标 director.values可以查看值#series 转dataframe 可以使用字典的方式myDirector = pd.DataFrame({'name':director.index,'counts':director.values})#这样就生成了字段为‘name’ 和‘counts’的两列

得到结果如下

评分和排名的关系

#排名和评分的关系import matplotlib.pyplot as pltimport matplotlib%matplotlib inline#配置中文字体和修改字体大小matplotlib.rcParams['font.family'] = 'SimHei'matplotlib.rcParams['font.size'] = 20plt.figure(figsize=(20,5))plt.subplot(1,2,1)plt.scatter(df['movie_score'],df['movie_num'])plt.xlabel('movie_score')plt.ylabel('movie rank')#修改y轴为倒序plt.gca().invert_yaxis()#集中趋势的直方图plt.subplot(1,2,2)plt.hist(df['movie_score'],bins=15)#电影排名和评分的相关性检测df['movie_score'].corr(df['movie_num'])#out[35]:-0.69237508495035771

评分大多是集中在 8.3 - 9.2 之间,随评分的升高,豆瓣Top250排名名次也提前,Pearson相关系数为

-0.6923,为强相关性

国家或者地区上榜数的排名情况

country_rank = pd.DataFrame({'counts':all_country['all_counts']})country_rankcountry_rank.sort_values(by='counts',ascending=False).plot(kind='bar',figsize=(14,6))

上榜数最多的国家是美国,中国大陆 排名第七

本内容不代表本网观点和政治立场,如有侵犯你的权益请联系我们处理。
网友评论
网友评论仅供其表达个人看法,并不表明网站立场。