Scribd
Upload
79 views5 pages

电影简介数据库

The document introduces a movie introduction database provided by HelpWriting.net that allows users to easily understand the story of any movie without spending too much time watching trailers or reading comments. The database contains movie introductions and ratings of various types of movies. Users can search and browse the simple interface to find movie introductions. The introductions are accurately edited by professional authors and constantly updated.

Uploaded by

h6867qp4
Copyright
© © All Rights Reserved
We take content rights seriously. If you suspect this is your content, claim it here.
Available Formats
Download as PDF, TXT or read online on Scribd
79 views5 pages

电影简介数据库

The document introduces a movie introduction database provided by HelpWriting.net that allows users to easily understand the story of any movie without spending too much time watching trailers or reading comments. The database contains movie introductions and ratings of various types of movies. Users can search and browse the simple interface to find movie introductions. The introductions are accurately edited by professional authors and constantly updated.

Uploaded by

h6867qp4
Copyright
© © All Rights Reserved
We take content rights seriously. If you suspect this is your content, claim it here.
Available Formats
Download as PDF, TXT or read online on Scribd
You are on page 1/ 5

您是否经常想要了解一部电影的剧情，但又不想花费太多时间去看预告片或是阅读

评论？那么您来对地方了！HelpWriting.net提供了最全面的电影简介数据库，让您轻松
了解每部电影的故事。
我们的数据库包含了各种类型的电影，从经典的老电影到最新的大片，都能找到详细
的剧情介绍。
不仅如此，我们还为您提供了电影的评分和评论，让您可以更全面地了解每部电影
的质量。
想要使用我们的电影简介数据库，您只需要在HelpWriting.net上进行简单的搜索，即可
找到您想要了解的电影。而且，我们的网站界面简洁易用，让您轻松浏览和比较不同
电影的简介。
更重要的是，我们的数据库是由专业的作者团队精心编辑和更新，保证每部电影的
简介都是准确、详细和有趣的。
如果您是一位电影爱好者，那么HelpWriting.net的电影简介数据库绝对是您不可错过的
资源。立即访问我们的网站，开始探索各种电影的精彩故事吧！
记得收藏我们的网站，以便随时查阅电影简介和评论。也欢迎与您的朋友分享我们
的网站，让更多人可以受益于我们提供的电影资讯和服务。
谢谢您选择HelpWriting.net，希望我们的电影简介数据库能为您带来更多的电影乐趣！
祝您观影愉快！
HelpWriting.net团队

点击这里开始使用我们的电影简介数据库！
# 分析结论：从图中观察到，随着时间的推移，所有电影类型都呈现出增长趋势，尤其
是1992年以后各个类型的电影均增长迅速，其中Drama(戏剧)和Comedy(喜剧)增长最快，
目前仍是最热门的电影类型。 label_color = [label_color_map[i] for i in X_clustered] 1.原创和
改编电影中改编电影的收益一般要比原创的要高，估计有很多原著粉来看改编的电影
import matplotlib.pyplot as plt 本案例来源于kaggle上的TMDB 5000 Movie Dataset数据集，为
了探讨电影数据可视化，为电影的制作提供数据支持，主要研究以下几个问题：
df=pd.merge(movies,credit,left_on='id',right_on='movie_id',how='inner') Horror 440
plt.legend(genresdf) json_columns = ['cast', 'crew'] budget_genre 本数据集主要展示了美国在
大约100年间的4803部电影，并给出了电影的详细描述 ax1.set_title('原创电影和改编电
影的平均收益对比',fontsize=18) columns = range(1988,2018) cmap = sns.cubehelix_palette(start
= 1.5, rot = 1.5, as_cmap = True) 热图还显示，2013年西方电影的预算非常高。
novel_df=pd.concat([novel_df,df[columns_2]],axis=1) 我们创建了一个新的数据框架，包含
每个类型和计算出的平均值。 饼图流派饼图显示电影数据集中哪些流派最常见。
import warnings # 建立genres列表，提取电影的类型 # 电影时长与评分的关
系 f,ax=plt.subplots(figsize=(16,9)) for i in df['genres']: release_date 4802 non-null object
plt.savefig(r'e:python\movie\原创与改编电影',dpi=200) 为分析流派，colomns
标题，vote_average，release_data，运行时，预算，收入是最重要的。# In[62]: # ## 问题四：
改编电影和原创电影的对比情况如何？ # In[52]: kmeans = KMeans(n_clusters = 3)
fig=plt.figure(figsize=(12,8))
df=pd.merge(movies,credit,left_on='id',right_on='movie_id',how='inner') # # 1.提出问题 for i in
genres.columns: vote_avg_genre.loc[liste_genres.index(genre)]=temp for genre in liste_genres:
companydf.index = moviesdf['year'] moviesdf['production_companies'] =
moviesdf['production_companies'].apply(decode) plt.plot(companydf,label=companydf.columns) #
## 问题三：Universal Pictures和Paramount Pictures两家影视公司的电影发行对比情况如
何？ ''' 我们想分析每年类型的平均数。因此，我们首先扩展数据框。 set_1.remove(3) #逆
向获取数字列 #建立是否含有该风格的表格 Adventure(冒险类) 第二名 ax.set_xlabel('mean
of budget',fontsize='16') # **release_date列数据处理** moviesdf.info() moviesdf =
fulldf[['original_title','crew','release_date','genres','keywords','production_companies',
genresdfSum import numpy as np 有趣的是，动画，冒险和科幻类型的平均预算最高。
list.append(i['name']) #from sklearn.decomposition import PCA # 主成分分析模块 import seaborn
as sns ''' from scipy.misc import imread
temp=(df_per_genre[liste_genres.index(genre)].pivot_table(index = genre, columns = 'release_year',
values = 'revenue', aggfunc = np.mean)) #绘图 moviesdf['keywords'] =
moviesdf['keywords'].apply(json.loads) # * **分析电影关键字** # 动画，冒险和科幻类型的
平均收入最高。 # 把字符串列表连接成一个长字符串 mean_genre_profit.head() ''' #
**genres列数据处理** moviesdf['production_companies'] =
moviesdf['production_companies'].apply(json.loads) import seaborn as sns # 使用Seaborn库 pca =
PCA(n_components = 7) Universal Pictures(环球影业)和Paramount Pictures(派拉蒙影业)是美
国两家电影巨头公司。 for genre in liste_genres: # In[48]: from sklearn.cluster import KMeans #
K-均值应用聚类分析 '''
return "|".join(list) # * **分析电影关键字** moviesdf.head()
genres_b_s[i]=genres_budget.groupby(i)['budget'].mean()[1] warnings.filterwarnings('ignore') # 忽
略python运行过程中的警告错误 for i in x: mean_per_genre['mean_revenue'].plot.barh()
genresdf.tail() temp=(df_per_genre[liste_genres.index(genre)].pivot_table(index = genre, columns =
'release_year', values = 'budget', aggfunc = np.mean)) budget：预算（美元）
ax1.set_xlabel('genres',fontsize=16) #绘图 df.info()#查看合并后的数据结构 ax.set_title('mean
of vote_average by genres',fontsize=24) keywords_list.append(i)
moviesdf['if_original'].value_counts() # 数据可视化 id 4803 non-null int64 list=[] Universal
Pictures(环球影业) 和Paramount Pictures(派拉蒙影业) 是美国两家电影巨头公司。 df =
pd.concat([movies, credits], axis=1)#合并两个文件 -----------------------------------------------------------
----------------------------------- movies = pd.read_csv('F:/movies data/tmdb-5000-movie-dataset
/tmdb_5000_movies.csv') ''' list.append(i['name']) plt.title('Universal Pictures和Paramount Pictures
两家公司电影发行数量对比',fontsize=13)

You might also like