本研究通过多种图表和交互式界面，探索并展示了电影数据集中的隐藏模式与趋势。分析涵盖票房、评分及观众反馈等维度，旨在为影视行业提供洞察。
电影数据集的数据可视化分析
一、数据描述
1.1 数据集描述：
movies数据框包含45,456行，有共10列，包括adult（是否成人影片）、belongs_to_collection（所属系列）、budget（预算）、genres（类型）、homepage等字段。每个电影的一些特征如下：
- type：类型
- director：导演
- country：国家
- keyword：关键字
- score：评分
- belongs_to_collection：所属系列
- popularity：声望
- revenue：收入
- vote_average：平均投票分值
- vote_count：票数
1.2 数据展示：
1.3 项目操作流程：
1.4 导入数据
二、问题提出：
（1）不同国家电影产量是否存在差异？若有，哪一国的电影产量最大？占总产量多少比例？
（2）哪些国家制作的电影更倾向于获得观众高评分？
（3）电影类型构成如何？占比最大的是哪些类型的电影？
（4）不同类型电影的评分分布情况怎样？哪些类型的电影更容易得到好评？
三、数据清洗和预处理
对原始表格进行数据清理，创建新的处理完后的表格。
四、各变量相关性数据分析与可视化：
1. 不同国家电影产量是否存在差异？若有，哪一国的电影产量最大？占总产量多少比例？
分析表明，部分电影可能由多个国家共同制作。因此，在统计单个国家产片数量时，只计算单一产地的影片。
2. 哪些国家制作的电影更倾向于获得观众高评分？
3. 电影类型构成如何？占比最大的是哪些类型的电影？
在所有种类中，戏剧、喜剧和恐怖类最受欢迎，市场占有率依次递减。
4. 不同类型电影的评分分布情况怎样？哪些类型的电影更容易得到好评？
# 获取所有类型列表
genres_full_data = pd.Series(list_).value_counts().sort_values(ascending=False)
genres_full_data_df = pd.DataFrame({genres: genres_full_data.index, num: genres_full_data}).drop()
历史片、纪录片和战争片更受观众欢迎。其中，历史类电影得分较为集中；而记录片的评分分布较广，但高分部分相对集中在中位数附近。
5. 电影关键字-词云图
五、主要结论：
（1）美国以88%的比例在影片制作数量上占据首位；
（2）按平均评分排名：巴基斯坦 > 阿根廷 > 爱尔兰；
（3）戏剧类、喜剧类和恐怖片最受欢迎，市场占有率依次递减；
（4）历史片、记录片和战争片更容易获得观众好评；
（5）演员中Samuel L. Jackson主演作品数量最多，超过60部，在所有演员中排名第一。
（6）导演方面Steven Spielberg以27部影片位居榜首。
以上是对电影数据集进行的若干问题的数据可视化分析过程。后续还有其他研究方向可以继续深入探索。
5星
