1.数据解释
电影数据共140502部，2019年之前的电影有139129，当前未上映的有1373部，包含21个字段，部分字段数据为空，字段说明如下:
MOVIE_ID: 电影ID，对应豆瓣的DOUBAN_ID
NAME: 电影名称
ALIAS: 别名
ACTORS: 主演
COVER: 封面图片地址
DIRECTORS: 导演
GENRES: 类型
OFFICIAL_SITE: 地址
REGIONS: 制片国家/地区
LANGUAGES: 语言
RELEASE_DATE: 上映日期
MINS: 片长
IMDB_ID: IMDbID
DOUBAN_SCORE: 豆瓣评分
DOUBAN_VOTES: 豆瓣投票数
TAGS: 标签
STORYLINE: 电影描述
SLUG: 加密的url，可忽略
YEAR: 年份
ACTOR_IDS: 演员与PERSON_ID的对应关系,多个演员采用“|”符号分割，格式“演员A:ID|演员B:ID”；
DIRECTOR_IDS: 导演与PERSON_ID的对应关系,多个导演采用“|”符号分割，格式“导演A:ID|导演B:ID”；
2.导入数据
import pandas as pd df=pd.read_csv(r'C:\Users\苏苏\Desktop\seaborn-data\movies.csv',encoding='utf-8')
3.查看数据集信息
二、问题提出
1.主要比较世界电影和中国，以及中国大陆和中国港台电影之间的差别，分析各参数之间是否存在关联性及对评分产生的影响
2.评分与其他属性项的关系是什么，正负相关还是正态分布
三、数据清洗和预处理查看缺失值
df.isnull().sum()
可以看出数据缺失的挺多，可进行删除处理，为了节省后续操作的效率，删去了不必要的字段。并且删去了没有评分的电影（评分为0）
#数据清洗 #去除无效列 df=df.drop(df.iloc[:,[0,4,9,12,15,19,20]],axis=1 ) #删除重复值 df.drop_duplicates(inplace=True) #删除缺失值 指定列有缺失值的行.dropna(subset = ['gender'],how ='any') df.dropna(inplace = True) #删去没有评分的电影（评分为0） df=df[~df['DOUBAN_SCORE'].isin([0])] df.head()
查看数据类型
df.info()
检查数据类型无误
四、各变量相关性数据分析与可视化
本数据使用探索性分析工具dtale进行探究
dtale.show(df,ignore_duplicate=True)
1.查看数据类型
2.豆瓣评分分布情况描述及直方图
可以看出，25%，第1四分位数，50%，第2四分位数，75%，第3四分位数，百分位数各自评分，最高评分9.8，最低2.2，平均7分，评分主要积聚在6到8分之间
3.能从年份&评分中看出点什么？
豆瓣世界电影的评分均值趋势：
世界电影的评分Box箱线图趋势：
皮尔逊关联性（Pearson correlation）的可视化：评分与年份
4.利用词云显示在某个阶段时间内，哪部电影评分高低情况
可以看出1989年以前，“是，大臣 1984圣诞特辑“评分较高，89年到03年”霸王别姬“等受欢迎，清晰明了。
5.豆瓣电影评分与时长关系
发现大部分电影时长集中在100分钟左右，符合人们的观影舒适感，不过此时长的电影残次不齐，好坏各分千秋，而且发现，超过150分钟的电影，不仅没有让观众因为电影太长而不喜欢，相反，正因为电影时长足够，能够充分铺垫，使得即使两三个小时的电影评分居高不下，当然也不排除个别又烂又长让人看了想睡觉毫无意义的电影。
6.电影类型与评分关系
剧情/喜剧、剧情/爱情、同性、喜剧/爱情等类型电影居多，但评分却普遍不高，可能是为了迎合大众但又拍出来的效果不佳，相反，西部，歌舞，音乐，儿童和动画类型的电影评分很高，深受喜爱
五、主要结论
