如何通過 Python 分析中國演員排名?

分類：電影快訊

瀏覽數：1171

2019-10-22

作者 | AJ-Gordon

項目背景

上個月筆者的一個同學開了間影視投資公司，出於對創業人員的仰慕和影視投資行業的好奇，我就跟他寒暄了幾句，聊天當中他提及到國慶節有部《攀登者》即將上映，預計票房會大好，因為吳京是這部片的主演。然後我就想，目前吳京在國內演員中位列幾何呢？正好之前爬了貓眼電影數據，基於python數據分析的方式，分析中國演員排名情況。

數據導入

導入之前爬取到的貓眼數據，由於爬取過程不是本文的主要內容，所以簡單描述下數據情況： 20110101至20191019年在中國上映,並且有用戶評分和票房的影片，總共是2923部。

import pandas as pd from sklearn.preprocessing import StandardScaler from sklearn.cluster import KMeans pd.set_option( 'display.max_columns' , None ) pd.set_option( 'display.max_rows' , None ) #載入數據 def load_data : #載入電影票房 open_filepath= 'D:\pythondata\\3、貓眼電影\\box_result.csv' movie_box=pd.read_csv(open_filepath) movie_box=movie_box[[ '電影id' , '電影名稱' , '首映日期' , '總票房' ]].drop_duplicates #載入電影信息 open_filepath= 'D:\pythondata\\3、貓眼電影\\maoyan_movie.xlsx' movie_message=pd.read_excel(open_filepath,sheet_name= 'maoyan_movie' ) movie_message.columns=[ '電影url' , '電影名稱' , '電影題材' , '國家' , '上映時間' , '用戶評分' , '電影簡介' , '導演/演員/編劇' ] movie_message=movie_message[[ '電影url' , '電影題材' , '國家' , '用戶評分' , '導演/演員/編劇' ]].copy movie_message.drop_duplicates(inplace= True ) movie_message[ '電影id' ]=movie_message.apply( lambda x:x[ '電影url' ].replace(, '' ),axis= 1 ) movie_message[[ '電影id' ]]=movie_message[[ '電影id' ]].apply(pd.to_numeric) #合併電影信息和票房 data=pd.merge(movie_box,movie_message,how= 'inner' ,on=[ '電影id' ]) return data

數據處理

由於此次只分析中國演員，所以需要剔除國外影片，並將每部影片的演員列表從欄位「導演/演員/編劇」中分割出來。

#只篩選中國的電影 data = data [ data [ '國家' ].str.contains( '中國' )] #剔除空值 data = data .dropna(subset=[ "導演/演員/編劇" ]) #將演員列表從欄位「導演/演員/編劇」中分割出來 data [ '演員' ]= data .apply(lambdax:x[ '導演/演員/編劇' ] if '演員' in x[ '導演/演員/編劇' ] else None,axis= 1 ) data [ '演員list' ]= data .apply(lambdax: '，' .join(x[ '演員' ].split( 'yyyyy' )[ 1 ].split( 'xxxxx' )[ 2 :]) if pd.notnull(x[ '演員' ]) else None,axis= 1 ) #剔除無演員列表的行 data = data .dropna(subset=[ "演員list" ]) #剔除無用欄位 data .drop([ '導演/演員/編劇' ],axis= 1 ,inplace=True) data .drop([ '演員' ],axis= 1 ,inplace=True)

因為考慮到配音類型的影片是看不到演員本人的，所以需要剔除配音類型影片。再將演員列表從行轉置列，使得每行電影名稱和演員是一一對應的。由於貓眼電影已經按照演員的出場頻率進行排序，所以每部影片取前四名演員，作為影片主演，其中多明星合拍的影片，如《我和我的祖國》就改為取前十名。

#拆分演員列表，並轉置成一列 data=data.drop("演員list",axis=1).join(data["演員list"].str.split("，",expand=True).stack.reset_index(level=1, drop = True ).rename( "演員" )) #剔除配音演員 data = data [~ data [ '演員' ].str.contains( '配音' )] data [ '演員' ]=data.apply(lambdax:x[ '演員' ].split( '飾：' )[ 0 ] if '飾：' in x[ '演員' ] else x[ '演員' ],axis= 1 ) #剔除分割演員名稱錯誤的行 data = data [~ data [ '演員' ].str.contains( 'uncredited' )] data = data [~ data [ '演員' ].str.contains( 'voice' )] data = data [~ data [ '演員' ].str.contains( 'Protester' )] #取每部電影的前四名演員，部分影片特殊 data_actor= data [[ '電影id' , '電影名稱' , '演員' ]].drop_duplicates data_actor_top4=data_actor[data_actor[ '電影名稱' ]!= '我和我的祖國' ].groupby([ '電影id' , '電影名稱' ]).head( 4 ) data_actor_top10=data_actor[data_actor[ '電影名稱' ]== '我和我的祖國' ].groupby([ '電影id' , '電影名稱' ]).head( 10 ) data_actor_top4=pd.concat([data_actor_top4,data_actor_top10]) #剔除外國演員 data_actor_top4[ '演員名字長度' ]=data_actor_top4.apply(lambdax: len (x[ '演員' ]),axis= 1 ) data_actor_top4=data_actor_top4[(data_actor_top4[ '演員名字長度' ]= 3 )].copy data_actor_top4.drop( "演員名字長度" ,axis= 1 ,inplace= True ) #匹配 data =pd.merge( data ,data_actor_top4,how= 'inner' , on =[ '電影id' , '電影名稱' , '演員' ])

然後，拆分每部電影的電影題材類型並進行轉置，再匯總每個演員出演過的電影題材，排序後取前三個類型，作為演員的拿手題材。

#拆分電影題材 data=data.join(data["電影題材"].str.split(",",expand=True).stack.reset_index(level=1, drop = True ).rename( "題材" )) #取每位演員最擅長的電影題材TOP3 data_type_actor= data [[ '電影id' , '電影名稱' , '演員' , '題材' ]].drop_duplicates.groupby([ '演員' , '題材' ]).agg({ '電影id' : 'count' }).reset_index.sort_values([ '演員' , '電影id' ],ascending= False ) data_type_actor=data_type_actor.groupby([ '演員' ]).head( 3 ) data_type_actor=data_type_actor.groupby([ '演員' ])[ '題材' ].apply( list ).reset_index data_type_actor[ '題材' ]=data_type_actor[ '題材' ].apply(lambdax: ',' .join( str (i) for i in list ( set (x)) if str (i)!= 'nan' )) data_type_actor.rename( columns ={ '題材' : '演員_拿手題材' },inplace= True ) data =pd.merge( data ,data_type_actor,how= 'left' , on =[ '演員' ])

數據分析

目前只有「演員總票房」和「影片平均評分」兩個欄位，可用作描述一個演員綜合能力，所以需要衍生一些欄位：

電影數量：統計演員主演過的影片數量；

大於10億票房影片數量：匯總單部影片票房大於10億的數量；

大於10億票房影片計分：按照不同票房區間賦予分值，再匯總；

由於部分演員只出演過一部影片，屬於單樣本，若不剔除，會影響各項指標的數值分布。

actor=result[[ '演員' , '總票房' , '用戶評分' ]].drop_duplicates #衍生欄位：平均票房、大於10億票房影片、大於10億票房影片計分 actor[ '用戶評分' ]=actor.apply( lambda x: 0 if x[ '用戶評分' ]== '暫無評分' else x[ '用戶評分' ],axis= 1 ) actor[ '大於10億票房影片數量' ]=actor.apply( lambda x: 1 if x[ '總票房' ] 100000 else 0 ,axis= 1 ) #按照票房賦予分值 def goal (x) : if x[ '總票房' ]= 100000 : division_goal= 0 elif x[ '總票房' ]= 200000 : division_goal= 1 elif x[ '總票房' ]= 300000 : division_goal= 2 elif x[ '總票房' ]= 400000 : division_goal= 3 elif x[ '總票房' ]= 500000 : division_goal= 4 else : division_goal= 5 return division_goal actor[ '大於10億票房影片計分' ]=actor.apply(goal,axis= 1 ) actor[ '電影數量' ]= 1 actor[ '用戶評分' ]=pd.to_numeric(actor[ '用戶評分' ]) actor[ '大於10億票房影片數量' ]=pd.to_numeric(actor[ '大於10億票房影片數量' ]) actor[ '大於10億票房影片計分' ]=pd.to_numeric(actor[ '大於10億票房影片計分' ]) #匯總 actor2=actor.groupby([ '演員' ]).agg({ '總票房' : 'sum' , '大於10億票房影片數量' : 'sum' , '大於10億票房影片計分' : 'sum' , '電影數量' : 'count' , '用戶評分' : 'mean' ,}).reset_index #篩選影片數量大於1的行——只有一部影片的演員設為單樣本，會影響標準化的結果 actor2=actor2[actor2[ '電影數量' ] 1 ].reset_index(drop= True )

最後，由於數值欄位之間的量綱不同，需要進行標準化處理後才可以進行比較。「演員總票房」的高低是衡量一個演員能力的重要因素，這裡筆者將「大於10億票房影片數量」和「大於10億票房影片計分」也作為兩點重要因素，而「影片平均評分」和「電影數量」作為次要因素，最終標準化處理後的計算公式：

總分=演員總票房+大於10億票房影片數量+大於10億票房影片計分+0.5*影片平均評分+0.5 *電影數量

這裡筆者曾用K-means聚類演算法將演員劃分為四個集群，通過查看集群的分布情況後發現，劃分結果與上述公式計算後的總分排名情況十分相似（比如，總分1-20名劃分成集群1，21-50名劃分成集群2），所以取消了用聚類演算法的方式劃分演員檔次。

#複製一份副本 actor_copy=actor2.copy #標準化處理 scaler=StandardScaler numeric_features=actor2.dtypes[actor2.dtypes!='object'].index scaler.fit(actor2[numeric_features]) scaled=scaler.transform(actor2[numeric_features]) fori,colinenumerate(numeric_features): actor2[col]=scaled[:,i] #劃分演員檔次：權重求和，根據分值排序 result=actor2.apply(lambdax:x['總票房']+x['大於10億票房影片數量']+x['大於10億票房影片計分']+0.5*x['電影數量']+0.5*x['用戶評分'],axis=1) ##劃分演員檔次——方法2：採用聚類演算法，自動分成4個組 #actor_model=actor2[['總票房','大於10億票房影片數量','大於10億票房影片計分','電影數量','用戶評分']].values #y_pred=KMeans(n_clusters=4,random_state=9).fit_predict(actor_model) #result2=pd.Series(y_pred) #合併兩種結果 model_actor_reuslt=pd.concat([actor_copy,result],axis=1) model_actor_reuslt.rename(columns={0:'總分'},inplace=True) model_actor_reuslt=model_actor_reuslt.sort_values('總分',ascending=False).reset_index(drop=True)

數據描述

由於工作上經常使用BI工具tableau進行圖表製作，因此下列的圖表均用tableau繪製。其實pyecharts生成的圖表也十分美觀，為了方便這裡就不用這個庫畫圖了，有興趣的小夥伴也可以了解下這個庫。

先從整體上對電影的概況進行描述分析，才能更好地理解演員各項指標高低的優劣程度。首先，2011年至今，國內上映的影片總共是2129部，其中10億票房以上的影片只有39部，佔了總體的0.02%。

圖1-1 電影總數

目前國內影片最高票房已經到50-60億之間，只有一部。 40-50億隻有兩部，大部分10億以上的票房都集中在10-20億之間。

圖1-2 電影票房區間

整體上，劇情、喜劇和愛情類型的電影題材拍得最多，而災難類型的電影最少。從熱門和冷門的電影題材中，很好地詮釋了「報喜不報憂」這句成語，畢竟每個走進電影院的人都希望能輕鬆愉快地度過這兩個小時。所以10億以上票房的影片中，喜劇類型的電影題材反而排在了第一位。

圖1-3 電影題材

從電影上映時間軸中可以看出，整體上，17年之前上映的影片逐年增加，但在17年之後有所下降。而10億以上票房的影片每年都在增加，側面說明近幾年國內電影影片質量有所上升。

圖1-4 電影上映時間軸

最後，將全部圖表放到同一個儀錶板中，可以很方便地看到10億以上票房的影片分布情況，以及具體的影片名稱。其中，2012年的《人在囧途之泰囧》是國內第一部10億+票房影片，2015年的《捉妖記》是首部20億+票房影片，2016年的《美人魚》是首部30億+票影片，2017年的《戰狼2》是首部50億+票房影片，而2019年的《流浪地球》和《哪吒之魔童降世》是唯一兩部40億+票房影片。從這個時間軸可以看出，自2015年起，每年最高票房都比前年多出10億以上。

圖1-5 電影概況

根據上述的計算公式得到總分TOP10的名單，前三名分別是黃渤、吳京和沈騰。這也難怪筆者的同學會對吳京出演的影片信心那麼高。

圖2-1 演員總分排名

匯總每個演員主演的電影票房後，得到總票房TOP10的名單，目前國內百億票房均是男演員，分別是吳京、黃渤、杜江和沈騰。其中吳京已經是150億票房冠軍，而讓筆者比較意想不到的是杜江也上了百億榜，雖然他參演的幾部熱門影片，如《紅海行動》、《我和我的祖國》和《中國機長》都不是第一主演，但這幾部都是10億+票房影片，是不是能說明他存在某些旺票房特質呢？

圖2-2 演員總票房

再來看看演員電影數量TOP10的分布情況，可以看到前幾名都是香港演員，其中古天樂在7年內主演了36部影片，位列榜首。除了影片數量位列榜首外，其實平平無奇的古仔已經默默地捐贈了100多所學校，這也許就是他當上電影「勞模」的原因吧。

圖2-3 演員電影數量

最後，將上述三張圖表和詳細列表放到同個儀錶板中，就可以清楚地知道，能夠位列前茅的演員都是主演過多部影片，並且擁有多部10億+票房影片。其中有一個比較有趣的地方是王寶強的影片平均評分是6.3，但他仍然能夠排到第七名，原因是他主演過幾部評分在5分以下的影片，才導致他平均評分會這麼低。

圖2-4 演員概況

結語

本文旨在讓大家了解一下國內電影的整體概況和演員概況，所以只是簡單地對數據進行描述性分析，並沒有運用到機器學習這方面的知識。一般地，描述性分析是做數據分析必不可少的一步，通過簡單的幾個圖表就能直觀地對數據有整體上的認知。最後也要謝謝同事Yan姐的一些指導。

作者簡介： AJ-Gordon，數據分析師一枚，對爬蟲、機器學習、數據可視化、數據建模均有所涉獵。

【END】

熱文推薦

☞ iPhone11因便宜銷量超預期；三星手機曝高危漏洞；xUtils 3.8.3發布 | 極客頭條

☞ 前Facebook面試官告訴你如何才能順利通過編程面試