B题优秀论文-2数学建模竞赛.pdfVIP

队伍编号dsa2300171

题号（）

B

基于大数据分析的电影数据探究

摘要

电影被称为第七艺术，发展至今已成为包含多种艺术形式和现代科技的艺术综合体，

其质量和口碑的好坏对于电影票房的成绩具有非常重要的影响，更影响着剧组工作人员

等制作者和投资公司的经济效益收入。本文将通过数据统计与分析相结合，建立全面的

电影评估模型，对电影各个要素的关系进行更为深入的探讨。

针对问题一，我们首先对附件一中的电影类型进行处理，将斜杆替换成逗号，去除

多个连续空格，然后进行拆分和转换。接着统计电影类型出现次数和概率分布，并使用

饼图和直方图展示最受欢迎的电影类型。然后处理导演信息，统计每个导演在数据集中

的出现次数，并使用直方图展示排名前250名电影中出现次数最多的导演前10名。最

后，读取国家生成词云图的文本文件，处理好国家中的分隔符，生成词云图对象并使用

matplotlib库来显示，展示出现次数最多的国家前5名。

针对问题二，对于第一小问电影上映的集中年份，我们首先单独提取上映年份一列，

使用value_counts()函数对每年的电影上映数进行计数，然后使用barplot和

distplot()函数绘制核密度图与条形图，通过观察核密度图的峰值和条形图的高峰，可

以确定电影上映数的主要集中时间。我们通过分析，可以发现电影上映数的主要集中时

间2010年前后5年左右。最后，我们根据问题二电影的评分与评论人数、国家、导演、

和电影类型的关系，采用热力图的绘制来观测电影评分与其他变量的关系。首先单独取

评分和评论人数两列值做数据准备，然后来计算两者之间的皮尔逊相关系数和判别函数

系数。接着对国家、导演以及电影类型数据进行处理，分别将其不同的国家和电影按评

分进行分组，统计对应前20个国家、20位导演及每种电影类型电影上映数量。同时对

每个独立的电影类型创建一个新列，并根据原始数据填充0或1，做数据准备工作。最

后采用Seaborn库中的heatmap分别对电影评分和其余三个变量进行热力图形的绘制，

并对图形的颜色和标签等参数进行设置。

针对问题三，我们首先将附件二的数据转化为DataFrame并对数据进行清洗，包括

修正异常值、处理缺失值和删除重复值。接着，我们读取清洗后的电影数据集，并对电

影类型进行拆分，统计不同类型电影出现的频率并转换为概率。为了更好地展示不同类

型电影出现的频率，我们绘制了电影类型出现的频率直方图和圆环图。其中，直方图用

于展示不同类型电影出现的频率，圆环图则更加直观地展示不同类型电影出现的比例。

此外，我们对电影总票房、平均场次、平均票价、上映时间等指标进行了分析，统计数

据的频数并确定数据范围和间隔，并绘制了直方图。对于上映时间，我们需要将其转换

为整数类型。最后，我们对绘制的图表进行了美化，包括添加标签和标题、调整颜色和

字体大小等，并保存图片。

针对问题四，对于2024年春节的电影推荐方案，我们对数据集进行划分选取三个

模型来训练数据集，以总票房做为预测标准。经过r2，均方误差，平均绝对误差等指标

的比对最终选取随机森林回归模型来预测票房较高的电影，不断对模型进行调参获取最

后的结果并据此提出相关方案。

关键词：特征挖掘；热力图分析；交叉验证随机森林模型；文本分析

141

第页共页

目录

一、问题的重述4

1.1问题的背景4

1.2问题的提出4

二、问题的分析4

2.1问题一的分析4

2.1.1对电影类型进行处理4

2.1.2统计电影类型出现次数和概率分布4

2.1.3统计导演信息4

2.1.4绘制国家出现次数词云图4

2.2问题二的分析5

2.2.1电影集中年份筛选5