如果您是一个电影爱好者，那么您一定会发现，想要找到一部好电影并不是一件容

易的事情。每次想要找到一部新的好电影，都需要花费大量的时间在各种电影网站
上搜索和阅读评论。但是，现在我们有了一个解决方案 - 互联网电影评论数据库。
互联网电影评论数据库是一个集合了数千部电影评论的网站。这些评论来自各种不
同的网站和平台，包括知名的电影评论家和普通观众。我们精心挑选了这些评论，并
将它们整理在一个方便的数据库中，让您可以轻松找到您感兴趣的电影的评论。
除了评论，互联网电影评论数据库还提供了电影的基本信息，如导演、演员、上映日
期等。您可以通过搜索功能或浏览电影分类来找到您想要了解的电影。我们也会不断
更新数据库，以提供最新的电影评论和信息。
现在，您可能会问，为什么要选择互联网电影评论数据库？首先，我们的数据库是免
费的。您不需要支付任何费用就可以使用我们的服务。其次，我们的评论来自多个
来源，这意味着您可以看到不同的观点，从而更全面地了解一部电影。最后，我们的
网站界面简洁明了，易于使用，让您可以更快地找到您想要的信息。
现在就来尝试互联网电影评论数据库吧！我们相信，它会成为您找到好电影的最佳
工具。如果您喜欢我们的服务，请分享给您的朋友和家人。谢谢您的支持！
记得访问HelpWriting.net，这是一个提供高质量论文写作服务的网站。如果您需要帮助
写作论文或其他学术作业，HelpWriting.net可以为您提供专业的帮助。他们拥有经验丰
富的写作团队，可以为您提供定制的、原创的作业。现在就去尝试吧！
plt.legend(loc='best',ncol=2) Drama 1995 #按是否为'改编'进行记数count 分析结论：通过对
电影关键字的分析，电影中经常被提及的词语是女性（woman）、独立（independent ）,其次
是谋杀（murder）、爱情（love）、警察（police）、暴力（violence），可见观众对女性和独立方
面题材的电影最感兴趣，其次是是犯罪类和爱情类电影。
plt.plot(companydf,label=companydf.columns) # 分析结论：从图中观察到，随着时间的
推移，Universal Pictures和Paramount Pictures公司的电影发行量呈现出增长趋势，尤其是
在1995年后增长迅速，其中Universal Pictures公司比Paramount Pictures公司发行的电影数
量更多。 ax2.legend(loc=1,fontsize=15) 实时抓取国内某电影评论网站不同分类下
的TOP电影排名数据： plt.savefig(r'e:python\movie\mean of popularity by genres',dpi=200) return
'|'.join(list) for i in column: #movies中的id 列与credits中的movie_id列实际上等同，可当做主
键合并数据框 #存图 # 查看合并后的数据集信息
genres_vote_avg2[i]=genres_vote_avg.groupby(i)['vote_average'].mean()[1] ax2 = ax1.twinx() 1.
json本身为字符串类型，先转换为字典列表 genres_df=pd.DataFrame() original_profit # 创建
收益数据框 release_date_null = moviesdf['release_date'].isnull() popularity 4803 non-null float64
profit_df = pd.concat([genre_df.iloc[:,:-1],full['profit']],axis=1) plt.title('profit by
genres',fontsize=24) Thriller 581 genre_df = pd.DataFrame() from datetime import datetime
fig.savefig('revenue.png') #对每列需要转化的列进行转化 结论：可以看出大陆电影在这
些年的发展比较迅猛，但是在电影市场如此繁荣的今天，大陆电影的质量却越来
越低，这或许是和这些年发展的过快而没有注重质量有关系；香港地区进入21世
纪后，产出影片数量减少，同时质量也呈现下降趋势，但近些年总体质量优于大陆地
区；相比之下台湾电影虽然产量较少，但是整体的质量在三个地区中都比较高，也许
与其追求文艺色彩，而不是商业化和娱乐化的特点有关。 plt.xticks(fontsize=12) #
production_companies列数据格式化 # In[61]: plt.figure(figsize=(15.0, 10.0))
company_df[company]=full['production_companies'].str.contains(company).map(lambda x:1 if x else
0) Crime 443 dtypes: float64(3), int64(4), object(9) plt.title('Film quantities Comparison\nOriginal
works VS based on novel',fontsize=13) 21 #可视化所有电影的评分分布 year_max =
full['year'].max() # ### （2）选取子集 ax1.set_xlabel('Genre',fontsize=18)
df.rename(columns={'cast':'actor','crew':'director'},inplace=True) 可以在 本公众号 后台回复关
键词：“华语电影福利”获取获取9分以上且评价人数大于20万的一定不要错过的华语神
片。
genre_by_year = genre_by_year[['Drama','Comedy','Thriller','Romance', plt.title('电影时长与电影
平均评分的关系',fontsize=15) full['popularity'].corr(full['vote_average']) #备份原始数据
框original_df 2. 再将字典列表转换为，以'|'分割的字符串''' list.append(i['name']) yticks =
mtick.FormatStrFormatter(fmt) plt.xlabel('电影数量（部）',fontsize=15) #应用了日期型数据
的dt方法，然后转换为“年份” （2）分析Universal Pictures和Paramount Pictures两家影视公司
电影发行的走势 popu_mean_list=[] #对各种电影风格genre，进行one-hot编码 本报告的数
据来源于Kaggle 平台上的项目TMDB(The Movie Database)，共计4803部电影，主要为美国
地区一百年间（1916-2017 ）的电影作品。 #可视化二公司电影风格数量占比 fig =
plt.figure(figsize=(4,3)) def getcharacter(x): novel_df =df['keywords'].str.contains('based
on').apply(lambda x:1 if x else 0) set_1.update(i.split('|')) #绘图 movies.head(2) 问题三：Universal
Pictures和Paramount Pictures两家影视公司发行电影的对比情况如何？ def switch_data2(x):
#用set来收集所有的电影风格 popu_by_genre = pd.DataFrame(index=genre_set) 其
中release_date（首次上映日期）缺失1个数据，runtime（电影时长）缺失2个数据，可以通过
网上查询补齐这个数据。 for i in moviesdf['keywords']: 1.从上面的结果可以看出，在所有
的电影类型中，Drama(戏剧)类型电影最多，占所有电影类型的18.9%，其次为Comedy(
喜剧) ，占所有电影类型的14.2% 。 # 分析结论：从图上可以看出，电影要想获得较高的
票房及良好的口碑，电影的时长应保持在90~150分钟内。