摘要：另外由于豆瓣上一些電影評分數(shù)量太少而不顯示，所以這里的電影數(shù)量會和票房數(shù)量有所差異。月度票房將類型片的票房按月劃分，得到了這張圖。

去年末的時候，我招收了新的“ 實訓生 ”。本文是其中一位 @齊大圣 同學在實訓兩個月時完成的項目案例。（碼上行動群里同學應(yīng)該都看過這個名字，現(xiàn)在也是助教之一。）項目最初的想法是， 從互聯(lián)網(wǎng)上的公開信息中采集2018年在國內(nèi)上映電影的票房、評分、類型、演員等信息，然后做一些數(shù)據(jù)分析和可視化展示 。這樣一個項目， 除了需要對 python 基本語法和數(shù)據(jù)結(jié)構(gòu)的掌握之外，還涉及到網(wǎng)頁分析、爬蟲、文本解析、數(shù)據(jù)庫存儲、數(shù)據(jù)處理、數(shù)據(jù)分析、數(shù)據(jù)可視化，并且需要對一個完整項目有整體的模塊設(shè)計 ，對于編程學習者來說是從入門到進階的一個很好案例。經(jīng)常跟我說學了基礎(chǔ)不知道做什么項目的同學們，別光顧著看熱鬧，回頭自己也動手做一做。 代碼已上傳，獲取見文末。

項目之初，我們的想法主要是 對去年國內(nèi)上映電影的票房、評分進行一下排行 ，然后按不同類型對比下， 什么片更受歡迎，什么片更賺錢 。后來開發(fā)過程中，正值《流浪地球》大賣，吳京成為首位國內(nèi)票房破百億的演員。于是我們突發(fā)奇想，來看一看誰是去年單年累積票房最高的演員。是《我不是藥神》的徐崢，還是《唐人街探案2》的王寶強（他倆還合演了《一出好戲》），又或者是《紅海行動》中的某位？

在往下看之前，你也可以大膽猜一下。但我打賭你是猜不到的。如果沒猜對，記得幫忙轉(zhuǎn)發(fā)點贊。

票房數(shù)據(jù)來自 中國票房網(wǎng) （http://cbooo.cn）

評分數(shù)據(jù)來自 豆瓣電影 （http://movie.douban.com）、 貓眼 （http://maoyan.com）、 時光網(wǎng) （http://mtime.com）、 IMDB （http://imdb.com）

導演、演員信息來自 豆瓣電影

共 522 部電影， 4723 位影人

由于從幾個不同網(wǎng)站抓取數(shù)據(jù)，有些名稱會不一致，或者出現(xiàn)部分數(shù)據(jù)缺失的情況。因此這個數(shù)據(jù)并不是絕對完整的，但不影響整體結(jié)論

影片所屬類型沒有嚴格定義，且會有多個類型。實際選取方式我們在下面會有具體說明。

這個排名大家都不陌生，沒啥好多說的，好玩的在后面。

我們將所有電影按評分和票房做成散點分布圖，得到上述圖片。此圖是動態(tài)可交互的，這里我截幾張有代表性的（點擊圖片后可放大）：

依次是 動作、喜劇、劇情、動畫 四類電影分布。粗略一看， 動作片是比較受市場歡迎的 ，畢竟選擇去觀看大屏幕，很大程度也是為了享受特效和視聽感受。喜劇和劇情也還不錯，但高票房的動畫片就很少了。

這張圖是不同影片類型的數(shù)量和評分情況。 劇情、喜劇、動作是三大主流類型 。

從評分上看，動畫片最高 ，我很早就發(fā)現(xiàn)了這個現(xiàn)象，我覺得可能是因為動畫片類型明確，會觀看并評價的人本身對其接受度高，而不喜歡的人壓根兒就不會去看。劇情片整體評分也不錯，可見能把一個故事說好，觀眾就挺滿意了。 愛情片、驚悚片則是一向是爛片的高發(fā)地帶 。

說明下：這里的類型是重復計算的，一部片會既是動作片，又是喜劇片。另外由于豆瓣上一些電影評分數(shù)量太少而不顯示，所以這里的電影數(shù)量會和票房數(shù)量有所差異。

從票房上看， 動作片不管是總量還是平均，都很強勢 。值得注意的是科幻片，雖然一般認為這是個小眾類型，但與廣義科幻沾邊的影片平均票房卻不低（這里面Marvel貢獻了不少），今年的小破球更是創(chuàng)造了新的紀錄。戰(zhàn)爭片則是被《紅海行動》一片之力拉高了平均值。

將類型片的票房按月劃分，得到了這張圖。 春節(jié)檔無疑是一年最搶錢的檔期，而喜劇片又是此檔期的絕對主力。暑期檔則是另一個票房小高峰。動作片一年四季都不錯 。

這里的月度劃分是按首映日期，所以會有一些提前，比如國慶檔的票房都記在了九月份。

以上面幾組數(shù)據(jù)來看，如果哪位土豪讀者想投資拍電影， 選擇動作片是比較保險的，記得要把故事說好，最好再加點科幻元素，在春節(jié)前上映 。

這里做了 IMDB、時光網(wǎng)、貓眼 分別和 豆瓣 評分的關(guān)系對比。

按理說，如果兩個網(wǎng)站的評分基本一致的話，這些點應(yīng)當分布在對角線上。 IMDB、時光網(wǎng)和豆瓣還是差不多的 （豆瓣其實是5星制，最低2分）。再細分一下， 時光網(wǎng)和豆瓣的相關(guān)性要比 IMDB 更大 （文化差異）， 好片比爛片的相關(guān)性更大 （好片都說好，爛片則口味不同）。

有意思的是 貓眼 （最右側(cè)圖），它的評分普遍要比豆瓣高，相信很多人都有直觀感受。當然這也有它的原因： 貓眼買了票的人才會評分，那一般總歸會選個自己愛看的吧 。

【彩蛋】圖上右下角有個令人矚目的孤點，這部電影是個例外，它貓眼評分2.9，豆瓣卻有6.9，你知道是哪部嗎？（可以留言猜一下，我待會兒在留言中公布答案）如果你了解此片背后的故事，定會一拍大腿恍然大悟。

好了，到了公布最終結(jié)果的時候。

第一名： 王成思

參演電影： 《西紅柿首富》25億；《唐人街探案2》34億；《李茶的姑媽》6億

這……是誰啊，演的誰……

斯坦·李憑借各種客串，位列第3。而另一位能在Marvel、DC兩道均能跑龍?zhí)椎募s翰·蓋蒂爾，也躋身前十，同樣也不知道他演的角色……

怎么樣，有沒有出乎你的意料？現(xiàn)在你可以拿這個去問別人了

所有圖表在網(wǎng)頁上都是動態(tài)可交互的，訪問地址請在我們公眾號（ Crossin的編程教室 ）里回復關(guān)鍵字 票房

代碼也已上傳，并附帶有說明文檔，大致說明了實現(xiàn)思路、文件說明、技術(shù)細節(jié)。同樣回復關(guān)鍵字 票房

如果你想要跟著實現(xiàn)或運行相關(guān)代碼，我這里再簡單說幾點。

項目整體思路：

通過 中國票房網(wǎng) 獲得2018年大陸上映電影和每部電影票房數(shù)據(jù)

根據(jù)已有的票房數(shù)據(jù)，通過豆瓣 api 和詳細頁面，獲得每部電影的導演，演員和豆瓣評分等詳細數(shù)據(jù)

分別通過 貓眼、時光網(wǎng) 和 imdb，獲取這三個網(wǎng)站的電影評分數(shù)據(jù)

新建影人條目，利用豆瓣獲得的影人數(shù)據(jù)，對2018年每個演員年參演電影進行統(tǒng)計

根據(jù)已有數(shù)據(jù)作圖，分析2018年電影票房排名、不同網(wǎng)站評分差異、電影票房-評分關(guān)系等

開發(fā)環(huán)境及所需庫：

python 3.6（3.5以上版本應(yīng)該都沒啥問題）

jupyter notebook - 這個之前介紹過多次，數(shù)據(jù)分析好幫手

requests - 網(wǎng)頁抓取

bs4 - 網(wǎng)頁文本分析

pymongo - 本項目用了 mongodb 數(shù)據(jù)庫

numpy - 數(shù)據(jù)計算必備

pyecharts - 繪圖工具包 ECharts 的封裝

有幾點值得注意的是：

因為豆瓣的搜索結(jié)果是模糊匹配，根據(jù)電影名會搜出多部電影，因此匹配豆瓣信息時增加了人工干預的步驟。這部分代碼可以再優(yōu)化。

項目使用 MongoDB 作為數(shù)據(jù)存儲，這不是必須的，你可以把這部分代碼改成文件保存。另外 如果你只是想做數(shù)據(jù)分析，也可以拿我們抓取好導出的數(shù)據(jù) ，免除抓取之苦。（附帶在項目中，僅供學習，請勿商用，否則后果自負）

部分代碼（僅演示，完整代碼見項目倉庫）：

抓取并保存

client = pymongo.MongoClient()
db = client.chinamovies # 獲取或新建名為 chinamovies 的 database
collections = db.movies # 獲取或者新建了一個表
url_origin = "http://www.cbooo.cn/Mdata/getMdata_movie?area={area}&type=0&year=2018&initial=%E5%85%A8%E9%83%A8&pIndex={page}"
url = url_origin.format(area=area, page=page)
req = requests.get(url, headers=headers)
data = req.json()
collections.insert_many(data["pData"])

獲取豆瓣信息

url_api = "https://api.douban.com/v2/movie/search?q={}".format(moviename)
req = requests.get(url_api, headers=headers)
data_total = req.json()["subjects"]
if not data_total:
    print("你搜索的不存在：", moviename)
else:
    print(data_total[0])

計算影人參演票房總和

for i in col_casts.find():
    total_box = 0
    for j in i["movie_id"]:
        movie = collections_detail.find_one({"id": j})
        if movie["boxoffice"]:
            total_box += int(movie["boxoffice"])
    col_casts.update_one({"_id": i["_id"]}, {"$set": {"total_box": total_box}}, upsert=True)

輸出票房/評分分布散點圖

scatter = Scatter("電影評分-票房")
total_num = 0
for i in genre:
    total_num += len(genre[i]["rate"])
    scatter.add(i, genre[i]["boxoffice"], genre[i]["rate"], **other_setting, extra_name=genre[i]["title"],
                xaxis_name="票房（億）", yaxis_name="評分", yaxis_name_gap=20,yaxis_min=2, symbol_size=5,
                label_formatter="{c}", is_label_emphasis=True, is_toolbox_show=False)
scatter.render("電影評分-票房.html")

查看交互圖表和代碼地址，請在公眾號（ Crossin的編程教室 ）回復關(guān)鍵字 票房

════

其他文章及回答：

學編程：如何自學Python | 新手引導 | 一圖學Python

開發(fā)案例：智能防擋彈幕 | 紅包提醒 | 流浪地球

歡迎搜索及關(guān)注： Crossin的編程教室