Python数据分析-TMDb 5000 Movie Database电影数据分析
前言
最近刚好Python学完了,所以拿这个项目来练手。要知道好多爬虫数据仅仅凭借Excel和sql是没办法处理的,Python绝对是数据分析的绝佳兵器,数据清洗-数据处理-可视化都可以完成。实践出真知,虽然过程中遇到很多问题,但是学完之后能力就提升啦!这次将自己做的项目完整记录下来并进行分享,以备后续回忆和二次学习。也欢迎感兴趣的同学评论留言,希望我们共同学习,共同进步!
文章目录
- 1 项目背景
- 1.1 故事背景
- 1.2 提出问题
- 2 项目报告
- 3 理解数据
- 3.1 数据来源
- 3.2 数据字段
- 4 数据清洗
- 4.1 导入数据
- 4.2 缺失值处理
- 4.2.1 补全release_date
- 4.2.2 补全runtime
- 4.3 重复值处理
- 4.4 日期值处理
- 4.5 筛选数据
- 4.6 json数据转换
- 4.7 数据备份
- 5 数据分析
- 5.1 why
- 5.2 what
- 5.2.1 电影类型
- 5.2.1.1 电影类型数量(条形图)
- 5.2.1.2 电影类型占比(饼图)
- 5.2.1.3 电影类型变化趋势(折线图)
- 5.2.1.4 不同电影类型预算/利润(组合图)
- 5.2.2 电影关键词
- 5.3 when
- 5.3.1 电影时长
- 5.3.2 发行时间
- 5.4 where
- 5.5 who
- 5.5.1 票房分布及票房Top10的导演
- 5.5.2 评分分布及评分Top10的导演
- 5.6 how
- 5.6.1 原创VS改编占比(饼图)
- 5.6.2 原创VS改编预算/利润率(组合图)
- 5.7 how much
- 5.7.1 计算相关系数
- 5.7.2 票房影响因素散点图
1 项目背景
1.1 故事背景
数据分析最重要的就是要讲一个故事喽!故事怎么讲呢?无非就是提出问题-分析问题-解决问题。因为分析出来的数据解决了某个问题,所以,故事说出来才有卖点,别人才会觉得你的数据分析有价值,才愿意为你的数据分析买单。不多说啦,哈哈(⊙o⊙)…回归正题。
我讲故事就是,王思聪想要在海外开拓万达电影的市场,这次他在考虑:怎么拍商业电影才能赚钱?毕竟一些制作成本超过1亿美元的大型电影也会失败 。这个问题对电影业来说比以往任何时候都更加重要。 所以,他就请来了公司的数据分析师来帮他解决问题,给出一些建议,根据数据分析一下商业电影的成功是否存在统一公式?以帮助他更好地进行决策。
1.2 提出问题
解决的终极问题是:电影票房的影响因素有哪些?
接下来我们就分不同的维度分析:
- 观众喜欢什么电影类型?有什么主题关键词?
- 电影风格随时间是如何变化的?
- 电影预算高低是否影响票房?
- 高票房或者高评分的导演有哪些?
- 电影的发行时间最好选在啥时候?
- 拍原创电影好还是改编电影好?
2 项目报告
国际惯例先来一份数据报告:
3 理解数据
3.1 数据来源
本次使用的数据来自于kaggle平台(点击链接下载TMDb 5000 Movie Database)。收录了美国地区1916-2017年近5000部电影的数据,包含预算、导演、票房、电影评分等信息。
3.2 数据字段
原始数据集包含2个文件:
- tmdb_5000_movies:电影基本信息,包含20个变量
- tmdb_5000_credits:演职员信息,包含4个变量
4 数据清洗
4.1 导入数据
导入数据包
# 数据导入
import numpy as np
import pandas as pd
from pandas import DataFrame, Series#可视化显示在界面
%matplotlib inline
import matplotlib
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来显示中文
plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号import seaborn as sns
sns.set(color_codes=True)
# 学习seaborn参考:https://www.jianshu.com/p/c26bc5ccf604import json
import warnings
warnings.filterwarnings('ignore')
from wordcloud import WordCloud, STOPWORDSmovies = pd.read_csv('F:\\tmdb-movie-metadata\\tmdb_5000_movies.csv',encoding = 'utf_8')
credits = pd.read_csv('F:\\tmdb-movie-metadata\\tmdb_5000_credits.csv',encoding = 'utf_8')
movies.info() #查看信息
credits.info()
运行结果:
续表:
从上述信息可知,共有记录4803条。
# 两个数据框都有title列,以及movies.riginal_title
# 以上三个数据列重复,删除两个
del credits['title']
del movies['original_title']# 连接两个csv文件
merged = pd.merge(movies, credits, left_on='id', right_on='movie_id', how='left')# 删除不需要分析的列
df=merged.drop(['homepage','overview','spoken_languages','status','tagline','movie_id'],axis=1)
df.info()
运行结果:
从上可知,发行日期 和 运行时间 两列有数据缺失。
接下来处理缺失值。
4.2 缺失值处理
缺失记录仅3条,采取网上搜索,补全信息。
4.2.1 补全release_date
# 查找缺失值记录-release_date
df[df.release_date.isnull()]
运行结果为:
缺失记录的电影标题为《America Is Still the Place》,日期为’ 2014-06-01 ’
# 填充缺失值
df['release_date'] = df['release_date'].fillna('2014-06-01')
4.2.2 补全runtime
# 查找缺失值记录-runtime
df[df.runtime.isnull()]
运行结果:
缺失记录的电影runtime分别为94min和 240min
# 根据行标签,填充缺失值
df.loc[2656] = df.loc[2656].fillna('94, limit=1')
df.loc[4140] = df.loc[4140].fillna('240, limit=1')
4.3 重复值处理
len(df.id.unique())
运行结果:有4803个不重复的id,可以认为没有重复数据。
4.4 日期值处理
将release_date列转换为日期类型:
#转换日期格式,增加 年份 月份 日 列
#如果日期不符合时间戳限制,则errors ='ignore'将返回原始输入,而不会报错。
#errors='coerce'将强制超出NaT的日期,返回NaT。df['release_year'] = pd.to_datetime(df.release_date, format = '%Y-%m-%d',errors='coerce').dt.year
df['release_month'] = pd.to_datetime(df.release_date).apply(lambda x: x.month)
df['release_day'] = pd.to_datetime(df.release_date).apply(lambda x: x.day)
df.info()
运行结果:
养成处理完数据列就进行查看的习惯~
4.5 筛选数据
使用数据分析师最喜欢的一个语法:
df.describe()
运行结果:
- 票房、预算、受欢迎程度、评分为0的数据应该去除;
- 评分人数过低的电影,评分不具有统计意义,这里筛选评分人数大于50的数据。
df = df[(df.vote_count >= 50) &(df.budget * df.revenue * df.popularity * df.vote_average !=0)].reset_index(drop = 'True')df
查看筛选结果:
df.info()
此时剩余2961条数据,包含19个字段。
4.6 json数据转换
**说明:**genres,keywords,production_companies,production_countries,cast,crew 这6列都是json数据,需要处理为列表进行分析。
处理方法:
- json本身为字符串类型,先转换为字典列表
- 再将字典列表转换为,以’,'分割的字符串
json_column = ['genres','keywords','production_companies','production_countries','cast','crew']# 1-json本身为字符串类型,先转换为字典列表
for i in json_column:df[i] = df[i].apply(json.loads)# 提取name
# 2-将字典列表转换为以','分割的字符串
def get_name(x):return ','.join([i['name'] for i in x]) df['cast'] = df['cast'].apply(get_name)# 提取derector
def get_director(x):for i in x:if i['job'] == 'Director':return i['name']df['crew'] = df['crew'].apply(get_director)for j in json_column[0:4]:df[j] = df[j].apply(get_name)#重命名
rename_dict = {'cast':'actor','crew':'director'}
df.rename(columns=rename_dict, inplace=True)
df.info()
df.head(5)
运行结果:
4.7 数据备份
# 备份原始数据框original_df
org_df = df.copy()
df.reset_index().to_csv("TMDB_5000_Movie_Dataset_Cleaned.csv")
5 数据分析
5.1 why
想要探索影响票房的因素,从电影市场趋势,观众喜好类型,电影导演,发行时间,评分与关键词等维度着手,给从业者提供合适的建议。
5.2 what
5.2.1 电影类型
# 定义一个集合,获取所有的电影类型
genre = set()
for i in df['genres'].str.split(','): # 去掉字符串之间的分隔符,得到单个电影类型genre = set().union(i,genre) # 集合求并集# genre.update(i) #或者使用update方法print(genre)
运行结果:
注意到genre集合中存在多余的元素:空的单引号,所以需要去除
genre.discard('') # 去除多余的元素
genre
运行结果:
#将genre转变成列表
genre_list = list(genre) # 创建数据框-电影类型
genre_df = pd.DataFrame() #对电影类型进行one-hot编码
for i in genre_list:# 如果包含类型 i,则编码为1,否则编码为0genre_df[i] = df['genres'].str.contains(i).apply(lambda x: 1 if x else 0) #将数据框的索引变为年份
genre_df.index = df['release_year']
genre_df.head(5)
运行结果:
5.2.1.1 电影类型数量(条形图)
# 计算得到每种类型的电影总数目,并降序排列
grnre_sum = genre_df.sum().sort_values(ascending = False)
# 可视化
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来显示中文
grnre_sum.plot(kind='bar',label='genres',figsize=(12,9))
plt.title('不同类型的电影数量总计',fontsize=20)
plt.xticks(rotation=60)
plt.xlabel('电影类型',fontsize=16)
plt.ylabel('数量',fontsize=16)
plt.grid(False)
plt.savefig("不同电影类型数量-条形图.png",dpi=300) #在 plt.show() 之前调用 plt.savefig()
plt.show()
5.2.1.2 电影类型占比(饼图)
gen_shares = grnre_sum / grnre_sum.sum()# 设置other类,当电影类型所占比例小于%1时,全部归到other类中
others = 0.01
gen_pie = gen_shares[gen_shares >= others]
gen_pie['others'] = gen_shares[gen_shares < others].sum()# 设置分裂属性
# 所占比例小于或等于%2时,增大每块饼片边缘偏离半径的百分比
explode = (gen_pie <= 0.02)/10# 绘制饼图
gen_pie.plot(kind='pie',label='',explode=explode,startangle=0,shadow=False,autopct='%3.1f%%',figsize=(8,8))plt.title('不同电影类型所占百分比',fontsize=20)
plt.savefig("不同电影类型所占百分比-饼图.png",dpi=300)
5.2.1.3 电影类型变化趋势(折线图)
#电影类型随时间变化的趋势
gen_year_sum = genre_df.sort_index(ascending = False).groupby('release_year').sum()
gen_year_sum_sub = gen_year_sum[['Drama','Comedy','Thriller','Action','Adventure','Crime','Romance','Science Fiction']]
gen_year_sum_sub.plot(figsize=(12,9))
plt.legend(gen_year_sum_sub.columns)
plt.xticks(range(1915,2018,10))
plt.xlabel('年份', fontsize=16)
plt.ylabel('数量', fontsize=16)
plt.title('不同电影变化趋势', fontsize=20)plt.grid(False)
plt.savefig("不同电影类型数量-折线图2.png",dpi=600)
plt.show()
5.2.1.4 不同电影类型预算/利润(组合图)
# 计算不同电影类型的利润
# Step1-创建profit_dataframe
profit_df = pd.DataFrame()
profit_df = pd.concat([genre_df.reset_index(), df['profit']], axis=1)
# Step2-创建profit_series,横坐标为genre
profit_s=pd.Series(index=genre_list)
# Step3-求出每种genre对应的利润均值
for i in genre_list:profit_s.loc[i]=profit_df.loc[:,[i,'profit']].groupby(i, as_index=False).mean().loc[1,'profit']
profit_s = profit_s.sort_values(ascending = True)
profit_s# 计算不同类型电影的budget
# Step1-创建profit_dataframe
budget_df = pd.DataFrame()
budget_df = pd.concat([genre_df.reset_index(), df['budget']], axis=1)
# Step2-创建budget_series,横坐标为genre
budget_s=pd.Series(index=genre_list)
# Step3-求出每种genre对应的预算均值
for j in genre_list:budget_s.loc[j]=budget_df.loc[:,[j,'budget']].groupby(j, as_index=False).mean().loc[1,'budget']
budget_s# 再接着,横向合并 profit_s 和 budget_s
profit_budget = pd.concat([profit_s, budget_s], axis=1)
profit_budget.columns = ['profit', 'budget']#添加利润率列
profit_budget['rate'] = (profit_budget['profit']/profit_budget['budget'])*100
# 降序排序
profit_budget_sort=profit_budget.sort_values(by='budget',ascending = False)
profit_budget_sort.head(2)# 绘制不同类型电影平均预算和利润率(组合图)
x = profit_budget_sort.index
y1 = profit_budget_sort.budget
y2 = profit_budget_sort.rate
# 返回profit_budget的行数
length = profit_budget_sort.shape[0]fig = plt.figure(figsize=(12,9))
# 左轴
ax1 = fig.add_subplot(1,1,1)
plt.bar(range(0,length),y1,color='b',label='平均预算')
plt.xticks(range(0,length),x,rotation=90, fontsize=12) # 更改横坐标轴名称
ax1.set_xlabel('年份') # 设置x轴label ,y轴label
ax1.set_ylabel('平均预算',fontsize=16)
ax1.legend(loc=2,fontsize=12)#右轴
# 共享x轴,生成次坐标轴
ax2 = ax1.twinx()
ax2.plot(range(0,length),y2,'ro-.')
ax2.set_ylabel('平均利润率',fontsize=16)
ax2.legend(loc=1,fontsize=12)# 将利润率坐标轴以百分比格式显示
import matplotlib.ticker as mtick
fmt='%.1f%%'
yticks = mtick.FormatStrFormatter(fmt)
ax2.yaxis.set_major_formatter(yticks)# 设置图片title
ax1.set_title('不同类型电影平均预算和利润率',fontsize=20)
ax1.grid(False)
ax2.grid(False)
plt.savefig("不同电影平均预算+利润率.png",dpi=300)
plt.show()# 绘制不同类型电影预算和利润(条形图)
profit_budget_sort.iloc[:,0:2].plot(kind='bar', figsize=(12,9),color = ['darkorange','b'])
plt.title('Budget and Profit',fontsize = 20)
plt.xlabel('len',fontsize = 16)
plt.grid(False)
plt.savefig('不同类型电影预算和利润-条形图.png',dpi=300)
5.2.2 电影关键词
#keywords关键词分析
keywords_list = []
for i in df['keywords']:keywords_list.append(i)keywords_list
#把字符串列表连接成一个长字符串
lis = ''.join(keywords_list)
lis.replace('\'s','')
#设置停用词
stopwords = set(STOPWORDS)
stopwords.add('film')
wordcloud = WordCloud(background_color = 'black',random_state=9, # 设置一个随机种子,用于随机着色stopwords = stopwords,max_words = 3000,scale=1).generate(lis)
plt.figure(figsize=(10,6))
plt.imshow(wordcloud)
plt.axis('off')
plt.savefig('词云图.png',dpi=300)
plt.show()
运行结果:
5.3 when
查看runtime的类型,发现是object类型,也就是字符串
所以,先进行数据转化
df.runtime.head(5)
# 转换数据类型
df.runtime = df.runtime.convert_objects(convert_numeric=True)
df.runtime.describe()
运行结果:
5.3.1 电影时长
# 可视化
sns.set_style('white')
sns.distplot(df.runtime,bins = 20)
sns.despine(left = True) # 使用despine()方法来移除坐标轴,默认移除顶部和右侧坐标轴
plt.xticks(range(50,360,20))
plt.savefig('电影时长直方图.png',dpi=300)
plt.show()
运行结果:
5.3.2 发行时间
fig = plt.figure(figsize=(8,6))x = list(range(1,13))
y1 = df.groupby('release_month').revenue.size()
y2 = df.groupby('release_month').revenue.mean()# 每月单片平均票房# 左轴
ax1 = fig.add_subplot(1,1,1)
plt.bar(x,y1,color='b',label='电影数量')
plt.grid(False)
ax1.set_xlabel('月份') # 设置x轴label ,y轴label
ax1.set_ylabel('电影数量',fontsize=16)
ax1.legend(loc=2,fontsize=12)# 右轴
ax2 = ax1.twinx()
plt.plot(x,y2,'ro--',label='每月单片平均票房')
ax2.set_ylabel('每月单片平均票房',fontsize=16)
ax2.legend(loc=1,fontsize=12)plt.savefig('每月电影数量和单片平均票房.png',dpi=300)
运行结果:
5.4 where
本数据集收集的是美国地区的电影数据,对于电影的制作公司以及制作国家,在本次的故事背景下不作分析。
5.5 who
5.5.1 票房分布及票房Top10的导演
# 创建数据框 - 导演
director_df = pd.DataFrame()
director_df = df[['director','revenue','budget','profit','vote_average']]
director_df = director_df.groupby(by = 'director').mean().sort_values(by='revenue',ascending = False) # 取均值
director_df.info()# 绘制票房分布直方图
director_df['revenue'].plot.hist(bins=100, figsize=(8,6))
plt.xlabel('票房')
plt.ylabel('频数')
plt.title('不同导演执导的票房分布')
plt.savefig('不同导演执导的票房分布.png',dpi = 300)
plt.show()# 票房均值Top10的导演
director_df.revenue.sort_values(ascending = True).tail(10).plot(kind='barh',figsize=(8,6))
plt.xlabel('票房',fontsize = 16)
plt.ylabel('导演',fontsize = 16)
plt.title('票房排名Top10的导演',fontsize = 20)
plt.savefig('票房排名Top10的导演.png',dpi = 300)
plt.show()
5.5.2 评分分布及评分Top10的导演
# 绘制导演评分直方图
director_df['vote_average'].plot.hist(bins=18, figsize=(8,6))
plt.xlabel('评分')
plt.ylabel('频数')
plt.title('不同导演执导的评分分布')
plt.savefig('不同导演执导的评分分布.png',dpi = 300)
plt.show()# 评分均值Top10的导演
director_df.vote_average.sort_values(ascending = True).tail(10).plot(kind='barh',figsize=(8,6))
plt.xlabel('评分',fontsize = 16)
plt.ylabel('导演',fontsize = 16)
plt.title('评分排名Top10的导演',fontsize = 20)
plt.savefig('评分排名Top10的导演.png',dpi = 300)
plt.show()
5.6 how
5.6.1 原创VS改编占比(饼图)
# 创建数据框
original_df = pd.DataFrame()
original_df['keywords'] = df['keywords'].str.contains('based on').map(lambda x: 1 if x else 0)
original_df['profit'] = df['profit']
original_df['budget'] = df['budget']# 计算
novel_cnt = original_df['keywords'].sum() # 改编作品数量
original_cnt = original_df['keywords'].count() - original_df['keywords'].sum() # 原创作品数量
# 按照 是否原创 分组
original_df = original_df.groupby('keywords', as_index = False).mean() # 注意此处计算的是利润和预算的平均值
# 增加计数列
original_df['count'] = [original_cnt, novel_cnt]
# 计算利润率
original_df['profit_rate'] = (original_df['profit'] / original_df['budget'])*100# 修改index
original_df.index = ['original', 'based_on_novel']
# 计算百分比
original_pie = original_df['count'] / original_df['count'].sum()# 绘制饼图
original_pie.plot(kind='pie',label='',startangle=90,shadow=False,autopct='%2.1f%%',figsize=(8,8))
plt.title('改编 VS 原创',fontsize=20)
plt.legend(loc=2,fontsize=10)
plt.savefig('改编VS原创.png',dpi=300)
5.6.2 原创VS改编预算/利润率(组合图)
x = original_df.index
y1 = original_df.budget
y2 = original_df.profit_ratefig= plt.figure(figsize = (8,6))# 左轴
ax1 = fig.add_subplot(1,1,1)
plt.bar(x,y1,color='b',label='平均预算',width=0.25)
plt.xticks(rotation=0, fontsize=12) # 更改横坐标轴名称
ax1.set_xlabel('原创 VS 改编') # 设置x轴label ,y轴label
ax1.set_ylabel('平均预算',fontsize=16)
ax1.legend(loc=2,fontsize=10)#右轴
# 共享x轴,生成次坐标轴
ax2 = ax1.twinx()
ax2.plot(x,y2,'ro-.',linewidth=5,label='平均利润率')
ax2.set_ylabel('平均利润率',fontsize=16)
ax2.legend(loc=1,fontsize=10) # loc=1,2,3,4分别表示四个角,和四象限顺序一致# 将利润率坐标轴以百分比格式显示
import matplotlib.ticker as mtick
fmt='%.1f%%'
yticks = mtick.FormatStrFormatter(fmt)
ax2.yaxis.set_major_formatter(yticks)plt.savefig('改编VS原创的预算以及利润率.png',dpi=300)
5.7 how much
5.7.1 计算相关系数
# 计算相关系数矩阵
revenue_corr = df[['runtime','popularity','vote_average','vote_count','budget','revenue']].corr()sns.heatmap(revenue_corr,annot=True, # 在每个单元格内显示标注cmap="Blues", # 设置填充颜色:黄色,绿色,蓝色
# cmap="YlGnBu", # 设置填充颜色:黄色,绿色,蓝色
# cmap="coolwarm", # 设置填充颜色:冷暖色cbar=True, # 显示color barlinewidths=0.5, # 在单元格之间加入小间隔,方便数据阅读# fmt='%.2f%%', # 本来是确保显示结果是整数(格式化输出),此处有问题)
plt.savefig('票房相关系数矩阵.png',dpi=300)
运行结果:
5.7.2 票房影响因素散点图
# 绘制散点图
fig = plt.figure(figsize=(17,5))# # 学习seaborn参考:https://www.jianshu.com/p/c26bc5ccf604
ax1 = plt.subplot(1,3,1)
ax1 = sns.regplot(x='budget', y='revenue', data=revenue_df, x_jitter=.1,color='r',marker='x')
# marker: 'x','o','v','^','<'
# jitter:抖动项,表示抖动程度
ax1.text(1.6e8,2.2e9,'r=0.7',fontsize=16)
plt.title('budget-revenue-scatter',fontsize=20)
plt.xlabel('budget',fontsize=16)
plt.ylabel('revenue',fontsize=16)ax2 = plt.subplot(1,3,2)
ax2 = sns.regplot(x='popularity', y='revenue', data=revenue_df, x_jitter=.1,color='g',marker='o')
ax2.text(500,3e9,'r=0.59',fontsize=16)
plt.title('popularity-revenue-scatter',fontsize=18)
plt.xlabel('popularity',fontsize=16)
plt.ylabel('revenue',fontsize=16)ax3 = plt.subplot(1,3,3)
ax3 = sns.regplot(x='vote_count', y='revenue', data=revenue_df, x_jitter=.1,color='b',marker='v')
ax3.text(7000,2e9,'r=0.75',fontsize=16)
plt.title('voteCount-revenue-scatter',fontsize=20)
plt.xlabel('vote_count',fontsize=16)
plt.ylabel('revenue',fontsize=16)fig.savefig('revenue.png',dpi=300)
Python数据分析-TMDb 5000 Movie Database电影数据分析相关推荐
- python基于爬虫技术的海量电影数据分析源码,数据处理分析可视化,GUI界面展示
基于爬虫技术的海量电影数据分析 介绍 一个基于爬虫技术的海量电影数据分析系统 系统架构 本系统主要分为四个部分,分别为后端爬虫抓取.数据处理分析可视化.GUI界面展示.启动运行,分别对应getData ...
- 【大数据基础】基于 TMDB 数据集的电影数据分析
https://dblab.xmu.edu.cn/blog/2400/ 实验内容 环境搭建 pip3 install bottle 数据预处理 本次项目使用的数据集来自知名数据网站 Kaggle 的 ...
- 【Python数据分析】文本情感分析——电影评论分析(二)
接上一篇<[Python数据分析]文本情感分析--电影评论分析(一)>. 目录 文本向量化 词袋模型 TF-IDF 建立模型 构建训练集与测试集 特征选择 方差分析 逻辑回归 朴素贝叶斯 ...
- python电影数据分析的代码_python-small-examples
Kaggle电影数据分析实战 本项目基于Kaggle电影影评数据集,通过这个系列,你将学到如何进行数据探索性分析(EDA),学会使用数据分析利器pandas,会用绘图包pyecharts,以及EDA时 ...
- python猫眼电影分析_用Python 爬取猫眼电影数据分析《无名之辈》
前言 作者: 罗昭成 PS:如有需要Python学习资料的小伙伴可以加点击下方链接自行获取 http://note.youdao.com/noteshare?id=3054cce4add8a909e7 ...
- Django+pyecharts实现电影数据分析可视化
上篇文章pyecharts实现电影数据分析可视化已经实现了pyecharts可视化,这篇文章主要实现Django结合pyecharts做一个可视化的小网站/系统. 我是在Centos7虚拟机上用Sub ...
- Python可以这样学(第四季:数据分析与科学计算可视化)-董付国-专题视频课程...
Python可以这样学(第四季:数据分析与科学计算可视化)-7534人已学习 课程介绍 董付国老师系列教材<Python程序设计(第2版)>(ISBN:9787302436 ...
- python 科学计算基础教程电子版-自学Python 编程基础、科学计算及数据分析
自学Python 编程基础.科学计算及数据分析 epub pdf mobi txt 下载 自学Python 编程基础.科学计算及数据分析 epub pdf mobi txt 下载 ☆☆☆☆☆ 李金 著 ...
- 大数据项目开发案例_大数据分析技术——项目案例1(猫眼电影数据分析上)...
壹 猫眼Top100电影数据分析概述 从这一节开始,我们就综合利用已学到的一些分析技术来尝试做一些比较复杂的实际数据分析项目.在这些实际的项目案例中,我们将会看到一个完整的数据分析流程:数据清理--数 ...
- python编程入门与案例详解-自学Python 编程基础、科学计算及数据分析
自学Python 编程基础.科学计算及数据分析 epub pdf mobi txt 下载 自学Python 编程基础.科学计算及数据分析 epub pdf mobi txt 下载 ☆☆☆☆☆ 李金 著 ...
最新文章
- 正则表达式简介及在C++11中的简单使用
- [转] Ubuntu/Linux Mint/Debian 安装 Java 8
- springboot:banner.txt
- Qt修炼手册10_QTableWidget控件使用说明及实践
- year range in CRM Fiori Sales Pipeline
- Zalo营销大师2019版
- Python爬虫实例(六)多进程下载金庸网小说
- MATLAB灰度显示和彩色显示
- 大学计算机word操作教程,word技巧大全:73个word实用技巧分享-电脑教程
- python pywifi模块——暴力破解wifi
- Illustrator CS6高清原创视频教程全集
- Google 镜像站
- 计算机图形学(一)-向量、向量加减法、向量的点积(乘)及应用、向量的叉积(乘)及应用
- 月薪30K的运维工程师面试宝典(面试必备干货)
- 一语中的!抽象工厂和一般工厂的缺点
- HDU1000A+B problem c++
- 2015桐庐年会--奔跑吧,骚年
- JS模仿腾讯微博app撕纸效果
- 「文化」是企业最后的倔强
- PInterest瀑布流类网站收集