王 S 聰想要在海外開拓萬 D 電影的市場，這次他在考慮：怎麼拍商業電影才
能賺錢？畢竟一些制作成本超過 1 億美元的大型電影也會失敗。這個問題對電影
業來說比以往任何時候都更加重要。 是以，他就請來了你（資料分析師）來幫
他解決問題，給出一些建議，根據資料分析一下商業電影的成功是否存在統一公
式？以幫助他更好地進行決策。
解決的終極問題是： 電影票房的影響因素有哪些？
接下來我們就分不同的次元分析：
• 觀衆喜歡什麼電影類型？有什麼主題關鍵詞？
• 電影風格随時間是如何變化的？
• 電影預算高低是否影響票房？
• 高票房或者高評分的導演有哪些？
• 電影的發行時間最好選在啥時候？
• 拍原創電影好還是改編電影好？
本次使用的資料來自于 Kaggle 平台（TMDb 5000 Movie Database）。收錄了
美國地區 1916-2017 年近 5000 部電影的資料，包含預算、導演、票房、電影評
分等資訊。原始資料集包含 2 個檔案：
• tmdb_5000_movies：電影基本資訊，包含 20 個變量
• tmdb_5000_credits：演職員資訊，包含 4 個變量
請使用 Python 程式設計，完成下列問題：
（1）使用附件中的 tmdb_5000_movies .csv 和 tmdb_5000_credits .csv 資料集，進
行資料清洗、資料挖掘、資料分析和資料可視化等，研究電影票房的影響因素有
哪些？從不同的次元分析電影，讨論并分析你的結果。
（2）附件 tmdb_1000_predict.csv 中包含 1000 部電影的基本資訊，請你選擇
合适的名額，進行特征提取，建立機器學習的預測模型，預測 1000 部電影的
vote_average 和 vote_count，并儲存為 tmdb_1000_predicted.csv。
首先是資料清洗：在愛數科上進行
2.資料清洗
1.導入資料
2.缺失值處理
缺失記錄僅 3941條，采取網上搜尋，補全資訊。
2.1 補全 release_date
缺失記錄的電影标題為《America Is Still the Place》，日期為 2014-06-01。
2.2 補全 runtime
1. Chiamatemi Francesco - Il Papa della gente
2. To Be Frank, Sinatra at 100
缺失記錄的電影 runtime 分别為94min 和81min。
3 重複值處理
運作結果：有0個不重複的 id，可以認為沒有重複資料。
4 日期值處理
将release_date列轉換為日期類型：（兩種方式）
def changeRelease_date():
df['release_date'] = pd.to_datetime(df['release_date']) 5 篩選資料
使用資料分析師最喜歡的一個文法：
票房、預算、受歡迎程度、評分為負數或者0的資料應該去除；
五個不為負數或者0篩選條件，進行篩選
評分人數過低的電影，評分不具有統計意義，篩選評分人數大于178的資料。
此時剩餘___2422___條資料，包含___20___個字段。
6 json 資料轉換
**說明：**genres,keywords,production_companies,production_countries,cast,crew 這6列都是json 資料，需要處理為清單進行分析。
處理方法：
json 本身為字元串類型，先轉換為字典清單，再将字典清單轉換為，以’,'分割的字元串
json_column = ['genres', 'keywords', 'production_companies', 'production_countries', 'cast', 'crew']
for i in json_column:
df[i] = df[i].apply(json.loads)
def get_name(x):
return ','.join([i['name'] for i in x])
df['cast'] = df['cast'].apply(get_name)
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)
rename_dict = {'cast': 'actor', 'crew': 'director'}
df.rename(columns=rename_dict, inplace=True)
df.info()
print(df.head(5).genres)
print(df.head(5).keywords)
print(df.head(5).production_companies)
print(df.head(5).production_countries)
print(df.head(5).actor)
print(df.head(5).director) 7 資料備份
df_copy = df.copy()
df.reset_index().to_csv("copy.csv") 資料清洗over
5 資料分析
5.1 why
想要探索影響票房的因素，從電影市場趨勢，觀衆喜好類型，電影導演，發行時間，評分與
關鍵詞等次元着手，給從業者提供合适的建議。
5.2 what
5.2.1 電影類型：定義一個集合，擷取所有的電影類型
genre = set()
for i in df['genres'].str.split(','):
genre = set().union(i,genre)
print(genre) 注意到集合中存在多餘的元素：空的單引号，是以需要去除。
5.2.1.1 電影類型數量（繪制條形圖）
采用pyecharts畫圖
def MovieType():
movie_genres = []
genres = df['genres'].values.tolist()
for genre in genres:
genre_list = genre.split(',')
for i in genre_list:
movie_genres.append(i)
movie_type = pd.DataFrame(movie_genres, index=None, columns=['type'])
df_grp = movie_type.apply(pd.value_counts)
diary_type = dict(zip(df_grp.index.values.tolist(), df_grp['type'].tolist()))
d_order = sorted(diary_type.items(), key=lambda x: x[1], reverse=False)
keys = []
values = []
for key, value in d_order:
keys.append(key)
values.append(value)
bar = Bar(init_opts=opts.InitOpts(width="100%"))
bar.add_xaxis(keys)
bar.add_yaxis("電影類型數量", values)
bar.set_series_opts(label_opts=opts.LabelOpts(is_show=True, position='right'))
bar.reversal_axis()
bar.set_global_opts(title_opts=opts.TitleOpts(title="電影類型數量"))
page.add(bar) 5.2.1.2 電影類型占比（繪制餅圖）
def MovieTypePie():
movie_genres = []
genres = df['genres'].values.tolist()
for genre in genres:
genre_list = genre.split(',')
for i in genre_list:
movie_genres.append(i)
movie_type = pd.DataFrame(movie_genres, index=None, columns=['type'])
df_grp = movie_type.apply(pd.value_counts)
pie = Pie(init_opts=opts.InitOpts(width="100%", height="700px"))
pie.add("", [list(z) for z in zip(df_grp.index.values.tolist(),
df_grp['type'].tolist())]) # zip函數兩個部分組合在一起list(zip(x,y))-----> [(x,y)]
pie.set_global_opts(title_opts=opts.TitleOpts(title="電影類型占比")) # 标題
pie.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%")) # 資料标簽設定
pie.render('first_bar.html')
page.add(pie) 5.2.1.3 電影類型變化趨勢（繪制折線圖）
def MovieTrend():
genre = set()
for i in df['genres'].str.split(','):
genre = set().union(i, genre)
print(genre)
genre_list = list(genre)
genre_df = pd.DataFrame()
for i in genre_list:
genre_df[i] = df['genres'].str.contains(i).apply(lambda x: 1 if x else 0)
df['release_year'] = pd.to_datetime(df.release_date, format='%Y-%m-%d', errors='coerce').dt.year
genre_df.index = df['release_year']
gen_year_sum = genre_df.sort_index(ascending=False).groupby('release_year').sum()
year = []
for i in df['release_year'].sort_values().drop_duplicates().tolist():
year.append(str(i))
line = Line(init_opts=opts.InitOpts(width="100%"))
line.add_xaxis(xaxis_data=year)
y1 = [100, 200, 300, 400, 100, 400, 300]
for i in genre_list:
line.add_yaxis(series_name=i, y_axis=gen_year_sum[i])
line.set_global_opts(title_opts=opts.TitleOpts(title="電影類型變化趨勢", ))
line.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
line.render_notebook()
page.add(line) 5.2.1.4 不同電影類型預算/利潤（繪制組合圖）
def Budget():
df["type"] = df["genres"].str.split(",")
df_explode = df.explode("type")
df_all = df_explode.groupby(['type']).mean() # 求平均值
budget = df_all['budget'].round(2)
revenue = df_all['revenue'].round(2)
bili = list((revenue / budget).round(2))
bud = list(budget)
rev = list(revenue)
budg = []
reve = []
for i in bud:
budg.append(round(i / 100000000, 2))
for i in rev:
reve.append(round(i / 100000000, 2))
diary_budget = dict(zip(df_all.index.values.tolist(), bili))
d_order = sorted(diary_budget.items(), key=lambda x: x[1], reverse=False)
keys = []
values = []
for key, value in d_order:
keys.append(key)
values.append(value)
line = (
Line(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT)) # 這裡可以選擇主題
.add_xaxis(df_all.index.values.tolist())
.add_yaxis("利潤/預算", bili, stack="stack1", yaxis_index=1)
.extend_axis(
yaxis=opts.AxisOpts(
axislabel_opts=opts.LabelOpts(formatter="{value}%")
)
)
.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right'))
.set_global_opts(
title_opts=opts.TitleOpts(title="不同電影類型預算/利潤"),
yaxis_opts=opts.AxisOpts(
axislabel_opts=opts.LabelOpts(formatter="{value}/千萬")
),
tooltip_opts=opts.TooltipOpts(
is_show=True, trigger="axis", axis_pointer_type="cross"
),
xaxis_opts=opts.AxisOpts(
type_="category",
axispointer_opts=opts.AxisPointerOpts(is_show=True, type_="shadow"),
axislabel_opts=opts.LabelOpts(rotate=-15)
)
)
)
bar = Bar()
bar.add_xaxis(df_all.index.values.tolist()).add_yaxis("平均預算", budg, stack="stack1").add_yaxis("平均利潤", reve,
stack="stack1")
bar.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='left'))
line.overlap(bar)
page.add(line) 5.2.2 電影關鍵詞（keywords 關鍵詞分析，繪制詞雲圖）
def KeywordsWordcloud():
movie_keywords = []
genres = df['keywords'].values.tolist()
for genre in genres:
genre_list = str(genre).split(',')
for i in genre_list:
item = changeStr(i)
if item: # 為空清單 濾掉
movie_keywords.append(item)
movie_type = pd.DataFrame(movie_keywords, index=None, columns=['type'])
df_grp = movie_type.apply(pd.value_counts)
diary_type = dict(zip(df_grp.index.values.tolist(), df_grp['type'].tolist()))
d_order = sorted(diary_type.items(), key=lambda x: x[1], reverse=False)
mywordcloud = WordCloud(init_opts=opts.InitOpts(width="100%"))
mywordcloud.add('', d_order, shape='circle')
page.add(mywordcloud) 5.3 when
檢視 runtime 的類型，發現是 object 類型，也就是字元串，是以，先進行資料轉化。
print(df.runtime) 先将其轉換為數值類型，int
df.runtime = df.runtime.astype(int)
print(df.runtime)) 5.3.1 電影時長（繪制電影時長直方圖）
直方圖pyecharts畫不了
是以使用matplotlib畫
def RunTime():
df.runtime = df.runtime.astype(float)
sns.set_style('white')
movie_duration = df.runtime
plt.figure(figsize=(20, 8), dpi=100)
# 設定組距
distance = 5
group_num = int((max(movie_duration) - min(movie_duration)) / distance)
# 計算組數
# 繪制直方圖用 資料、組數 兩個參數
plt.hist(movie_duration, bins=group_num)
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.xticks(range(int(min(movie_duration)), int(max(movie_duration)))[::5])
plt.grid(linestyle='--', alpha=0.5)
plt.xlabel('電影時長大小')
plt.ylabel('電影的資料量')
plt.savefig('img/電影時長直方圖.png')
plt.show() 5.3.2 發行時間（繪制每月電影數量和單片平均票房）
def MonthAnalyse():
df['release_month'] = pd.to_datetime(df.release_date, format='%Y-%m-%d', errors='coerce').dt.month
df_revenue = df.groupby(['release_month']).revenue.mean()
df_number = df.groupby(['release_month']).size()
x = ['1月', '2月', '3月', '4月', '5月', '6月', '7月', '8月', '9月', '10月', '11月', '12月']
y2 = []
for k in df_revenue.tolist():
y2.append(round(k / 1000000, 2))
bar = Bar(init_opts=opts.InitOpts(width="100%", theme=ThemeType.MACARONS))
bar.add_xaxis(x)
bar.add_yaxis("電影數量", df_number.values.tolist())
bar.add_yaxis("單片平均票房/百萬", y2)
bar.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right'))
bar.set_global_opts(title_opts=opts.TitleOpts(title="每月電影數量和單片平均票房"))
page.add(bar) 5.4 where
本資料集收集的是美國地區的電影資料，對于電影的制作公司以及制作國家，在本次的故事背景下不作分析。
5.5 who
5.5.1 分析票房分布及票房 Top10 的導演
def RevenueSpread():
# dr['name'] = dr['name'].apply(lambda x: ',' + x)
# dr1 = dr.groupby(by='movie_id').sum()
#
# dr1['name'] = dr1['name'].apply(lambda x: x[1:])
# dr1.to_csv("dire.csv")
# print(dr1)
sns.set_style('white')
movie_duration = df['revenue']
ss = []
for i in movie_duration.values.tolist():
ss.append(round(i / 100000000, 2))
print(ss)
plt.figure(figsize=(20, 8), dpi=100)
# 設定組距
distance = 5
group_num = int(max(ss) - min(ss))
# 計算組數
# 繪制直方圖用 資料、組數 兩個參數
plt.hist(ss, bins=group_num)
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.xticks(range(int(min(ss)), int(max(ss)))[::1])
plt.grid(linestyle='--', alpha=0.5)
plt.xlabel('電影票房/億')
plt.ylabel('電影的資料量')
plt.savefig('img/票房分布.png')
plt.show()
dr_sort = dr.groupby('name').sum().sort_values(by='revenue', ascending=False)
dr_top10 = dr_sort.head(10).sort_values(by='revenue', ascending=True)
piaofang = []
for i in dr_top10['revenue'].values.tolist():
piaofang.append(round(i / 100000000, 2))
bar = Bar(init_opts=opts.InitOpts(width="100%"))
bar.add_xaxis(dr_top10.index.values.tolist())
bar.add_yaxis("總票房/億", piaofang)
bar.set_series_opts(label_opts=opts.LabelOpts(is_show=True, position='right'))
bar.reversal_axis()
bar.set_global_opts(title_opts=opts.TitleOpts(title="Top10導演"))
page.add(bar) 5.5.2 分析評分分布及評分 Top10 的導演
def VoteSpread():
sns.set_style('white')
movie_average = df['vote_average']
print(movie_average)
plt.figure(figsize=(20, 8), dpi=100)
# 設定組距
distance = 5
group_num = int((max(movie_average) - min(movie_average)))
# 計算組數
# 繪制直方圖用 資料、組數 兩個參數
plt.hist(movie_average, bins=group_num)
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.xticks(range(0, 10)[::1])
plt.grid(linestyle='--', alpha=0.5)
plt.xlabel('電影評分')
plt.ylabel('電影的資料量')
plt.savefig('img/評分分布.png')
plt.show()
dr_sort = dr.groupby('name').mean().sort_values(by=['vote_average', 'vote_count'], ascending=False)
print(dr_sort['vote_average'].head(10))
dr_top10 = dr_sort.head(10).sort_values(by='vote_average', ascending=True)
bar = Bar(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT))
bar.add_xaxis(dr_top10.index.values.tolist())
bar.add_yaxis("評分", dr_top10['vote_average'].values.tolist())
bar.set_series_opts(label_opts=opts.LabelOpts(is_show=True, position='right'))
bar.reversal_axis()
bar.set_global_opts(title_opts=opts.TitleOpts(title="評分Top10導演"))
page.add(bar) 發現資料中大多數電影都是8分，沒有小數位，導緻統計結果出現相同情況，是以按照在評分為8的前提下，根據popularity又進行了一次排序
5.6 how
5.6.1 原創 VS 改編占比（餅圖）
def getBaseOnNovel():
count = 0
for i in df['keywords'].values.tolist():
print(i)
if "based on novel" in str(i):
count = count + 1
print((len(df.values.tolist()) - count) / len(df.values.tolist()))
pie = Pie(init_opts=opts.InitOpts(width="100%", height="700px"))
name = ["原創", "改編"]
value = [len(df.values.tolist()) - count, count]
pie.add("", [list(z) for z in zip(name, value)]) # zip函數兩個部分組合在一起list(zip(x,y))-----> [(x,y)]
pie.set_global_opts(title_opts=opts.TitleOpts(title="原創 VS 改編")) # 标題
pie.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%")) # 資料标簽設定
pie.render('first_bar.html')
page.add(pie) 5.6.2 原創 VS 改編預算/利潤率（組合圖）
def getLilv():
count = 0
var = df[df['keywords'].str.contains('based on novel', na=True)]
df_based = var.sum()
df_all = df.sum()
based_budg = df_based['budget']
based_reve = df_based['revenue']
ori_budg = df_all['budget'] - df_based['budget']
ori_reve = df_all['revenue'] - df_based['revenue']
yusuan = [round(ori_budg / (df.shape[0] - var.shape[0]) / 10000000, 2),
round((based_budg / var.shape[0]) / 10000000, 2)]
lirun = [round(ori_reve / (df.shape[0] - var.shape[0]) / 10000000, 2),
round((based_reve / var.shape[0]) / 10000000, 2)]
lilv = [round(ori_reve / ori_budg, 2), round(based_reve / based_budg, 2)]
line = (
Line(init_opts=opts.InitOpts(width="50%", theme=ThemeType.LIGHT)) # 這裡可以選擇主題
.add_xaxis(['原創', '改編'])
.add_yaxis("利潤率", lilv, stack="stack1", yaxis_index=1)
.extend_axis(
yaxis=opts.AxisOpts(
axislabel_opts=opts.LabelOpts(formatter="{value}%")
)
)
.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right'))
.set_global_opts(
title_opts=opts.TitleOpts(title="原創 VS 改編預算/利潤率"),
yaxis_opts=opts.AxisOpts(
axislabel_opts=opts.LabelOpts(formatter="{value}/千萬")
),
tooltip_opts=opts.TooltipOpts(
is_show=True, trigger="axis", axis_pointer_type="cross"
),
xaxis_opts=opts.AxisOpts(
type_="category",
axispointer_opts=opts.AxisPointerOpts(is_show=True, type_="shadow"),
)
)
)
bar = Bar()
bar.add_xaxis(['原創', '改編']).add_yaxis("平均預算", yusuan, stack="stack1").add_yaxis("平均利潤", lirun, stack="stack1")
bar.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='left'))
line.overlap(bar)
page.add(line) 5.7 how much
5.7.1 計算相關系數（票房相關系數矩陣）
def RelatedNumber():
df.drop(columns=['id', 'ids'], inplace=True)
print(df)
dfData = df.corr()
plt.subplots(figsize=(9, 9)) # 設定畫面大小
sns.heatmap(dfData, annot=True, vmax=1, square=True, cmap="Oranges")
plt.savefig('img/相關系數矩陣.png')
plt.show() 5.7.2 票房影響因素散點圖
def sandiantu():
scatter = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT))
scatter.add_xaxis(df['budget'])
scatter.add_yaxis("利潤", df['revenue'])
scatter.set_global_opts(
xaxis_opts=opts.AxisOpts(
type_="value",
name="預算",
),
yaxis_opts=opts.AxisOpts(
name="利潤"
)
)
scatter.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='left'))
scatter.set_global_opts(title_opts=opts.TitleOpts(title="預算對利潤的影響散點圖"))
scatter1 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT))
scatter1.add_xaxis(df['runtime'])
scatter1.add_yaxis("利潤", df['revenue'])
scatter1.set_global_opts(
xaxis_opts=opts.AxisOpts(
type_="value",
name="電影時長",
),
yaxis_opts=opts.AxisOpts(
name="利潤"
)
)
scatter1.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right'))
scatter1.set_global_opts(title_opts=opts.TitleOpts(title="電影時長對利潤的影響散點圖"))
scatter2 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT))
scatter2.add_xaxis(df['vote_average'])
scatter2.add_yaxis("利潤", df['revenue'])
scatter2.set_global_opts(
xaxis_opts=opts.AxisOpts(
type_="value",
name="評分",
),
yaxis_opts=opts.AxisOpts(
name="利潤"
)
)
scatter2.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right'))
scatter2.set_global_opts(title_opts=opts.TitleOpts(title="評分對利潤的影響散點圖"))
scatter3 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT))
scatter3.add_xaxis(df['vote_count'])
scatter3.add_yaxis("利潤", df['revenue'])
scatter3.set_global_opts(
xaxis_opts=opts.AxisOpts(
type_="value",
name="評分人數",
),
yaxis_opts=opts.AxisOpts(
name="利潤"
)
)
scatter3.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right'))
scatter3.set_global_opts(title_opts=opts.TitleOpts(title="評分人數對利潤的影響散點圖"))
scatter4 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT))
scatter4.add_xaxis(df['popularity'])
scatter4.add_yaxis("利潤", df['revenue'])
scatter4.set_global_opts(
xaxis_opts=opts.AxisOpts(
type_="value",
name="受歡迎度",
),
yaxis_opts=opts.AxisOpts(
name="利潤"
)
)
scatter4.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right'))
scatter4.set_global_opts(title_opts=opts.TitleOpts(title="受歡迎度對利潤的影響散點圖"))
scatter5 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT))
#range(1950, 2020, 1)
scatter5.add_xaxis(df['release_year'])
scatter5.add_yaxis("利潤", df['revenue'])
scatter5.set_global_opts(
xaxis_opts=opts.AxisOpts(
type_="value",
name="上映年份",
min_=1900
),
yaxis_opts=opts.AxisOpts(
name="利潤"
)
)
scatter5.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right'))
scatter5.set_global_opts(title_opts=opts.TitleOpts(title="上映年份對利潤的影響散點圖"))
page.add(scatter, scatter1, scatter2, scatter3,scatter4,scatter5) 6 對附件的 tmdb_1000_predicted.csv 的預測結果
使用sklearn對tmdb_1000_predicted.csv進行預測
from sklearn.cross_decomposition import PLSCanonical
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.neighbors import NearestNeighbors
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression, SGDRegressor, Ridge, RidgeCV, Lasso, ElasticNet, BayesianRidge, \
LogisticRegression
from sklearn.metrics import mean_squared_error
import joblib
import pandas as pd
from sklearn.svm import SVR
import numpy as np
def dump_load_demo():
# 1.擷取資料
df = pd.read_csv('total_2431.csv', sep=',', engine='python', header=[0])
feature_arr = df[['budget', 'popularity', 'revenue', 'runtime']].values
tag_arr = df['vote_count'].values
print(len(tag_arr))
# 2.資料基本處理
# 2.1 資料集劃分
x_train, x_test, y_train, y_test = train_test_split(feature_arr,tag_arr[:,np.newaxis], random_state=350, test_size=0.2)
# 3.特征工程 --标準化
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.fit_transform(x_test)
# 4.機器學習(線性回歸)
# 4.1 模型訓練
estimator =Ridge()
estimator.fit(x_train, y_train)
print("這個模型的偏置是:\n", estimator.intercept_)
# 4.2 模型儲存
joblib.dump(estimator, "save/test.pkl")
# 4.3 模型加載
estimator = joblib.load("save/test.pkl")
# 5.模型評估
# 5.1 預測值和準确率
y_pre = estimator.predict(x_test)
print("預測值是:\n", y_pre)
score = estimator.score(x_test, y_test)
print("準确率是:\n", score)
ret = mean_squared_error(y_test, y_pre)
print("均方誤差是:\n", ret)
if __name__ == '__main__':
dump_load_demo() 正确率75%，很難再往上調了。
預測支援人數：
預測評分：
綜上所述，我們可以得到如下結論：
1.劇情類，喜劇類，驚悚類，動作類電影類型量較多，占據所有類型的50%，且這些類型數量也在不斷增長，是以電影類型可以向這四類靠攏。
2.根據關鍵詞詞雲，可以發現based on novel數量較多，電影可以着手嘗試小說改編，同時，violence、murder，revenge，sequel，prison，police也不少，可以拍攝監獄犯罪、暴力對抗，不斷複仇，且有續集的電影。
3.根據預算與利潤我們可以分析出來：
① 總體來說，這些電影類型都是盈利的，不同的是利潤率
② 還有預算的投入
③ 雖然Documentary類型電影的利潤率最高，但是預算低，它的利潤相對來說也低，如果是小成本電影公司的話，可以嘗試此類電影，如果事大公司可以嘗試高預算且高利潤的電影，比如Animation，Family，Fantasy，Advanture等等，都有着相對較高的利潤
4.根據每月電影數量和單片平均票房，發現電影數量在6、9、12月數量較多，而電影票房在5月份最高，其次是6、11、12，是以，可以嘗試在5月發行電影，有着數量較少的電影，可以減少競争力，還有着不錯的票房收入。
5.根據電影時長分布，電影控制在98~108分鐘是最好的選擇。
6.根據電影票房分布，發現總體票房集中在1~2億美元之間
7.根據票房Top10導演，票房最高為史蒂芬·斯皮爾伯格，第二彼得·傑克遜，第三詹姆斯·卡梅隆，第四邁克爾·貝，可以嘗試找這些導演拍攝影片，這些都是電影票房的保障，可以獲得許多利潤。
8.根據評分分布，發現大部分電影評分集中在7~8分之間
9.根據評分Top10導演，可以選擇詹姆斯·馬什，丹·吉爾羅伊，約什·布恩等等導演，這些導演的影片評分都很不錯，可以留下較好的名譽。
10.根據原創VS改編，發現還是原創居多，可以嘗試原創，但是改編也是不錯的選擇。根據原創VS改編的利潤率，發現改編要比原創高，是以可以嘗試改編，畢竟還有很多原著黨。
11.根據相關系數矩陣，可以發現電影影響因素有很多，期間互相影響也是甚多，比如vote_count與票房就有很大的關系，vote_count和popularity有着71%的聯系，預算與票房也達到了69%的關系，但是也從中看出，評分對票房的影響并不大，呈現負數，可能是跟資料本身有關。
12.根據散點圖，得到以下分析：
①預算對票房的影響是逐漸上升的，想要提高票房可以适當提高預算。
②電影時長集中在100-150分鐘可以有更高的票房
③評分人數越多，會有更高的票房
④受歡迎度對票房的影響是逐漸上升的，受歡迎度越高，票房也就越高。