王 S 聪想要在海外开拓万 D 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，他就请来了你（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。
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？
本次使用的数据来自于 Kaggle 平台（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。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
请使用 Python 编程，完成下列问题：
（1）使用附件中的 tmdb_5000_movies .csv 和 tmdb_5000_credits .csv 数据集，进
行数据清洗、数据挖掘、数据分析和数据可视化等，研究电影票房的影响因素有
哪些？从不同的维度分析电影，讨论并分析你的结果。
（2）附件 tmdb_1000_predict.csv 中包含 1000 部电影的基本信息，请你选择
合适的指标，进行特征提取，建立机器学习的预测模型，预测 1000 部电影的
vote_average 和 vote_count，并保存为 tmdb_1000_predicted.csv。
首先是数据清洗：在爱数科上进行
2.数据清洗
1.导入数据
2.缺失值处理
缺失记录仅 3941条，采取网上搜索，补全信息。
2.1 补全 release_date
缺失记录的电影标题为《America Is Still the Place》，日期为 2014-06-01。
2.2 补全 runtime
1. Chiamatemi Francesco - Il Papa della gente
2. To Be Frank, Sinatra at 100
缺失记录的电影 runtime 分别为94min 和81min。
3 重复值处理
运行结果：有0个不重复的 id，可以认为没有重复数据。
4 日期值处理
将release_date列转换为日期类型：（两种方式）
def changeRelease_date():
df['release_date'] = pd.to_datetime(df['release_date']) 5 筛选数据
使用数据分析师最喜欢的一个语法：
票房、预算、受欢迎程度、评分为负数或者0的数据应该去除；
五个不为负数或者0筛选条件，进行筛选
评分人数过低的电影，评分不具有统计意义，筛选评分人数大于178的数据。
此时剩余___2422___条数据，包含___20___个字段。
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']
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 数据备份
df_copy = df.copy()
df.reset_index().to_csv("copy.csv") 数据清洗over
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(','):
genre = set().union(i,genre)
print(genre) 注意到集合中存在多余的元素：空的单引号，所以需要去除。
5.2.1.1 电影类型数量（绘制条形图）
采用pyecharts画图
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("电影类型数量", 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="电影类型数量"))
page.add(bar) 5.2.1.2 电影类型占比（绘制饼图）
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函数两个部分组合在一起list(zip(x,y))-----> [(x,y)]
pie.set_global_opts(title_opts=opts.TitleOpts(title="电影类型占比")) # 标题
pie.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%")) # 数据标签设置
pie.render('first_bar.html')
page.add(pie) 5.2.1.3 电影类型变化趋势（绘制折线图）
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="电影类型变化趋势", ))
line.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
line.render_notebook()
page.add(line) 5.2.1.4 不同电影类型预算/利润（绘制组合图）
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)) # 这里可以选择主题
.add_xaxis(df_all.index.values.tolist())
.add_yaxis("利润/预算", 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="不同电影类型预算/利润"),
yaxis_opts=opts.AxisOpts(
axislabel_opts=opts.LabelOpts(formatter="{value}/千万")
),
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("平均预算", budg, stack="stack1").add_yaxis("平均利润", 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 电影关键词（keywords 关键词分析，绘制词云图）
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: # 为空列表 滤掉
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
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。
print(df.runtime) 先将其转换为数值类型，int
df.runtime = df.runtime.astype(int)
print(df.runtime)) 5.3.1 电影时长（绘制电影时长直方图）
直方图pyecharts画不了
所以使用matplotlib画
def RunTime():
df.runtime = df.runtime.astype(float)
sns.set_style('white')
movie_duration = df.runtime
plt.figure(figsize=(20, 8), dpi=100)
# 设置组距
distance = 5
group_num = int((max(movie_duration) - min(movie_duration)) / distance)
# 计算组数
# 绘制直方图用 数据、组数 两个参数
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('电影时长大小')
plt.ylabel('电影的数据量')
plt.savefig('img/电影时长直方图.png')
plt.show() 5.3.2 发行时间（绘制每月电影数量和单片平均票房）
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("电影数量", df_number.values.tolist())
bar.add_yaxis("单片平均票房/百万", y2)
bar.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right'))
bar.set_global_opts(title_opts=opts.TitleOpts(title="每月电影数量和单片平均票房"))
page.add(bar) 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 分析票房分布及票房 Top10 的导演
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)
# 设置组距
distance = 5
group_num = int(max(ss) - min(ss))
# 计算组数
# 绘制直方图用 数据、组数 两个参数
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('电影票房/亿')
plt.ylabel('电影的数据量')
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("总票房/亿", 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导演"))
page.add(bar) 5.5.2 分析评分分布及评分 Top10 的导演
def VoteSpread():
sns.set_style('white')
movie_average = df['vote_average']
print(movie_average)
plt.figure(figsize=(20, 8), dpi=100)
# 设置组距
distance = 5
group_num = int((max(movie_average) - min(movie_average)))
# 计算组数
# 绘制直方图用 数据、组数 两个参数
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('电影评分')
plt.ylabel('电影的数据量')
plt.savefig('img/评分分布.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("评分", 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="评分Top10导演"))
page.add(bar) 发现数据中大多数电影都是8分，没有小数位，导致统计结果出现相同情况，所以按照在评分为8的前提下，根据popularity又进行了一次排序
5.6 how
5.6.1 原创 VS 改编占比（饼图）
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 = ["原创", "改编"]
value = [len(df.values.tolist()) - count, count]
pie.add("", [list(z) for z in zip(name, value)]) # zip函数两个部分组合在一起list(zip(x,y))-----> [(x,y)]
pie.set_global_opts(title_opts=opts.TitleOpts(title="原创 VS 改编")) # 标题
pie.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%")) # 数据标签设置
pie.render('first_bar.html')
page.add(pie) 5.6.2 原创 VS 改编预算/利润率（组合图）
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)) # 这里可以选择主题
.add_xaxis(['原创', '改编'])
.add_yaxis("利润率", 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="原创 VS 改编预算/利润率"),
yaxis_opts=opts.AxisOpts(
axislabel_opts=opts.LabelOpts(formatter="{value}/千万")
),
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(['原创', '改编']).add_yaxis("平均预算", yusuan, stack="stack1").add_yaxis("平均利润", 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 计算相关系数（票房相关系数矩阵）
def RelatedNumber():
df.drop(columns=['id', 'ids'], inplace=True)
print(df)
dfData = df.corr()
plt.subplots(figsize=(9, 9)) # 设置画面大小
sns.heatmap(dfData, annot=True, vmax=1, square=True, cmap="Oranges")
plt.savefig('img/相关系数矩阵.png')
plt.show() 5.7.2 票房影响因素散点图
def sandiantu():
scatter = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT))
scatter.add_xaxis(df['budget'])
scatter.add_yaxis("利润", df['revenue'])
scatter.set_global_opts(
xaxis_opts=opts.AxisOpts(
type_="value",
name="预算",
),
yaxis_opts=opts.AxisOpts(
name="利润"
)
)
scatter.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='left'))
scatter.set_global_opts(title_opts=opts.TitleOpts(title="预算对利润的影响散点图"))
scatter1 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT))
scatter1.add_xaxis(df['runtime'])
scatter1.add_yaxis("利润", df['revenue'])
scatter1.set_global_opts(
xaxis_opts=opts.AxisOpts(
type_="value",
name="电影时长",
),
yaxis_opts=opts.AxisOpts(
name="利润"
)
)
scatter1.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right'))
scatter1.set_global_opts(title_opts=opts.TitleOpts(title="电影时长对利润的影响散点图"))
scatter2 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT))
scatter2.add_xaxis(df['vote_average'])
scatter2.add_yaxis("利润", df['revenue'])
scatter2.set_global_opts(
xaxis_opts=opts.AxisOpts(
type_="value",
name="评分",
),
yaxis_opts=opts.AxisOpts(
name="利润"
)
)
scatter2.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right'))
scatter2.set_global_opts(title_opts=opts.TitleOpts(title="评分对利润的影响散点图"))
scatter3 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT))
scatter3.add_xaxis(df['vote_count'])
scatter3.add_yaxis("利润", df['revenue'])
scatter3.set_global_opts(
xaxis_opts=opts.AxisOpts(
type_="value",
name="评分人数",
),
yaxis_opts=opts.AxisOpts(
name="利润"
)
)
scatter3.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right'))
scatter3.set_global_opts(title_opts=opts.TitleOpts(title="评分人数对利润的影响散点图"))
scatter4 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT))
scatter4.add_xaxis(df['popularity'])
scatter4.add_yaxis("利润", df['revenue'])
scatter4.set_global_opts(
xaxis_opts=opts.AxisOpts(
type_="value",
name="受欢迎度",
),
yaxis_opts=opts.AxisOpts(
name="利润"
)
)
scatter4.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right'))
scatter4.set_global_opts(title_opts=opts.TitleOpts(title="受欢迎度对利润的影响散点图"))
scatter5 = Scatter(init_opts=opts.InitOpts(width="100%", theme=ThemeType.LIGHT))
#range(1950, 2020, 1)
scatter5.add_xaxis(df['release_year'])
scatter5.add_yaxis("利润", df['revenue'])
scatter5.set_global_opts(
xaxis_opts=opts.AxisOpts(
type_="value",
name="上映年份",
min_=1900
),
yaxis_opts=opts.AxisOpts(
name="利润"
)
)
scatter5.set_series_opts(label_opts=opts.LabelOpts(is_show=False, position='right'))
scatter5.set_global_opts(title_opts=opts.TitleOpts(title="上映年份对利润的影响散点图"))
page.add(scatter, scatter1, scatter2, scatter3,scatter4,scatter5) 6 对附件的 tmdb_1000_predicted.csv 的预测结果
使用sklearn对tmdb_1000_predicted.csv进行预测
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.获取数据
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.数据基本处理
# 2.1 数据集划分
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 --标准化
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.fit_transform(x_test)
# 4.机器学习(线性回归)
# 4.1 模型训练
estimator =Ridge()
estimator.fit(x_train, y_train)
print("这个模型的偏置是:\n", estimator.intercept_)
# 4.2 模型保存
joblib.dump(estimator, "save/test.pkl")
# 4.3 模型加载
estimator = joblib.load("save/test.pkl")
# 5.模型评估
# 5.1 预测值和准确率
y_pre = estimator.predict(x_test)
print("预测值是:\n", y_pre)
score = estimator.score(x_test, y_test)
print("准确率是:\n", score)
ret = mean_squared_error(y_test, y_pre)
print("均方误差是:\n", ret)
if __name__ == '__main__':
dump_load_demo() 正确率75%，很难再往上调了。
预测支持人数：
预测评分：
综上所述，我们可以得到如下结论：
1.剧情类，喜剧类，惊悚类，动作类电影类型量较多，占据所有类型的50%，且这些类型数量也在不断增长，因此电影类型可以向这四类靠拢。
2.根据关键词词云，可以发现based on novel数量较多，电影可以着手尝试小说改编，同时，violence、murder，revenge，sequel，prison，police也不少，可以拍摄监狱犯罪、暴力对抗，不断复仇，且有续集的电影。
3.根据预算与利润我们可以分析出来：
① 总体来说，这些电影类型都是盈利的，不同的是利润率
② 还有预算的投入
③ 虽然Documentary类型电影的利润率最高，但是预算低，它的利润相对来说也低，如果是小成本电影公司的话，可以尝试此类电影，如果事大公司可以尝试高预算且高利润的电影，比如Animation，Family，Fantasy，Advanture等等，都有着相对较高的利润
4.根据每月电影数量和单片平均票房，发现电影数量在6、9、12月数量较多，而电影票房在5月份最高，其次是6、11、12，因此，可以尝试在5月发行电影，有着数量较少的电影，可以减少竞争力，还有着不错的票房收入。
5.根据电影时长分布，电影控制在98~108分钟是最好的选择。
6.根据电影票房分布，发现总体票房集中在1~2亿美元之间
7.根据票房Top10导演，票房最高为史蒂芬·斯皮尔伯格，第二彼得·杰克逊，第三詹姆斯·卡梅隆，第四迈克尔·贝，可以尝试找这些导演拍摄影片，这些都是电影票房的保障，可以获得许多利润。
8.根据评分分布，发现大部分电影评分集中在7~8分之间
9.根据评分Top10导演，可以选择詹姆斯·马什，丹·吉尔罗伊，约什·布恩等等导演，这些导演的影片评分都很不错，可以留下较好的名誉。
10.根据原创VS改编，发现还是原创居多，可以尝试原创，但是改编也是不错的选择。根据原创VS改编的利润率，发现改编要比原创高，所以可以尝试改编，毕竟还有很多原著党。
11.根据相关系数矩阵，可以发现电影影响因素有很多，期间相互影响也是甚多，比如vote_count与票房就有很大的关系，vote_count和popularity有着71%的联系，预算与票房也达到了69%的关系，但是也从中看出，评分对票房的影响并不大，呈现负数，可能是跟数据本身有关。
12.根据散点图，得到以下分析：
①预算对票房的影响是逐步上升的，想要提高票房可以适当提高预算。
②电影时长集中在100-150分钟可以有更高的票房
③评分人数越多，会有更高的票房
④受欢迎度对票房的影响是逐步上升的，受欢迎度越高，票房也就越高。