大数据可视化——基于Python豆瓣电影数据可视化分析

本项目旨在通过对豆瓣电影数据进行综合分析与可视化展示，构建一个基于Python的大数据可视化系统。通过数据爬取收集、清洗、分析豆瓣电影数据，我们提供了一个全面的电影信息平台，为用户提供深入了解电影产业趋势、影片评价与演员表现的工具。项目的关键步骤包括数据采集、数据清洗、数据分析与可视化展示。首先，我们使用爬虫技术从豆瓣电影网站获取丰富的电影数据，包括电影基本信息、评分、评论等存储到Mysql数据库。然后，通过数据清洗与预处理，确保数据的质量与一致性，以提高后续分析的准确性。数据分析阶段主要包括对电影评分分布、不同类型电影的数量分布、评分、演员的影响力等方面的深入研究。基于Echarts进行可视化展示，借助Python中的数据分析库（如Pandas、NumPy）和可视化库（如Matplotlib、Seaborn），我们能够以图表的形式清晰地展示电影数据的特征和趋势。最终，我们将分析结果以交互式的可视化界面呈现，用户可以通过系统自定义的查询与过滤功能，深入挖掘他们感兴趣的电影信息。这个项目不仅为电影爱好者提供了一个全面的数据参考平台，也为电影产业从业者提供了洞察行业动向的工具。

最后我们爬取到的字段信息：电影名，评分，封面图，详情url，上映时间，导演，类型，制作国家，语言，片长，电影简介，星星比例，多少人评价，预告片，前五条评论，五张详情图片

 for i,moveInfomation in enumerate(moveisInfomation):try:resultData = {}# 详情resultData['detailLink'] = detailUrls[i]# 导演（数组）resultData['directors'] = ','.join(moveInfomation['directors'])# 评分resultData['rate'] = moveInfomation['rate']# 影片名resultData['title'] = moveInfomation['title']# 主演（数组）resultData['casts'] = ','.join(moveInfomation['casts'])# 封面resultData['cover'] = moveInfomation['cover']# =================进入详情页====================detailMovieRes = requests.get(detailUrls[i], headers=headers)soup = BeautifulSoup(detailMovieRes.text, 'lxml')# 上映年份resultData['year'] = re.findall(r'[(](.*?)[)]',soup.find('span', class_='year').get_text())[0]types = soup.find_all('span',property='v:genre')for i,span in enumerate(types):types[i] = span.get_text()# 影片类型（数组）resultData['types'] = ','.join(types)country = soup.find_all('span',class_='pl')[4].next_sibling.strip().split(sep='/')for i,c in enumerate(country):country[i] = c.strip()# 制作国家（数组）resultData['country'] = ','.join(country)lang = soup.find_all('span', class_='pl')[5].next_sibling.strip().split(sep='/')for i, l in enumerate(lang):lang[i] = l.strip()# 影片语言（数组）resultData['lang'] = ','.join(lang)upTimes = soup.find_all('span',property='v:initialReleaseDate')upTimesStr = ''for i in upTimes:upTimesStr = upTimesStr + i.get_text()upTime = re.findall(r'\d*-\d*-\d*',upTimesStr)[0]# 上映时间resultData['time'] = upTimeif soup.find('span',property='v:runtime'):# 时间长度resultData['moveiTime'] = re.findall(r'\d+',soup.find('span',property='v:runtime').get_text())[0]else:# 时间长度resultData['moveiTime'] = random.randint(39,61)# 评论个数resultData['comment_len'] = soup.find('span',property='v:votes').get_text()starts = []startAll = soup.find_all('span',class_='rating_per')for i in startAll:starts.append(i.get_text())# 星星比例（数组）resultData['starts'] = ','.join(starts)# 影片简介resultData['summary'] = soup.find('span',property='v:summary').get_text().strip()# 五条热评comments_info = soup.find_all('span', class_='comment-info')comments = [{} for x in range(5)]for i, comment in enumerate(comments_info):comments[i]['user'] = comment.contents[1].get_text()comments[i]['start'] = re.findall('(\d*)', comment.contents[5].attrs['class'][0])[7]comments[i]['time'] = comment.contents[7].attrs['title']contents = soup.find_all('span', class_='short')for i in range(5):comments[i]['content'] = contents[i].get_text()resultData['comments'] = json.dumps(comments)# 五张详情图imgList = []lis = soup.select('.related-pic-bd img')for i in lis:imgList.append(i['src'])resultData['imgList'] = ','.join(imgList)

将结果保存到CSV文件和SQL数据库中，并在完成后更新页数记录。

从豆瓣电影数据中提取演员和导演的电影数量信息，以便后续的分析和可视化展示。

def getAllActorMovieNum():allData = homeData.getAllData()ActorMovieNum = {}for i in allData:for j in i[1]:if ActorMovieNum.get(j,-1) == -1:ActorMovieNum[j] = 1else:ActorMovieNum[j] = ActorMovieNum[j] + 1ActorMovieNum = sorted(ActorMovieNum.items(), key=lambda x: x[1])[-20:]x = []y = []for i in ActorMovieNum:x.append(i[0])y.append(i[1])return x,y

定义统计导演执导电影数量的函数getAllDirectorMovieNum()：

def getAllDirectorMovieNum():allData = homeData.getAllData()ActorMovieNum = {}for i in allData:for j in i[4]:if ActorMovieNum.get(j,-1) == -1:ActorMovieNum[j] = 1else:ActorMovieNum[j] = ActorMovieNum[j] + 1ActorMovieNum = sorted(ActorMovieNum.items(), key=lambda x: x[1])[-20:]x = []y = []for i in ActorMovieNum:x.append(i[0])y.append(i[1])return x,y

allData = homeData.getAllData()：调用homeData模块中的getAllData函数，获取所有的电影数据，并将其保存在allData变量中。
ActorMovieNum = {}：创建一个空字典ActorMovieNum，用于存储导演与其执导电影数量的映射。
for i in allData:：遍历所有电影数据，其中i代表每一部电影的信息。
for j in i[4]:：在每部电影的信息中，使用i[4]访问导演的信息，然后遍历每个导演。
if ActorMovieNum.get(j, -1) == -1:：检查字典ActorMovieNum中是否已经存在该导演的记录。如果不存在，则将该导演作为键加入字典，并将对应的值初始化为1。
else:：如果字典中已存在该导演的记录，则将对应的值加1，表示该导演又执导了一部电影。
ActorMovieNum = sorted(ActorMovieNum.items(), key=lambda x: x[1])[-20:]：将字典中的导演及其执导电影数量按照电影数量进行降序排序，然后取排序后的前20项。排序的依据是key=lambda x: x[1]，即按照字典中的值进行排序。
x = [] 和 y = []：创建两个空列表，用于存储导演名称和对应的执导电影数量。
for i in ActorMovieNum:：遍历排序后的前20项导演及其执导电影数量。
x.append(i[0]) 和 y.append(i[1])：将导演的名称和执导电影数量分别加入列表x和y。
return x, y：返回存储导演名称和执导电影数量的两个列表。

从名为homeData的模块中导入getAllData函数，然后使用pandas库创建一个数据框（DataFrame）df。getAllData函数的返回值被传递给DataFrame的构造函数，同时指定了数据框的列名。

from . import homeData: 这行代码从当前目录（.表示当前目录）导入homeData模块。
import pandas as ps: 这行代码导入pandas库，并使用ps作为别名。一般来说，pandas的别名是pd，但在这里使用了ps。
df = ps.DataFrame(homeData.getAllData(), columns=[...]): 这行代码创建一个数据框df，并使用homeData.getAllData()的返回值填充数据框。列名由columns参数指定，列的顺序与列表中的顺序相对应。列名包括：
- ‘id’: 电影ID
- ‘directors’: 导演
- ‘rate’: 评分
- ‘title’: 标题
- ‘casts’: 演员
- ‘cover’: 封面
- ‘year’: 上映年份
- ‘types’: 类型
- ‘country’: 制片国家
- ‘lang’: 语言
- ‘time’: 时长
- ‘moveiTime’: 电影时长
- ‘comment_len’: 评论长度
- ‘starts’: 星级
- ‘summary’: 摘要
- ‘comments’: 评论
- ‘imgList’: 图片列表
- ‘movieUrl’: 电影链接
- ‘detailLink’: 详细链接

这样就创建了一个包含特定列名的数据框，其中的数据来自homeData.getAllData()函数的返回结果。

from . import homeDataimport pandas as psdf = ps.DataFrame(homeData.getAllData(),columns=['id','directors','rate','title','casts','cover','year','types','country','lang','time','moveiTime','comment_len','starts','summary','comments','imgList','movieUrl','detailLink'])

从数据框（DataFrame）中的’country’列中提取地址数据。数据框中的地址数据提取出来，并统计每个地址出现的次数。它首先检查’country’列中的每个元素，如果元素是一个列表，则将列表中的每个元素添加到一个新的列表（address）中。然后，它创建一个字典（addressDic），将地址作为键，出现次数作为值，最后返回地址列表和对应的出现次数列表。

def getAddressData():# 获取名为 'country' 的列的值addresses = df['country'].values# 创建一个空列表来存储地址address = []# 遍历 'country' 列的每个元素for i in addresses:# 如果元素是列表类型if isinstance(i, list):# 遍历列表中的每个元素并添加到 address 列表中for j in i:address.append(j)else:# 如果元素不是列表类型，直接将其添加到 address 列表中address.append(i)# 创建一个空字典来存储地址及其出现次数addressDic = {}# 遍历地址列表中的每个元素for i in address:# 如果地址字典中不存在该地址，则将其添加并设置出现次数为1if addressDic.get(i, -1) == -1:addressDic[i] = 1else:# 如果地址字典中已存在该地址，则将其出现次数加1addressDic[i] = addressDic[i] + 1# 返回地址列表和对应的出现次数列表return list(addressDic.keys()), list(addressDic.values())

从数据框的’lang’列中提取语言数据，并统计每种语言出现的次数。最终返回语言列表和对应的出现次数列表。

def getLangData():# 获取名为 'lang' 的列的值langs = df['lang'].values# 创建一个空列表来存储语言数据languages = []# 遍历 'lang' 列的每个元素for i in langs:# 如果元素是列表类型if isinstance(i, list):# 遍历列表中的每个元素并添加到 languages 列表中for j in i:languages.append(j)else:# 如果元素不是列表类型，直接将其添加到 languages 列表中languages.append(i)# 创建一个空字典来存储语言及其出现次数langsDic = {}# 遍历语言列表中的每个元素for i in languages:# 如果语言字典中不存在该语言，则将其添加并设置出现次数为1if langsDic.get(i, -1) == -1:langsDic[i] = 1else:# 如果语言字典中已存在该语言，则将其出现次数加1langsDic[i] = langsDic[i] + 1# 返回语言列表和对应的出现次数列表return list(langsDic.keys()), list(langsDic.values())