跳至主要內容

案例：TMDB-TOP300电影榜单分析

Nanxu2026/4/16大约 5 分钟

需求分析

案例基于 TMDB 电影数据集，通过 Pandas 进行数据清洗与统计，并利用 Matplotlib 完成以下四个维度的可视化分析：

  1. 趋势分析：统计 TOP300 电影中，每一年上映电影数量的变化趋势（折线图）。
  2. 语言分布：统计并对比不同语言电影的数量分布（柱状图）。
  3. 类型偏好：统计并对比不同类型电影的数量占比（柱状图）。
  4. 评分构成：统计各个评分区间的电影比例（饼状图）。

1.准备工作

在开始分析之前，需要导入必要的依赖库、配置绘图环境、规划画布布局并加载原始数据。

1.1 导入依赖库

09.TMDB-TOP300电影榜单分析.ipynb
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.axes import Axes

1.2 配置运行时参数

为了确保图表中的中文和负号能正常显示，需要预先设置 Matplotlib 的全局参数。

09.TMDB-TOP300电影榜单分析.ipynb
# 展示中文
plt.rcParams["font.sans-serif"] = ["SimHei"]

1.3 创建子图布局

为了在一个画布上展示四个不同的图表，我们使用 plt.subplots(2, 2) 创建一个 2 行 2 列的网格布局。

09.TMDB-TOP300电影榜单分析.ipynb
# 创建 2x2 的子图画布
fig, axes = plt.subplots(2, 2, figsize=(20, 12), dpi=100)
# 添加画布标题
fig.suptitle("TMDB-TOP300电影榜单数据统计", fontsize=20, x=0.5, y=0.95)
# 调整子图间距，hspace：控制垂直间距，wspace：控制水平间距
fig.subplots_adjust(hspace=0.3, wspace=0.2)

# 获取子图
axes1: Axes = axes[0][0]
axes2: Axes = axes[0][1]
axes3: Axes = axes[1][0]
axes4: Axes = axes[1][1]

1.4 加载数据

1.4.1 初步加载数据

首先尝试加载数据的前 30 行进行观察：

09.TMDB-TOP300电影榜单分析.ipynb
# 加载数据
data = pd.read_csv("data/movies.csv", nrows=30, usecols=["电影名", "年份", "上映时间", "类型", "时长", "评分", "语言"])
data
初步加载数据预览
初步加载数据预览

1.4.2 发现数据类型问题

观察输出结果，你会发现 年份 列的数据显示为 NaN 或者带有小数点（如 2023.0）。这是因为当 CSV 文件中某列存在缺失值时，Pandas 默认会将其转换为 float64 类型以兼容 NaN。

可以通过 dtypes 属性查看：

09.TMDB-TOP300电影榜单分析.ipynb
data.dtypes

运行结果:

电影名      object
年份      float64  <-- 注意这里变成了浮点型
上映时间     object
类型       object
时长        int64
评分        int64
语言       object
dtype: object

1.4.3 修正数据类型

为了保持年份为整数格式且支持缺失值，我们在读取数据时显式指定 年份 列的类型为 Int64（注意是大写的 I，这是 Pandas 特有的可空整数类型）。

09.TMDB-TOP300电影榜单分析.ipynb
# 重新加载数据，并指定“年份”列为可空整数类型
data = pd.read_csv("data/movies.csv", nrows=30, usecols=["电影名", "年份", "上映时间", "类型", "时长", "评分", "语言"],
                   dtype={"年份": "Int64"})
data

运行结果:

修正数据类型后的数据预览
修正数据类型后的数据预览

相关信息

  • int64：传统的 NumPy 整数类型，不支持缺失值（NaN）。
  • Int64：Pandas 扩展整数类型，支持缺失值，显示时会保留整数格式而非浮点数。

2.绘制电影数量变化趋势折线图

2.1 处理缺失值

在原始数据中，部分电影的 年份 字段可能为空。观察数据可以发现，上映时间 字段（如 "2023-05-01"）包含了年份信息。我们可以利用 Pandas 的字符串切片功能提取前四位，并将其填充到缺失的 年份 列中。具体方法可参考Pandas 数据清洗 - 填充缺失值。

09.TMDB-TOP300电影榜单分析.ipynb
data = pd.read_csv("data/movies.csv", usecols=["电影名", "年份", "上映时间", "类型", "时长", "评分", "语言"],
                   dtype={"年份": "Int64"})

# str[:4] 会提取类似 "2023-05-01" 中的 "2023"
data["年份"] = data["年份"].fillna(data["上映时间"].str[:4])
data.head(30)

运行结果:

补全年份缺失值
补全年份缺失值

2.2 组装数据

09.TMDB-TOP300电影榜单分析.ipynb
# 1. 统计每年的电影数量
year_count = data.groupby("年份")["年份"].count()

# 2. 确定年份范围
min_year = year_count.index.min()
max_year = year_count.index.max()

# 3. 构建完整的 X 轴数据（从最小年份到最大年份的连续序列）
x = list(range(min_year, max_year + 1))

# 4. 构建对应的 Y 轴数据
# 使用 get(i, 0) 确保如果某年没有数据，则返回 0
y = [int(year_count.get(i, 0)) for i in x]

2.3 绘制折线图

09.TMDB-TOP300电影榜单分析.ipynb
# 绘制折线
ax1.plot(x, y, color="green")

# 设置标题和坐标轴标签
ax1.set_title("年度电影产量变化趋势", fontsize=16)
ax1.set_xlabel("年份", fontsize=12)
ax1.set_ylabel("电影数量 (部)", fontsize=12)

# 每隔 10 年显示一个标签
ax1.set_xticks(x[::10])

# 动态计算步长
max_val = max(y)
step = 5
y_ticks = list(range(0, (max_val // step + 2) * step, step))
ax1.set_yticks(y_ticks)

# 添加网格线
ax1.grid(linestyle="--", alpha=0.3)

运行结果:

电影数量变化趋势
电影数量变化趋势

3.绘制不同语言电影数量柱状图

09.TMDB-TOP300电影榜单分析.ipynb
# 1. 统计各语言电影数量并按降序排列
language_count = data.groupby("语言")["语言"].count().sort_values(ascending=False)

# 2. 提取 X 轴（语言名称）和 Y 轴（数量）数据
x_language = language_count.index.tolist()
y_language_count = language_count.values.tolist()

# 3. 在第二个子图 (ax2) 上绘制柱状图
ax2.bar(x_language, y_language_count, color="coral")

# 4. 设置标题、标签及刻度样式
ax2.set_title("不同语言电影数量分布", fontsize=16)
ax2.set_xlabel("语言", fontsize=12)
ax2.set_ylabel("电影数量 (部)", fontsize=12)

# 5. 旋转 X 轴标签，防止长文本重叠
ax2.tick_params(axis="x", rotation=45)

# 6. 添加网格线
ax2.grid(axis="y", linestyle="--", alpha=0.3)

运行结果:

电影数量变化趋势
电影数量变化趋势