- 综合排序
- 最热优先
- 最新优先
- 来自专栏我是思聪
豆瓣电影数据分析
一个多月后回过头来看，这篇报告虽然写得有模有样，但和数据分析报告还是有挺大差别的，主要原因在于： a.只是针对豆瓣电影数据分析太过宽泛了，具体关键指标到底是哪些呢？ ； 3.比起网上能搜到的其他豆瓣电影数据分析，它更为详细，可视化效果也不错； 概述 本篇报告旨在针对豆瓣电影1990-2020的电影数据进行分析，首先通过编写Python网络爬虫爬取了51375条电影数据 表格 3 各地区电影均分年度变化的相关系数 图 8 全局与局部地区均分对比关系 再作出中国大陆，中国台湾，中国香港的均分箱线图图9(a)，可以看到，大陆电影均分低于港台电影，且存在大量低分电影拉低了箱体的位置 图9(b)可以进一步反映这一点。 图 9 中国各地区与全部地区年度均分对比 ： (a)中国各地区电影评分箱线图，(b) 全局与局部地区均分对比 3.电影数据的类型分析 3.1 不同类型电影的特点 图 10 各类型电影评分、评论人数
4.4K30编辑于 2022-05-13 - 来自专栏Soul Joy Hub
移动电影售票系统案例分析
议题与其他 UC002：查询电影票 用例名： 查询电影票 用例编号 UC002 参与者 潜在会员，会员 用例描述 参与者根据电影的名称、导演、以及演员，检索出所需电影的详细信息和 系统按查询条件查询电影信息和价格信息 4. 系统显示查询到电影详细信息 5. 参与者选中某个电影 6. 系统显示该电影的详细信息 替代流程 3a. 商户请求发布电影信息 2. 系统显示发布电影信息界面 3. 商户输入电影信息 4. 系统检查输入的电影信息 5. 系统顺序图：引导从用例过渡到系统的功能 BCE模式顺序图： 鲁棒性分析方法（ 边界对象 控制对象 实体对象 ） UC001：注册会员 ? UC002:查询手机 ? 面向对象 什么是面向对象的分析? 面向对象的分析（Object Oriented Analysis，OOA）强调的是在问题域内发现和描述对象（或概念）。
2.4K50发布于 2019-02-13 - 来自专栏毛利学Python
多模型电影短评情感分析
多模型电影短评情感分析 首先，从传统的特征提取方面对比了BOW、TF-IDF、N-Gram技术，并使用不同的机器学习算法构建了不同的子模型，然后又采用了Stacking模型融合技术对短评情感进行了进一步的探索 言归正传，下面一起来看看电影短评情感分析的结果吧！ 者将从以下几个大方向构建电影短评情感分析模型： 基于Bag-Of-Words特征的文本分类模型 基于TF-IDF特征的文本分类模型 基于Stacking模型融合的情感分析 基于深度学习的短评情感分析 基于 数据集说明 data目录里面的数据，只有2万行， 本项目为电影短评情感分析项目，代码文件说明： code/preprocessing.py]: 预处理文件 code/stacking.py: stacking code/dl_sa.py: 基于深度学习的情感分析模型。
62020编辑于 2022-12-20 - 来自专栏毛利学Python
TMDB电影数据分析报告
TMDB电影数据分析报告 前言 数据分析的基本流程： 提出问题 理解数据 数据清洗 构建模型 数据可视化 形成报告 一、提出问题 本次报告的主要任务是：根据历史电影数据，分析哪种电影收益能力更好 导入数据集后，通过对数据的查看，并结合要分析的问题，筛选出以下9个要重点分析的变量： |序号|变量名|说明 |------ |1|budget|电影预算（单位：美元） |2|genres|电影风格 |3 特征选择：在分析每一个小问题之前，都要通过特征提取，选择最适合分析的变量，即在分析每一个小问题时，都要先构造一个数据框，放入要分析的变量，而不是在原数据框中乱涂乱画。 ', fontsize=20) plt.show() 不同电影风格的受欢迎程度分析： #定义一个数据框，以电影类型为索引，以每种电影类型的受欢迎程度为值 df_gen_popu = pd.DataFrame = 15) plt.xticks(np.arange(11)) plt.grid(True) plt.show() 原创电影与改编电影对比分析： #原创电影与改编电影对比分析 original_novel
1.3K50编辑于 2022-09-22 - 来自专栏一英里广度一英寸深度的学习
SparkSQL 电影评价数据分析
approximately 3,900 movies made by 6,040 MovieLens users who joined MovieLens in 2000. 2000年，100万条电影评价数据集 ，包括3900部电影和6040个用户。 M| 540| | 8| M| 14| | 8| F| 3| | 9| F| 89| | 9| M| 3| +----------+------+-------------+ only showing ; else return false; } ) 总结 本文通过电影数据集分析代码
1.2K30发布于 2018-09-12 - 来自专栏Python小二
Python 分析电影《南方车站的聚会》
《南方车站的聚会》由刁亦男执导，主要演员包括：胡歌、桂纶镁、廖凡、万茜等，该片于 2019 年 5 月 18 在戛纳电影节首映，2019 年 12 月 6 日在中国正式上映。 我们可以看到有 5 万多条影评，目前豆瓣对查看影评数据的限制是：未登录最多可以查看 200 条数据，登录用户最多可以查看 500 条数据，我们要做的是通过 Python 爬取豆瓣 500 条影评数据，然后进行数据分析 '人物', '没有', '不是', '一种', '个人' '如果', '之后', '出来', '开始', '就是', '电影 上面我们只使用了评论内容信息，还有时间和星级信息没有使用，最后我们可以用这两项数据分析下随着时间的变化影片星级的波动情况，以月为单位统计影片从首映（2019 年 5 月）到当前时间（2019 年 12月 参考：https://baike.baidu.com/item/%E5%8D%97%E6%96%B9%E8%BD%A6%E7%AB%99%E7%9A%84%E8%81%9A%E4%BC%9A/22547693
83530发布于 2020-08-18 - 来自专栏ATYUN订阅号
利用机器学习分析电影偏好，探究电影情感历程以优化剧本
他们的研究重点是电影的情感历程，调查这些是否属于不同的类别，以及它们是否与电影的成功有关。 研究人员使用了包含6174部电影的数据集进行训练，每部电影都有完整的剧本，收入数据，IMDb评级和其他相关信息。 他们使用自然语言处理（NLP）算法，分析电影脚本以确定情感历程，然后利用这些结果在收入与公众接受度方面探讨电影的情感历程与其成功之间的关系。 尽管这些电影的平均表现更好，但研究人员指出，“如果说电影业应该只制作《Man in a Hole》，那就过于简单了。精心挑选的制作预算与流派相结合，可以制作出经济上成功又能表现各种情绪弧线的电影。” “在未来，我们希望创建可靠的方法来分析所有媒体中的情绪弧线，包括纪录片等非小说类作品以及YouTube上的短片等视频。一旦我们对这个工具进行了优化，我们就可以将该公司的业务商业化。”
80810发布于 2018-07-27 - 来自专栏JackieZheng
Java豆瓣电影爬虫——使用Word2Vec分析电影短评数据
在上篇实现了电影详情和短评数据的抓取。到目前为止，已经抓了2000多部电影电视以及20000多的短评数据。 数据本身没有规律和价值，需要通过分析提炼成知识才有意义。 抱着试试玩的想法，准备做一个有关情感分析方面的统计，看看这些评论里面的小伙伴都抱着什么态度来看待自己看过的电影，怀着何种心情写下的短评。 获取数据（这里是豆瓣电影短评数据） 2. 数据处理（将短评数据使用分词器分词，并以空格连接分词结果） 3. 载入训练模型，分析感兴趣的维度（比如，近义词分词，关联词分析） Github： https://github.com/NLPchina/Word2VEC_java 获取数据 数据就用短评数据 ，2万多条，对应的大概是2000多部的电影，一部电影抓的短评数在10条左右。
1.9K91发布于 2018-01-16 - 来自专栏信息技术智库
【每日SQL打卡】DAY 9丨有趣的电影【难度简单】
难度简单 SQL架构 某城市开了一家新的电影院，吸引了很多人过来看电影。该电影院特别注意用户体验，专门有个 LED显示板做电影推荐，上面公布着影评和相关电影描述。 作为该电影院的信息部主管，您需要编写一个 SQL查询，找出所有影片描述为非 boring (不无聊) 的并且 id 为奇数 的影片，结果请按等级 rating 排列。
31840编辑于 2022-07-29 - 来自专栏小馒头学Python
【Python数据分析五十个小案例】电影评分分析：使用Pandas分析电影评分数据，探索评分的分布、热门电影、用户偏好
电影评分分布分析各评分区间的电影数量分析我们可以根据评分区间对电影进行分类，统计各个区间的电影数量。例如，评分为1-3、4-6、7-9和10分的电影各有多少部。 评分区间分析bins = [0, 3, 6, 9, 10]labels = ['1-3', '4-6', '7-9', '10']df['rating_category'] = pd.cut(df['rating 结论print("\n数据分析完成！")print("1. 评分分布：电影评分大多集中在7-9分之间。")print("2. 热门电影：高评分和大量评分数的电影通常会更受欢迎。")print("3. 用户偏好：不同电影类型的评分存在显著差异，某些类型的电影得到更高的评分。")运行部分截图最后的简单的数据分析，也是最重要的评分分布：电影评分大多集中在7-9分之间。 结论通过对电影评分数据的分析，我们发现：大多数电影的评分集中在7-9分之间，少部分电影评分过高或过低。热门电影不仅需要大量的评分数，还要有较高的评分。
1K00编辑于 2024-11-28 - 来自专栏Java架构师必看
spring源码分析9
spring源码分析9 强烈推介IDEA2020.2破解激活，IntelliJ
42720发布于 2021-04-13 - 来自专栏学习笔记ol
框架分析（9）-Hibernate
框架分析（9）-Hibernate 主要对目前市面上常见的框架进行分析和总结，希望有兴趣的小伙伴们可以看一下，会持续更新的。希望各位可以监督我，我们一起学习进步。
47520编辑于 2023-10-11 - 来自专栏Python自动化测试
豆瓣电影评分数据分析
在前面对接口测试的知识体系相对来说写了很多的文章，今晚就结合部分的知识体系，把获取到的知识体系，结合pyecharts来数据进行一个简单的分析。 type=tv&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=20，然后发送GET请求，就会返回响应数据，在响应数据中获取到电影的名称 type=tv&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=20') title=r.json()['subjects type=tv&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=20') title=r.json()['subjects movies)) titleRates=[] for rate in rates: titleRates.append(int(float(rate))) bar=Bar('豆瓣电影评分数据分析
1.6K20发布于 2018-12-25 - 来自专栏醉生梦死
java抓取豆瓣电影数据，分析电影评分，生成统计图表 ---servlet
电影评分统计图： JFreeChart生成图片 ? ? ? 使用jsoup获取该网站的电影数据信息，此网站动态加载数据，如果直接查看网页源代码是看不到数据的。 部分代码如下： movieServlet.java 主要的功能为：获取网站的电影数据 首先获取每一个电影分类的链接： ? { double [][]data = new double[][]{{one},{two},{three},{four},{five}}; String []rowKeys = {">=9" =0; while (i<5) { switch (i) { case 0: sql = "SELECT COUNT(1) FROM movie WHERE score>=<em>9</em> key = "one"; break; case 1: sql = "SELECT COUNT(1) FROM movie WHERE score>=8.5 && score<<em>9</em>
3.1K40发布于 2018-11-05 - 来自专栏Python中文社区
Python分析《羞羞的铁拳》电影观众评论
估计大部分人都是在外面happy了一天，晚上找家饭店吃个饭，然后吃完刚好看8点多到9点场次的电影，然后看完10点多出来赶紧发个朋友圈，上上豆瓣写写影评，简直是一气呵成，吃饭电影一条龙啊~ 【对了，插播条广告 看来有不少人的睡眠时间是在1点左右，而且有相当一部分朋友喜欢在睡前看看豆瓣~ 至于上映时间嘛，我看了下电影是在9月30日上映的，所以从30日开始评论数量激增，在10月1日2日的时候达到顶峰，7日开始逐渐下降 当然这十天中包含了一个国庆中秋假期，全年最长假期给了很多平时根本没时间进影院的朋友一次看电影的机会，我想这也是为何在9号10号的时候评论数量出现骤降的原因吧——大家都上班了。 我本来是想看看一部电影的热度大概能持续多久，不过由于《羞羞的铁拳》是一部上映没多久的电影，所以用它来分析不太合适。 了解数据的情况对于下一步情感分析会起到一定的帮助，比如我们从目前得到信息可以发现，大家对这部电影的评分还是比较高的，情感普遍倾向于正面。
1.4K70发布于 2018-02-01 - 来自专栏机器学习养成记
商业分析python实战（二）：电影智能推荐
这时，可以利用相关数据，研究用户兴趣偏好，分析用户的需求和行为，引导用户发现需求信息，将内容准确推荐给用户。 本例通过943名用户对1664部电影的评分数据，构建协同过滤模型，进而推荐电影供用户观看。 步骤 1、获取数据； 2、数据探索分析； 3、构建智能推荐模型； 4、评估推荐系统模型。 NO.1 获取数据 数据包含943名用户对1664部电影的打分，评分在1-5分之间，超出规定范围的算异常值。 NO.2 数据探索分析 导入的数据共有99416行，3列，第一列为用户id，第二列为电影名字，第三列为打分。 同时，为了进行每部电影的打分数据探索分析，将movie列中的电影名转换为列名，转换后，可观察每部电影的评分用户数及分数的基本分布。
1.8K40编辑于 2023-08-31 - 来自专栏日常学python
Python数据可视化：2018年电影分析
本次利用猫眼电影，实现对2018年的电影大数据进行分析。 ? / 01 / 网页分析 01 标签 ? 通过点击猫眼电影已经归类好的标签，得到网址信息。 02 索引页 ? ', '3', '0', '8', '9', '4', '1', '5', '2', '7', '6'] base_unicode_list = ['x', 'uniF561', 'uniE6E1 ', 'uniF125', 'uniF83F', 'uniE9E2', 'uniEEA6', 'uniEEC2', 'uniED38', 'uniE538', 'uniF8E7'] for i 08 电影名利双收TOP10 ? 计算公式是，把某部电影的评分在所有电影评分中的排名与这部电影的票房在所有票房中的排名加起来，再除以电影总数。 09 电影叫座不叫好TOP10 ? 计算公式是，把某部电影的票房排名减去某部电影的评分排名加起来，再除以电影总数。 可能是猫眼的用户比较仁慈吧，与豆瓣相比，普遍评分都比较高。
1.1K30发布于 2018-12-13 - 来自专栏golang算法架构leetcode技术php
golang源码分析（9）调度
o编写一个并发编程程序很简单，只需要在函数之前使用一个Go关键字就可以实现并发编程。
54720编辑于 2022-08-02 - 来自专栏golang算法架构leetcode技术php
golang源码分析：cayley(9)
中间使用到了goja解析器，它的作用是在golang环境中翻译执行javascript，因为我们的gizmo采用的是javascript语法。
33720编辑于 2023-08-09 golang源码分析 ：gopls（9）
最后我们来到了第三部分featureCommands，也是所有命令的大头，这里一共初始化了23个命令。我们首先看下第一个callHierarchy
9510编辑于 2026-03-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号