06-统计方法和字符串离散化

一、统计方法和字符串离散化

假设现在我们有一组从2006年1000部最流行的电影数据，我们想知道这些电影数据中的评分的平均分，导演的人数等信息，我们应该怎么获取？

　　数据来源：https://www.kaggle.com/damianpanek/sunday-eda/data

import pandas as pd
from matplotlib import pyplot as plt

file_path = "./IMDB-Movie-Data.csv"
df = pd.read_csv(file_path)
print(df.info())
print(df.head())
#获取平均评分
print(df["Rating"].mean())
#获取导演的人数
print(len(set(df["Director"].tolist()))) #print(len(df["Director"].unique()))
#获取演员的人数
temp_actors_list = df["Actors"].str.split(", ").tolist()
actor_list = [i for j in temp_actors_list for i in j]
actor_num = len(set(actor_list))
print(actor_num)

获取电影时长最大值，最小值。

 对于这一组电影数据，如果我们想要Rating，runtime的分布情况，应该如何呈现数据？

获取runtime分布情况：

import pandas as pd
from matplotlib import pyplot as plt

file_path = "./IMDB-Movie-Data.csv"
df = pd.read_csv(file_path)
print(df.head(1))
print(df.info())
#rating runtime分布情况
#选择图形 直方图
#准备数据
runtime_data = df["Runtime (Minutes)"].values

max_runtime = runtime_data.max()
min_runtime = runtime_data.min()
num_bin = (max_runtime-min_runtime)//5
#设置图形的大小
plt.figure(figsize=(20,8),dpi=80)
plt.hist(runtime_data,num_bin)
plt.xticks(range(min_runtime,max_runtime+5,5))

plt.show()

获取Rating情况：

import pandas as pd
from matplotlib import pyplot as plt

file_path = "./IMDB-Movie-Data.csv"
df = pd.read_csv(file_path)
print(df.head(1))
print(df.info())
#rating runtime分布情况
#选择图形 直方图
#准备数据
runtime_data = df["Rating"].values

max_runtime = runtime_data.max()
min_runtime = runtime_data.min()
print(min_runtime,max_runtime)
print(max_runtime-min_runtime)
num_bin_list = [1.6]
i = 1.6
for m in range(15):
    i += 0.5
    num_bin_list.append(i)
print(num_bin_list)
#设置图形的大小
plt.figure(figsize=(20,8),dpi=80)
plt.hist(runtime_data,num_bin_list)
plt.xticks(num_bin_list)

plt.show()