八月下旬，又有一大批进口大片上映，如何甄别出好片烂片，避免花冤枉钱，已经成为了中国影迷的必修课。
我想说的是，除了豆瓣电影之外，你还需要记住一个网站，那就是传说中的IMDb。
互联网电影资料库（Internet Movie Database，简称IMDb），是一个关于电影演员、电影、电视节目、电视明星和电影制作的在线数据库。IMDb的资料中包括了影片的众多信息、演员、片长、内容介绍、分级、评论等。对于电影的评分目前使用最多的就是IMDb评分。
我利用数据分析的手段，分析了近5000部IMDb上的中外电影，就是为了告诉你，哪10部电影最值得看。
展开全文
另外，我还希望通过IMDB数据，来了解全球电影近些年的一些现状：
1.全球电影的地域性分布如何；
2.高质量电影的地域性分布如何；
3.演员热度情况；
4.中国电影在IMDB情况；
以下为精彩的数据分析，耐不住性子的童鞋可以直接下拉到后部。
数据集
这次数据的字段描述如下：color 色彩 、director_name 导演 、num_critic_for_reviews 评论数 、duration 片长、director_facebook_likes 导演、facebook粉丝数 、actor_3_facebook_likes 主演3Facebook粉丝数 、actor_2_name 主演2姓名 、actor_1_facebook_likes 主演1Facebook粉丝数 、gross 总收入 、genres 类型等等。
技术和工具
数据分析部分主要以 Python 编程语言为基础，使用 pandas 作为数据整理和统计分析的工具，matplotlib 用于制作图形，再加上Tableau的数据可视化分析。
数据整理&数据加载
数据清洗-去重
不知道数据有没有重复，数据太多使用duplicated()函数看不出来是否重复，保险起见，使用drop_duplicates()直接就地去除重复项。
比对结果来看，是有重复项的。
数据清洗-处理缺失值
从上述处理来看，总共有4998部电影，很多字段都有缺失值，但细细想来，很多缺失值是可以理解的，比如actor，如果是动画片的话，确实没有主演之说，再比如budget，很多电影方确实不愿透露，片长duration：我选择用平均数来填充缺失值。
数据分析
这部分内容我主要通过描述性统计、探索性分析、推论统计：假设检验来完成。其实上部分数据整理也算是数据分析的内容，为了思路贯穿，我单摘出来了。
描述性统计
描述性统计对整体统计量进行一个客观描述。
探索性分析——全球电影的地域性分布
至2016年来，电影产出数量排名前10的国家。
下图为地图热度图。
综上可见，美国以压倒式3773的优势稳夺第一，英国443位居第二，法国154位居第三，中国28位居第9，话说这么多年来，中国就28部电影？数据待考证。
高质量电影的分布
我们依据什么定义高质量呢？有人觉得85%以上是优秀电影，有人觉得90%是。在这里，根据imdb_score的四分位数统计情况，我选择8分这个阈值，因为最高值也才9.5分，观众的标准还是很苛刻的。
我先用pie图直观展示下高质量电影的分布占比情况，因为国家数量太多，名称重叠，不太美观，在正式报告时不可取，正式报告时可以节选前n项。
然后用tableau做出高质量电影的区域分布图，展示各国家的具体分布情况。我们发现美国仍然以压倒式的优势排列第一。虽然日本电影不在高产前十，但却出现在高质量前10排名里，事实证明日本人的创作力值得学习。
然后我筛选出高质量电影的前10国家和具体数量。
然后输出imdb_score分数最高的10部电影，先mark了可以一部部阅。
IMDb评分排名前十的电影
1.The Dark Knight 《蝙蝠侠:黑暗骑士》
2.The Shawshank Redemption 《肖申克的救赎》
3.Towering Inferno《火烧摩天楼》
4.Dekalog《十诫》
5.The Godfather: Part II 《教父2》
6.Pulp Fiction《低俗小说》
7.The Godfather 《教父》
8. Fargo《冰血暴》
9.Kickboxer: Vengeance 《搏击之王:复仇》
10.The Good, the Bad and the Ugly 《黄金三镖客》
你以为就这么结束了？还没呢！我还分析了时下Facebook最受关注的演员！下图是主演在Facebook的热度词云，主要是通过主演的粉丝数来衡量的。
主演1的词云，我筛选出粉丝数25000以上的演员在facebook上关注度。
ok，你们的杰克船长Johnny Depp拔得头筹~
主演3的词云，我筛选出粉丝数10000以上的演员在facebook上关注度。
曾经演过《一天》、《悲惨世界》、《公主日记》的好莱坞花旦Anne Hathaway拔得头筹。
词云这部分主要是通过tableau实现的，本来我是打算用Python+word cloud实现词云的，但在做地图热度图的时候，脑子里闪现一个想法，“能不能用tableau来做词云”呢？然后就用tableau来试了下，发现结果不错。
中国电影在IMDB情况
可以看出中国电影的数据是不全的，从2005到2016年才28部电影，我想可能有以下几点原因：
1.本土产品竞争； 国人有豆瓣、时光网、猫眼，不用费劲上imdb。
2.中国大陆对外网的限制； 大陆网民的网络活动受限制，很多人可能不知道imdb。
3.中国电影在imdb上活跃度低； imdb中国电影数据少，imdb中国注册用户也少，一般就算有中国电影，外国人也不会太过于主动关注。
根据提出的问题和分析过程，得出一些简单的结论，如下：
1.全球电影的地域性分布，主要集中在北美洲的美国、加拿大，欧洲的英法德意，亚洲的中印，大洋洲的澳大利亚等。
2,高质量电影的地域性分布，主要集中在高产量国家，除此之外，日本像是一匹黑马也跻身高质量前十。
3.近年来评分前10电影，主要有《蝙蝠侠:黑暗骑士》、《肖申克的救赎》、《火烧摩天楼》等。
4.演员热度情况，粉丝关注的演员有约翰·尼德普、罗宾·威廉姆斯等等；
5.中国电影在IMDB情况，由于数据原因，没有分析价值；
End.
51Testing：专注于软件测试领域，自主研发软件测试工具，为客户提供全球领先的软件测试整体解决方案。