赞
踩
进入该网址:https://grouplens.org/datasets/movielens/
找到如下part:
点击ml-100k.zip
进行数据集的下载
在本地解压后,将会看到如下内容:
但我们目前只需要三个文件,即:
u.data
u.item
u.user
,为便于后续操作,可以找到这三个文件,将其放入新建文件夹。
u.data
的内容是评分数据
u.item
的内容是电影数据
u.user
的内容是观众数据
随意用编辑器打开即可查看。
个人使用的是PyCharm Community Edition 2020.3.3
创建好新的project
后,创建新的python file
,需要用到的包是pandas
,提前下载好后将其导入;
首先读取数据
read_table()
的数据参数分别是:
数据文件
一行记录不同列分隔符
第一列是否为行标题
映射关系
由于真实数据设计数据量较大,暂时先读取较少量数据,例如:
效果展示:
读取评分数据,并与观众数据进行连接:
效果展示:
可以看到,女性观众的评分平均值高于男性,但差别不明显;
接下来,通过年龄段看评分:
效果展示:
可以看到,随着年龄的增长,对电影的评分大体上呈现出一种不断增长的趋势,60岁
时达到峰值;
接下来分析不同年龄段分性别对电影评分的情况:
效果展示:
可以看出,在30岁
,男女评分差异不大,而在70岁
,女性对电影的评分更低,在40岁
,男性对电影的评分更低,可以看出,在不同年龄段,不同性别,人们对电影的偏好有所不同。
接下来再引入电影信息:
由于编码方式可能不同,可能会出错,则进行编码方式改变:
File->Settings->Editor->File Encoding
点击Apply
成功改变,同时,在代码中强制指定编码方式:
输出测试:
连接三个文件信息并测试输出:
以电影标题作为分组依据,便于直观观察,真正有效的电影标识列是电影ID。按照性别、电影标题展示,并对结果平均评分进行倒序排序输出:
效果展示:
然而,所有数据不一定是有效的,有可能某一部5分
电影只有一位观众评分,那么,这时就要改进方法,我们不仅要考虑平均分,还要考虑参与评分人数,故调用agg()
方法进行分组,通过列表指定多个聚合函数,将多个不同聚合函数一起进行运算:
可以看出,该方法提供了平均值和评价人数的统计:
但因为没有排序,无法得到最有价值的数据,接下来对数据进行排序:
先按照平均分排序,假如平均分相同,按照个数进行排序:
先按照个数进行排序,再按照平均分进行排序:
为了看到全部结果,使用pd.set_option('display.max_row', None)
显示全部结果:
结果展示:
(其余不列出)
可以看出,男性观众对经典电影的观看率与评分率较高,女性观众与男性观众的差异较为明显,然而这种方法又有弊端,例如排序中女性观众观看电影第一位,因为评分人数较多而不是评分较高:
进行过滤,过滤掉评分人数小于100
的电影,再按照平均分进行排序:
(其余不列出)
还可以使用透视图进行展示:(依然以性别和电影分析)
(其余不列出)
但出现的问题依然是可能评分高但评分人数较少,此时可以再次进行数据过滤:
先获得评分人数大于100
的电影:
获取评分差异较大的电影:
为了避免出现过于小的值,应当使用绝对值处理:
(未完待续···)
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。