1 票房分析

（1）统计显示票房榜单中的前十名

数据统计与可视化的主要代码如下：

# 电影票房排序  film = film.sort_values(by='pf',axis=0,ascending=False)  film = film[0:10]  plt.bar(film['name'],film['pf'],color= 'yellow' ,width=0.4)  plt.title(u'票房Top10',size=20)  plt.xlabel(u'电影名称',size=16)  # 倾斜显示电影名  plt.xticks(rotation=60)  plt.ylabel(u'票房（元）',size=16)  for x,y in zip(film['name'],film['pf']):      # 显示票房      plt.text(x,y  + 800,'%.0f'  % y,ha='center',va='bottom',size=12)  plt.show()

运行显示结果如下图所示，其中票房收入第一的为《战狼2》。

                           

（2）显示榜单第一名《战狼2》的票房变化分析

 如果关注一个电影的动态变化，可以查看其趋势。下图按照日期等间隔的形式，显示了票房第1名电影《战狼2》的票房变化情况。代码可参考电子资源，书本中不再给出。

（3）票房与总场次、上座率的关系

下图的气泡图显示了平均日票房与场次和上座率的关系，其中气泡的大小表示票房的大小。显然票房与总场次和上座率之间有着较强的关系，较多的场次、较高的上座率意味着更高大的票房。

主要代码如下所示：

film = film.groupby(['name'],  as_index=False)['szl','zcc','pf'].mean()   fig,ax = plt.subplots(figsize=(9,7))   bubble = ax.scatter(film['szl'],  film['zcc'], s=film['pf']  / 50,  linewidth=2)

2 上座率分析

上座率即上座人数与总座位数的比值。从某种意义上来说，优秀的影片上座率就高，反之则低，因而上座率又是衡量一部影片质量优劣的重要标准之一。上座率还直接影响票房价值，上座率高票房价值自然高，所以对一部影片票房价值大小往往用上座率多少来衡量。因此，通过各种有效的办法来提高上座率，是提高票房价值最常用的办法。

（1）上座率占比分析

下图显示了不同上座率的一个占比分析。其中，上座率在21%-40%的电影最多，占到了55.5%。要得出以下结果，需要对数据进行前期统计，再展现结果。

（2）上座率统计分析

下图则显示了更为详细的上座率分布情况，呈现中间多，两边少。说明，上座率特别高的电影很少，大部分是居于25%到60%之间。

3 票价分布情况分析

电影票价是指电影放映单位出售电影门票的价格。电影票价全国不统一，由各地主管部门自行制定。各地票价水平应与当地人民的收入水平和生活水平大体相适应，大城市比中小城市的票价高一些，中小城市比县城、集镇的票价稍高一些，农村比县城、集镇更低一些，有些边远山区甚至基本免费。票价在一定上影响了电影的票房。下图显示了2017-2019年电影票价总体情况的对比和每半年内票价的分布。比如，2017年下半年的异常票价比较多，2019年的平均票价比较高。

4 评分数据分析

    使用三维图形对评分的影响因素进行分析，可视化结果如下图所示。三者之间的关系并不强，相对来说，票房高的电影，评分一定比率上较高。