简介：一份基于Python的电影数据分析项目包，面向正在完成课程设计、期末大作业或毕设的计算机、人工智能、大数据、数学、电子信息等相关专业学生，也适合刚入门数据分析的开发者参考。包内共3个文件：一个Python脚本用于完整执行分析流程，一个Jupyter Notebook便于分步交互式学习与调试，一个HTML文件用于展示分析结果，压缩包仅674KB，轻量便捷。目前已有134人学习下载。项目围绕电影数据集展开探索性分析，涵盖数据加载、清洗、统计与可视化等常见环节，代码经过调试可直接运行，能帮助理解从原始数据到结论输出的完整思路。对于需要快速搭起一个数据分析demo或套用分析模板的读者，是一份具有实操参考价值的素材。
1. 拿到一份电影数据集，先别急着画图
很多人学 Python 数据分析，第一件事是去下载网上现成的"电影数据集"，然后照着教程画几张票房直方图、情感分析词云，就觉得项目做完了。但真正落到自己的分析任务里——无论是课程作业、简历项目，还是公司要你做一份影片排片策略分析——你面对的往往就是一个不明不白的.zip压缩包，里面有几张 CSV 或 JSON，列名靠猜，缺失值靠肉眼，日期格式五花八门。探索电影数据集（Movie Dataset Exploration）本质上不是"画图"，而是把一份原始表格变成你能信任的分析底稿的过程。这篇笔记要解决的就是：从解压一个 zip 开始，到完成一次有结论、有依据、可复用的电影数据探索分析，你需要经过哪几步、参数怎么调、哪些坑我替你踩过了。
适合谁看？刚学完 pandas 基础但没做过完整项目的新手，以及有经验但想看看别人怎么处理脏数据和可视化选型的熟手。我默认你已经装好了 Python 3.8+ 和 Jupyter，后面每一步都给完整代码和说明。
2. 数据加载与字段摸底：先搞清楚你手里是什么
2.1 解压与文件侦察：别急着 pd.read_csv
一个.zip文件里通常不只有一张表。常见结构是一个主数据文件（比如movies.csv）加若干附属表（credits.csv、keywords.csv、ratings.csv），也可能是一个 JSON 嵌套结构。我一般会先建一个干净的工作目录，把压缩包解开，再用命令行看一眼文件清单和体积。
mkdir movie_explore && cd movie_explore unzip 基于python数据分析-探索电影数据集.zip -d raw ls -lh raw/逻辑说明：把解压后的数据隔离在raw/目录里，之后所有清洗结果写进processed/，避免反复解压污染原始数据。
参数说明：unzip的-d指定解压目标目录，不加的话会直接摊在当前目录，文件一多就很乱。ls -lh的-h让文件体积以人类可读格式显示，如果看到 CSV 超过 500MB，后面读取时就要考虑chunksize或dtype优化，否则内存直接爆掉。
接下来，不要直接打印 DataFrame 的全部列，先用 Python 把字段名单和类型扫一遍。
import pandas as pd import zipfile from pathlib import Path # 优先读解压后的文件，如果解压失败了再走 zipfile 内存读取 data_dir = Path("raw") csv_files = list(data_dir.glob("*.csv")) print("找到 CSV 文件：", [f.name for f in csv_files]) df = pd.read_csv(csv_files[0], nrows=100) print("字段总数：", len(df.columns)) print(df.dtypes)逻辑说明：nrows=100表示只读前 100 行做一次快速侦察，拿到字段名、数据类型的初步印象，避免一上来就把整个大文件载入内存，结果发现列名不对、分隔符不对，白白浪费时间。
参数说明：pd.read_csv默认分隔符是逗号，如果文件是tsv或分号分隔，需要显式指定sep；nrows是只读指定行数的参数，它是侦察阶段最值钱的参数之一。如果文件是 JSON 格式，改用pd.read_json，但嵌套 JSON 需要先json.load再pd.json_normalize，这一步晚点细说。
2.2 数据字典先于数据分析
拿到字段后，不要急着看统计量，先给每个字段建立"业务含义"假设。这一步叫数据字典（Data Dictionary），很多人跳过，后面全在猜。电影数据集的常见字段有：budget（制作预算）、revenue（全球票房）、vote_average（平均评分）、vote_count（评分人数）、release_date（上映日期）、genres（类型，通常是 JSON 字符串）、spoken_languages（语言，JSON）。其中genres和spoken_languages这种嵌套字段是最容易翻车的地方，因为它们的单元格里存的可能是一段 JSON。
# 看一下多行样本，手动确认字段内容格式 for col in ["genres", "spoken_languages"]: print(f"--- {col} 样例 ---") print(df[col].iloc[0][:200] if isinstance(df[col].iloc[0], str) else df[col].iloc[0])逻辑说明：用前 100 行数据里某几条的具体内容，判断该字段是纯文本、数字还是 JSON 字符串。这是决定后续用ast.literal_eval还是正则清洗的关键。
参数说明：df[col].iloc[0]取第一行的值；isinstance判断它是不是字符串，因为 pandas 会把全数字列读成int64或float64，读取类型不对后面做字符串操作就会报AttributeError。
这里我建议你直接在 Jupyter 里做完侦察后，把字段清单和你的猜测写成字典存成data_dict.yaml，后面清洗的时候随时对照。这一步花 10 分钟，能省后面两小时。
2.3 加载全量数据并区分字段类型
侦察阶段确认了列名和格式，现在可以正式加载全量数据。此时要做的关键决策是：哪些列用默认类型读，哪些列必须强制指定dtype。电影数据集里最常见的问题是budget和revenue是数值，但可能混入空字符串导致变成object；release_date是字符串，需要后续转日期类型。
df = pd.read_csv( csv_files[0], dtype={ "budget": "float32", "revenue": "float32", }, parse_dates=["release_date"], low_memory=False, ) print(f"全量数据形状：{df.shape}") print(df.info())逻辑说明：dtype参数直接指定列的数据类型，避免 pandas 自动推断时把小数字列读成int64造成内存浪费；parse_dates把指定列解析为datetime64，后续做年份、月份聚合时才有意义；low_memory=False让 pandas 一次性读取所有数据完成类型推断，而不是分块推断导致某列类型不一致。
参数说明：float32比默认的float64省一半内存，对预算、票房这种精度要求不高的数值足够；parse_dates接受列名列表，解析失败会抛异常报出具体行。如果release_date里有各种奇怪格式，parse_dates会直接报错，这时候先不要指定它，改为读进来后再手动清洗。
提示：这一步常见的报错是
ValueError: could not convert string to float，说明目标列里有脏数据。我的处理方式是在dtype里先不指定该列，读进来后用pd.to_numeric(..., errors='coerce')做容错转换，这个坑后面避坑章节单独讲。
3. 数据清洗：把脏数据洗成能用的样子
3.1 缺失值全景图：别只看 isna().sum()
大多数教程会教你df.isna().sum()看缺失值，这没错，但不够。电影数据集里很多"缺失"不是 NaN，而是 0。预算为 0、票房为 0 的电影，和真正缺失的电影，要区分对待，因为 0 值在计算相关系数时会严重扭曲结果。
missing = df.isna().sum() zero_count = (df == 0).sum() summary = pd.DataFrame({"缺失数": missing, "零值数": zero_count}) summary["缺失率"] = (summary["缺失数"] / len(df)).map(lambda x: f"{x:.2%}") print(summary[summary["缺失数"] > 0])逻辑说明：把缺失数和零值数放在同一张表里看，能快速判断哪些字段"空得异常"。比如revenue有 3000 条缺失、2000 条零值，那说明数据收集阶段很多小成本电影根本没有票房记录，这两个要区分处理。
参数说明：df == 0返回布尔 DataFrame，.sum()按列统计零值数量；missing / len(df)计算缺失率并用map格式化成百分比字符串。这里没有直接 dropna，因为不同字段的缺失处理策略不同——budget缺失可以用中位数填充，overview缺失就只能删除该行或标记为"无简介"。
3.2 从 JSON 字符串里拆出多值字段
genres字段通常是这样的字符串：[{"id": 28, "name": "Action"}, {"id": 12, "name": "Adventure"}]。要把它转成可分析的格式，常见做法是拆成多个二进制列（one-hot），或者提取第一个类型做主分类。我一般会两者都要：一个genre_main做主分类，一组genre_*做多标签分析。
import ast def parse_genres(genre_str): if isinstance(genre_str, str): try: items = ast.literal_eval(genre_str) return [item["name"] for item in items if "name" in item] except (ValueError, SyntaxError): return [] return [] df["genres_list"] = df["genres"].apply(parse_genres) df["genre_main"] = df["genres_list"].apply(lambda x: x[0] if x else "Unknown") # 多标签 one-hot from sklearn.preprocessing import MultiLabelBinarizer mlb = MultiLabelBinarizer() genre_encoded = mlb.fit_transform(df["genres_list"]) genre_df = pd.DataFrame(genre_encoded, columns=mlb.classes_, index=df.index) df = pd.concat([df, genre_df], axis=1) print(genre_df.sum().sort_values(ascending=False).head(10))逻辑说明：ast.literal_eval安全地把字符串形式的列表解析成 Python 列表，比eval安全得多；解析失败就返回空列表，避免一行脏数据让整个 apply 中断。genre_main是主类型，用于后续的箱线图分组。MultiLabelBinarizer把类型列表变成多列 0/1 矩阵，这样一部电影可以同时属于 Action 和 Comedy，不丢失信息。
参数说明：ast.literal_eval只解析字面量结构，不会执行任意代码，这是安全性的关键；MultiLabelBinarizer的classes_属性会按字母序生成列名，列名顺序不按出现频率，后面解释特征时注意别搞混。这一步之后，genre_df的列数可能多达 20+，建议只保留出现次数前 10 的类型，否则后面可视化图例挤成一团。
3.3 日期字段的标准化与衍生字段
电影数据集的release_date往往有"2015-06-19"和"6/19/15"这种混搭格式。parse_dates在遇到混合格式时会很痛苦，我建议先全部读成字符串，再手动统一解析。
# 先转字符串，再统一解析 df["release_date"] = df["release_date"].astype(str) # 尝试多种格式 date_formats = ["%Y-%m-%d", "%m/%d/%Y", "%d/%m/%Y", "%Y/%m/%d"] parsed = pd.to_datetime(df["release_date"], format="mixed", errors="coerce") df["release_date_clean"] = parsed df["release_year"] = parsed.dt.year df["release_month"] = parsed.dt.month print(df["release_year"].value_counts().sort_index().tail(5))逻辑说明：format="mixed"是 pandas 2.0 以后支持的参数，允许在同一列里尝试多种日期格式，解析不了的变成 NaT。之后从干净的日期列提取年份、月份作为衍生字段，后续按年聚合票房趋势、按月看档期效应都靠它们。
参数说明：format="mixed"在 pandas 1.x 里不可用，需要errors="coerce"配合infer_datetime_format=True；errors="coerce"让解析失败的变成NaT，而不是抛异常中断。dt访问器只能用于 datetime64 类型的 Series，如果你发现series.dt报错，说明这一列还没转成 datetime 类型。
清洗完这四步后，你的df应该比原始数据多出十几列，但这些列都是"分析友好"的。先不要画图，把清洗后的数据存一份副本。
# 只保留分析需要的列 keep_cols = ["id", "title", "budget", "revenue", "vote_average", "vote_count", "release_year", "release_month", "genre_main"] + list(mlb.classes_[:10]) df_clean = df[keep_cols].copy() df_clean.to_parquet("processed/movies_clean.parquet", index=False)逻辑说明：把处理后的结果保存为 parquet 格式，比 CSV 读取快得多、体积更小，后续探索阶段反复读取不需要重新清洗。
参数说明：to_parquet需要安装pyarrow或fastparquet库；如果环境装不了，退而求其次用to_csv("xxx.csv", index=False)，只是读取速度慢一些。index=False表示不把 DataFrame 索引写入文件，避免下次读回来多一列Unnamed: 0。
4. 探索性分析与可视化：让数据自己说话
4.1 票房与评分的分布特征：画图前先算偏度
很多教程上来就df["revenue"].hist()，结果看到一根长尾拖到右边，然后说"票房分布右偏严重"。这没错，但你可以更进一步：看偏度系数、看分位数、看 top 1% 占了多少票房。这一步能让你的分析从"描述"走向"洞察"。
import numpy as np rev = df_clean["revenue"].dropna() rev = rev[rev > 0] # 排除 0 值 skew = rev.skew() top1_pct = rev.quantile(0.99) top1_share = rev[rev >= top1_pct].sum() / rev.sum() print(f"票房偏度：{skew:.2f}") print(f"Top 1% 电影贡献了 {top1_share:.1%} 的票房总额") print(f"票房中位数：{rev.median() / 1e6:.1f} 百万美元") print(f"票房均值：{rev.mean() / 1e6:.1f} 百万美元")逻辑说明：偏度大于 1 说明分布严重右偏，均值被少数大片拉高，中位数才是"典型电影"的票房水平。top1_share算出头部电影的市场集中度，如果 Top 1% 贡献了超过 20% 的票房，那分析时要按分组或对数变换处理，直接做线性回归会被这些极端值主导。
参数说明：quantile(0.99)计算 99 分位值；median和mean的差异本身就是分布形态的一种度量。这个逻辑同样适用于budget和vote_count——所有呈现出长尾分布的数值字段，后续做相关性分析前都要考虑是否取对数。
4.2 年份维度的趋势分析：用折线图看档期与大盘变化
时间维度是电影分析里信息量最大的切面。按年聚合票房总和、电影产量、平均评分，可以看大盘走势；按月聚合，可以看档期效应。我用一个子图把它们放在一起看。
import matplotlib.pyplot as plt import seaborn as sns plt.rcParams["figure.figsize"] = (12, 6) sns.set_style("whitegrid") # 按年聚合 yearly = df_clean.groupby("release_year").agg( 电影数量=("id", "count"), 总票房=("revenue", "sum"), 平均评分=("vote_average", "mean"), ).dropna() # 子图 1：产量和总票房 fig, ax1 = plt.subplots() ax1.bar(yearly.index, yearly["电影数量"], alpha=0.3, label="电影产量") ax1.set_ylabel("电影产量") ax1.legend(loc="upper left") ax2 = ax1.twinx() ax2.plot(yearly.index, yearly["总票房"] / 1e9, color="crimson", marker="o", label="总票房（十亿美元）") ax2.set_ylabel("总票房") ax2.legend(loc="upper right") plt.title("逐年电影产量与总票房对比") plt.show()逻辑说明：twinx()创建共享 x 轴的双 y 轴图，把产量（柱状）和总票房（折线）叠加显示，直观看出两者是否同步。如果产量增长但总票房下跌，说明单片平均收益在下降，这是市场分析里很有价值的结论。
参数说明：groupby("release_year")后的.agg()里，元组形式("id", "count")表示"对 id 列执行 count 操作"，新列名叫"电影数量"；dropna()会删掉所有聚合字段为 NaN 的行，比如 2030 年还没有完整数据。
按月的分析同理，直接groupby("release_month")看票房分布，你可以发现春节档、暑期档、圣诞档的票房峰值。国内的数据比国外档期更集中，这个和发行策略有关。
4.3 类型维度：箱线图对比不同 genre 的票房表现
类型字段现在是干净的 one-hot 列，可以用箱线图看每种类型的票房分布差异。但要注意：一部电影属于多个类型，按类型分组时同一部电影会出现在多个组里，箱线图之间不完全独立。
# 把长表转出来：每行是一个"电影-类型"对 genre_cols = list(mlb.classes_[:10]) melted = df_clean.melt( id_vars=["title", "revenue"], value_vars=genre_cols, var_name="genre", value_name="is_in", ) melted = melted[melted["is_in"] == 1] melted["revenue_log"] = np.log1p(melted["revenue"]) plt.figure(figsize=(14, 6)) sns.boxplot(data=melted, x="genre", y="revenue_log", palette="Set3") plt.xticks(rotation=45) plt.ylabel("票房（对数变换）") plt.title("不同电影类型的票房分布对比") plt.show()逻辑说明：melt把宽表转成长表，one-hot 的多列折叠成"类型"一列，然后筛选is_in == 1的行，这样每个电影-类型组合就是一行。np.log1p对票房做对数变换，因为原始票房分布太偏，箱线图会变成一条线压在底部，对数变换后分布形态才看得出来。
参数说明：np.log1p(x)等价于log(x+1)，好处是 x=0 时结果为 0，不会产生负无穷；melt的id_vars是保留不变的列，value_vars是要折叠的列，折叠后产生variable和value两列，这里改名成了genre和is_in。
如果跑完这一步你发现 Animation 和 Adventure 的票房中位数明显高过 Drama，而 Drama 的数量最多但票房偏低——这就是典型的"类型产量与商业回报背离"，后面可以继续深挖入的原因。
4.4 相关性分析：发现变量之间的真实关系
最后做一次数值字段的相关性分析。但这里有一个关键操作：vote_count和vote_average要分开放，因为评分人数本身反映的是热度而非质量。
corr_cols = ["budget", "revenue", "vote_average", "vote_count", "release_year"] # 对预算和票房取对数，减少极端值影响 for col in ["budget", "revenue", "vote_count"]: df_clean[f"{col}_log"] = np.log1p(df_clean[col]) corr = df_clean[[f"{c}_log" if c in ["budget", "revenue", "vote_count"] else c for c in corr_cols]].corr() plt.figure(figsize=(8, 6)) sns.heatmap(corr, annot=True, cmap="coolwarm", fmt=".2f", center=0) plt.title("数值字段相关性热力图") plt.show()逻辑说明：corr()默认计算 Pearson 相关系数。难点在于对数变换后字段名变了，所以用列表推导式生成新的列名列表。看结果时重点关注：预算与票房的相关性通常最强（0.6-0.7），评分与票房往往是弱相关甚至负相关——这就是"口碑不等于商业成功"的数据证明。
参数说明：fmt=".2f"控制热力图里显示两位小数；center=0让颜色映射以 0 为中心，正值红色负值蓝色。如果你发现budget与revenue相关系数只有 0.3，先检查一下预算列是否大量为 0，0 值太多会把相关系数拉低，这是数据质量问题不是真实关系。
5. 探索电影数据集的避坑指南：五个高频翻车现场
这条是"探索电影数据集"这类项目最容易踩的坑，也是这类数据分析项目最耗时间的部分。我按"现象 → 原因 → 解决"逐条写，每一条都是实际发生过、有代表性的。
5.1 明明有 1 万行数据，画图却只有 3000 个点
现象：df_clean有 1 万行，但sns.scatterplot(x="budget", y="revenue")画出来的图稀稀拉拉，点少了很多。
原因：budget和revenue列里有大量 0 值和缺失值。0 值在散点图上全部堆在左下角原点，看起来就像只有一个点；NaN 行在绘图时被 seaborn 默默丢弃了。
解决：先做一次显式过滤，让图的样本量、实际统计量你心里有数。
plot_df = df_clean[ (df_clean["budget"] > 0) & (df_clean["revenue"] > 0) & df_clean["revenue"].notna() ] print(f"过滤前 {len(df_clean)} 行，过滤后 {len(plot_df)} 行") sns.scatterplot(data=plot_df, x="budget_log", y="revenue_log", alpha=0.4)逻辑说明：这张图里alpha=0.4让重叠的点呈现深浅效果，否则上万个点叠在一起全是黑色的。过滤条件budget > 0排除了预算为零的影片，因为"预算没记录"和"预算为零"在业务含义上完全不同。
5.2 年份列里混进了解析失败的 NaT，时间趋势图出现断层
现象：按年份画折线图时，x 轴的年份出现断层，2010 年和 2012 年之间断了线，但数据里明明有 2011 年的电影。
原因：release_date解析时用了errors="coerce"，有些格式没被解析成功，变成NaT后被groupby自动忽略，但不该被忽略的是某些年份字符串本身是类似"2011-00-00"这种含有零月零日的脏格式，pd.to_datetime会把它们解析失败或解析成 NaN。
解决：先单独排查日期字段的分布异常。
# 检查日期解析失败的样本 bad_dates = df[df["release_date_clean"].isna()][["title", "release_date"]] print(f"日期解析失败行数：{len(bad_dates)}") print(bad_dates.head(20)) # 对类似 '2011-00-00' 的情况做手动修正 df["release_date_clean"] = pd.to_datetime( df["release_date"].str.replace("-00-", "-01-", regex=False), errors="coerce" ) df["release_year"] = df["release_date_clean"].dt.year逻辑说明：str.replace("-00-", "-01-", regex=False)把月份为零的日期替换成 1 月，因为pd.to_datetime无法解析2011-00-00，但对2011-01-30毫无压力。替换后重新解析，errors="coerce"兜底剩下的真正脏数据。
5.3 用 ast.literal_eval 解析 genres 时，遇到 None 和 NaN 直接报错
现象：df["genres"].apply(ast.literal_eval)报ValueError: malformed node or string，中断了整个清洗流程。
原因：genres列里不全是 JSON 字符串，还有 NaN、None 或以nan字符串形式存储的值。ast.literal_eval只接受合法的字面量字符串，遇到 NaN 就炸了。
解决：在解析函数里加类型判断和异常捕获，把解析失败的值统一变成空列表。
def safe_parse_genres(val): if pd.isna(val): return [] if isinstance(val, str): try: items = ast.literal_eval(val) return [i["name"] for i in items if "name" in i] except (ValueError, SyntaxError): return [] return [] df["genres_list"] = df["genres"].apply(safe_parse_genres) # 处理完后检查还有多少空类型 empty_ratio = df["genres_list"].apply(len).eq(0).mean() print(f"类型为空的比例：{empty_ratio:.2%}")逻辑说明：pd.isna(val)能同时识别 NaN、None、NaT三种形态。异常捕获不能只抓ValueError，还要抓SyntaxError，因为有些脏数据的 JSON 字符串里混入了多余的花括号会触发语法错误。
5.4 预算和票房相关系数只有 0.2，和网上别人算的 0.7 对不上
现象：做了一个 30 分钟的"预算与票房相关性分析"，结果相关系数只有 0.2，换一个数据集又变成 0.8，心里完全不踏实。
原因：相关系数对缺失值和离群值极度敏感。如果你的数据里有大量预算为 0 但票房很高的纪录片、或者个别票房 20 亿美元的特效大片，这两个极端群体叠加后会严重拉低相关系数。
解决：清洗时把 0 值和缺失值分离处理，并报告不同处理策略下的相关系数对比。
# 策略 1：不处理，直接算 r_raw = df_clean["budget"].corr(df_clean["revenue"]) # 策略 2：剔除预算或票房为 0 的行 valid = df_clean[(df_clean["budget"] > 0) & (df_clean["revenue"] > 0)] r_filtered = valid["budget"].corr(valid["revenue"]) # 策略 3：对数变换后再算 r_log = valid["budget_log"].corr(valid["revenue_log"]) print(f"原始相关系数：{r_raw:.3f}") print(f"剔零后相关系数：{r_filtered:.3f}") print(f"对数变换后相关系数：{r_log:.3f}")逻辑说明：把三个结果列出来，你就知道哪一个才是"预算越大票房越高"这个结论的真实强度。剔零后相关系数显著上升，说明 0 值确实是数据缺失而非真实结果，最后的结论里要说清楚是基于哪种处理策略得出的。
5.5 内存占用爆炸：跑了 20 分钟还在 groupby
现象：数据集就 4 万行，但groupby("release_year").apply(复杂函数)跑了几分钟没结果，Jupyter 内核差点死掉。
原因：大部分人的第一反应是数据量太大，其实是apply里的函数用了循环逐行处理，没有向量化；或者groupby("release_year")后调用.apply()做拼接操作，每一组都要复制一次数据，效率极低。
解决：能用内置聚合函数解决的问题绝不用apply，需要逐行计算时用transform或列表推导式。
# 慢的做法：groupby + apply 循环 # df.groupby("release_year").apply(lambda g: g["revenue"].mean()) # 快的做法：直接用 agg 聚合 yearly_stats = df_clean.groupby( "release_year", as_index=False ).agg( 平均票房=("revenue", "mean"), 票房中位数=("revenue", "median"), 电影数量=("id", "count"), ) # 如果需要同时保留原始行的字段：用 transform df_clean["年票房均值"] = df_clean.groupby("release_year")["revenue"].transform("mean")逻辑说明：agg走的是 pandas 底层的 C 实现，比 Python 层的apply快一个数量级。transform保持原有行数不变，把聚合结果广播回每一行，不需要merge回原表。
提示：如果你真的需要一个复杂的自定义函数，先用
sample(10000)做小样本测试，确认函数没有死循环或异常数据后再跑全量。这是我对所有apply操作的习惯性防线。
6. 让探索不流于表面：做一张"票房潜力评分表"
如果你只停留在"画了十张图、总结了五条规律"，这种探索很容易在面试或答辩时被追问到哑口无言。我通常会在探索的最后一步，做一个可落地的产出——把多维度的探索结果压缩成一个计算字段或评分，让别人能直接使用。这里给出一个大多数人没做过但很实用的技巧：构建一个票房潜力评分（Revenue Potential Score），把探索阶段发现的规律融合进一个 0-100 的分数。
先确定评分维度。基于前面的相关分析，预算（budget_log）与票房相关性最强，其次是类型（Adventure、Animation 的中位数票房更高），再次是上映月份（暑期档和圣诞档均值更高）。把这个逻辑转成可写代码的打分函数：
def revenue_score(row): score = 0.0 # 维度 1：预算对数标准化（0-40 分） if row["budget_log"] > 0: score += min(row["budget_log"] / 8, 1) * 40 # 维度 2：类型加分（0-30 分） genre_bonus = { "Adventure": 30, "Animation": 25, "Science Fiction": 20, "Action": 15, "Fantasy": 10, "Drama": 5, "Comedy": 5 } score += genre_bonus.get(row["genre_main"], 0) # 维度 3：档期加分（0-30 分） if row["release_month"] in [5, 6, 7, 11, 12]: # 暑期档 + 圣诞档 score += 30 elif row["release_month"] in [3, 4, 8, 10]: score += 15 else: score += 5 return min(score, 100) df_clean["revenue_score"] = df_clean.apply(revenue_score, axis=1)逻辑说明：每个维度的分数上限在注释里写得很清楚，总分不超过 100。为什么用axis=1的apply？因为这个函数的逻辑依赖多列联合判断，无法用 pandas 的内置聚合替代。虽然之前说避免apply循环，但这里只有 4 万行、函数复杂度低，耗时在 2 秒以内，属于可接受范围。
参数说明：budget_log / 8做了一个简单归一化，预算 8 位数的电影（约 1 亿美元，log1p后约 18.4）能拿满 40 分；revenue_score最后min(score, 100)防止三个月都占满的情况超过 100。
算完分数后，验证一下这个分数是否真的和票房相关，用分组对比或回归都行。最简单的方法是看不同分数段的中位票房。
df_clean["score_bin"] = pd.cut(df_clean["revenue_score"], bins=[0, 30, 50, 70, 100]) result = df_clean.groupby("score_bin", observed=True).agg( 电影数量=("id", "count"), 中位票房=("revenue", "median"), 平均评分=("vote_average", "mean"), ) print(result)逻辑说明：pd.cut把分数切成四个段位，分组统计后能看到一个明显的单调趋势——如果 70-100 分段的电影明显票高，中位票房高于其他段位，说明这个评分表的区分度是有效的，这个结论比一句"预算很重要"更有说服力。
参数说明：pd.cut的bins指定切分边界，[0, 30, 50, 70, 100]会把分数分成(0,30]、(30,50]等四个区间；observed=True是 pandas 2.x 里对 Categorical 类型分组时的要求，不写会出现可见性警告。
到这里，一次完整的电影数据集探索分析就闭环了：从zip解压到字段侦察，从清洗 JSON 嵌套字段到多维可视化，从避坑排查到产出一个可复用的 "revenue score"。我个人的习惯是，每次分析结束后把评分规则和清洗流程一起写进项目 README，这样下个月回头看时，能清楚地知道自己当初为什么把budget=0排除了，为什么genre_main取的是列表第一个而不是 weight 最高的类型。
这个方向如果做成简历项目，也建议把 score 的构建思路单独展示——面试官非常喜欢问"为什么给 Adverture 30 分而不给 Action 20 分"，这个问题的回答能体现你对数据分布的理解，是画图画不出来的亮点。希望帮到你。
本文还有配套的精品资源，点击获取
