数据分析项目实战：电影数据分析
一、项目背景
电影公司制作一部新电影推向市场时，要想获得成功，通常要了解电影市场趋势，观众 喜好的电影类型，电影的发行情况，改编电影和原创电影的收益情况，以及观众喜欢什么样的内容
本案例来源于 kaggle 上的 TMDB 5000 Movie Dataset 数据集，为了探讨电影数据可视化， 为电影的制作提供数据支持，主要研究以下几个问题：
（1）电影类型如何随着时间的推移发生变化的？
（2）电影类型与利润的关系？
（3）Universal 和 Paramount 两家影视公司的对比情况如何？
（4）改编电影和原创电影的对比情况如何？
（5）电影时长与电影票房及评分的关系？
（6）分析电影关键字
二、理解数据
**1、采集数据 **
下载数据集：https://www.kaggle.com/tmdb/tmdb-movie-metadata
2、导入数据,并进行查看
代码实现：
import pandas as pd
import json
# =============================================加载数据===================================
# 加载数据 --credits
credits = pd.read_csv('./tmdb_5000_credits.csv')
print('credits:\n', credits)
print('*' * 100)
print('credits:\n', credits.columns)
print('*' * 100)
print('credits:\n', credits.info())
print('*' * 100)
# 加载数据
movies = pd.read_csv('./tmdb_5000_movies.csv')
print('movies:\n', movies)
print('#' * 100)
print('movies:\n', movies.columns)
print('#' * 100)
print('movies:\n', movies.info())
print('#' * 100)
3、数据说明
电影数据说明表
| 列名 | 说明 |
|---|---|
| id | 标识号 |
| imdb_id | IMDB 标识号 |
| popularity | 在 Movie Database 上的相对页面查看次数 |
| budget | 预算（美元） |
| revenue | 收入（美元） |
| original_title | 电影名称 |
| cast | 演员列表，按 |
| homepage | 电影首页的 URL |
| director | 导演列表，按 |
| tagline | 电影的标语 |
| keywords | 与电影相关的关键字，按 |
| overview | 剧情摘要 |
| runtime | 电影时长 |
| genres | 风格列表，按 |
| production_companies | 制作公司列表，按 |
| release_date | 首次上映日期 |
| vote_count | 评论次数 |
| vote_average | 平均评分 |
| release_year | 发行年份 |
三、数据清洗
1、合并数据集
先将 credits 数据集和 movie 数据集中的数据合并在一起，再查看合并后的数据集信息
代码实现：
# （1）合并数据
# print(credits['crew'])
# credits 中存在 movie_id 和 title
# movies 中存在 id 和 title
# 将 credits 中的 movie_id 修改为 id
credits.rename(columns={'movie_id': 'id'}, inplace=True)
# print('credits的列索引：\n', credits.columns)
# 主键合并 ---on id 和 title
all_data = pd.merge(left=credits, right=movies, on=['id', 'title'], how='outer')
print('all_data:\n', all_data)
print('all_data:\n', all_data.columns)
print('all_data:\n', all_data.dtypes)
2、选取子集
由于数据集中包含的信息过多，其中部分数据并不是我们研究的重点，所以从中选取我 们需要的数据：
代码实现：
# 筛选特征
all_data = all_data['original_title', 'crew', 'release_date', 'genres', 'keywords',
'production_companies', 'production_countries', 'revenue',
'budget', 'runtime', 'vote_average']
print('all_data的列索引：\n', all_data.columns)
print('all_data的形状：\n', all_data.shape)
由于后面的数据分析涉及到电影类型的利润计算，先求出每部电影的利润，并在数据集 data 中增加 profit 数据列
代码实现：
# 增加利润
all_data['profit'] = all_data['revenue'] - all_data['budget']
print('all_data的列索引：\n', all_data)
print('all_data的形状：\n', all_data)
3、缺失值处理
代码实现：
# 检测缺失值
# pd.isnull + sum
res_null = pd.isnull(all_data).sum()
print('缺失值检测结果：\n', res_null)
# 检测到 release_date 存在一个缺失值 ---针对方式：填充，查找具体的电影名称，根据电影名称查找上映时间
# a、确定bool数组
mask = all_data.loc[:, 'release_date'].isnull()
# b、根据bool数组来获取缺失值位置的电影名称
movie_name = all_data.loc[mask, 'title']
print('缺失上映日期的电影名称为：\n', movie_name)
# 缺失上映日期的电影名称为：
# 4553 America Is Still the Place
# Name: title, dtype: object
# 通过上网查询该电影的上映日期为：2014-06-01
# c 、 填充
all_data.loc[mask, 'release_date'] = '2014-06-01'
# 将 release_date 转化为 pandas支持的时间序列
all_data.loc[:, 'release_date'] = pd.to_datetime(all_data.loc[:, 'release_date'])
# 获取 发行年份
all_data.loc[:, 'release_year'] = all_data.loc[:, 'release_date'].dt.year
通过上面的结果信息可以知道：整个数据集缺失的数据比较少。 其中 release_date（首次上映日期）缺失 1 个数据,可以通过网上查询补齐这个数据，填补 release_date（首次上映日期）数据
4、数据格式转换
genres 列数据处理：
代码实现：
# 查看电影风格数据
print('电影风格：\n', all_data.loc[:, 'genres']) # json数据类型
# json.loads # 可以将json转化为python类型
# 将 all_data.loc[:, 'genres'] 由 json类型转化为 python类型
all_data.loc[:, 'genres'] = all_data.loc[:, 'genres'].transform(json.loads)
# 构建所有的电影的类型
all_movie_type = set()
# 定义一个函数，来提取电影类型
def get_movie_type(val):
"""
获取电影类型
:param val: 数据
:return: 提取之后的电影类型数据
"""
# 构建一个空列表，用来存储每一个电影的电影类型
type_list = []
# 遍历 列表
for item in val:
# 如果item存在
if item:
# 获取该电影的电影类型
movie_type = item['name']
# 将其加入到 type_list
type_list.append(movie_type)
# 将其加入到 all_movie_type
all_movie_type.add(movie_type)
return ','.join(type_list)
# 调用
all_data.loc[:, 'genres'] = all_data.loc[:, 'genres'].transform(get_movie_type)
print('获取电影类型之后的结果：\n', all_data.loc[:, 'genres'])
# 将所有的电影类型转化为 list
all_movie_type = list(all_movie_type)
# 遍历
for column in all_movie_type:
# 先增加
all_data.loc[:, column] = 0
# 构建bool数组
mask = all_data.loc[:, 'genres'].str.contains(column)
# 修改
all_data.loc[mask, column] = 1
print('all_data:\n', all_data)
四、数据分析及可视化
五、问题一：电影类型如何随着时间的推移发生变化的？
1、建立包含年份与电影类型数量的关系数据框
代码实现：
# 需求：
# （1）电影类型如何随着时间的推移发生变化的？
# 电影类型、 ---genres（电影风格）
# 时间 ------ release_date (首次上映时间)
# 每一年各种电影的变化趋势。
# 按照发行年份进行分组，统计各个电影各个年份的数量
res = all_data.groupby(by='release_year')[all_movie_type].sum()
print('res:\n',res.tail())
# 根据 res 进行结果可视化
2、数据可视化
（1）绘制电影数据类型随时间变化趋势图
代码实现：
import matplotlib.pyplot as plt
# 创建画布
plt.figure()
# 默认不支持中文 ---修改RC参数
plt.rcParams['font.sans-serif'] = 'SimHei'
# 增加字体之后变得不支持负号，需要修改RC参数让其继续支持负号
plt.rcParams['axes.unicode_minus'] = False
# 构建横轴数据
x = groupby_year.index
for movie_type in groupby_year.columns:
# 构建纵轴数据
y = groupby_year[movie_type]
# 绘制折线图
plt.plot(x, y)
# 增加标题
plt.title('电影数据类型随时间变化趋势图')
# 设置图例
plt.legend(groupby_year.columns, fontsize='x-small')
# 设置纵轴名称
plt.ylabel('数量')
# 设置横轴名称
plt.xlabel('年份')
# 增加网络曲线
plt.grid(b=True, alpha=0.2)
# 保存图片
plt.savefig('./电影数据类型随时间变化')
# 展示
plt.show()
分析结论： 从图中观察到，随着时间的推移，所有电影类型都呈现出增长趋势，尤其是 1992 年以 后各个类型的电影均增长迅速，其中 Drama(戏剧)和 Comedy(喜剧)增长最快，目前仍是最热 门的电影类型
（2）绘制各种类型电影数量的统计柱状图
代码实现：
# 导包
from pyecharts.charts import Bar
from pyecharts import options as opts
from pyecharts.globals import ThemeType
movie_type_sum = all_data[list(all_movie_type)].sum(axis=0).sort_values()
print('movie_type_sum:\n', movie_type_sum.tail())
# 1、实例化
bar = Bar(
# 初始化配置
init_opts=opts.InitOpts(
width='2000px', # 画布宽度
height='1000px', # 画布高度
theme=ThemeType.WHITE, # 主题 设置方式
)
)
# 2、添加数据
# 横轴数据
bar.add_xaxis(
movie_type_sum.index.tolist()
)
# 纵轴数据
bar.add_yaxis(
'',
movie_type_sum.values.tolist(),
color='#6495ED'
)
# 3、增加系列配置
bar.set_series_opts(
label_opts=opts.LabelOpts(
is_show=False # 不展示标签
)
)
# 4、增加全局配置
bar.set_global_opts(
title_opts=opts.TitleOpts(
title='各种电影类型数量统计柱状图', # 标题名字
pos_left='center' # 标题位置
),
legend_opts=opts.LegendOpts(
is_show=True # 展示图列
),
xaxis_opts=opts.AxisOpts(
name='数量' # 横轴名称
),
yaxis_opts=opts.AxisOpts(
name='电影类型' # 纵轴名称
)
)
# 图形水平
bar.reversal_axis()
# 5、生成文件
bar.render('./各种电影类型数量统计柱状图.html')
（3）绘制各种电影类型的占比饼图
代码实现：
# 导包
from pyecharts.charts import Pie
from pyecharts import options as opts
from pyecharts.globals import ThemeType
# 1、实例化
pie = Pie(
# 初始化配置
init_opts=opts.InitOpts(
width='2000px', # 画布宽度
height='1000px', # 画布高度
theme=ThemeType.WHITE, # 主题 设置方式
)
)
# 2、添加数据
pie.add(
'',
data_pair=[list(x) for x in zip(list(movie_type_sum.index), movie_type_sum.values.tolist())],
radius=['20%', '75%'] # 内径，外径
)
# 3、增加系列配置
pie.set_series_opts(
label_opts=opts.LabelOpts(
is_show=True, # 展示标签
formatter='{b}{d}' # 数据显示的样式
)
)
# 4、增加全局配置
pie.set_global_opts(
title_opts=opts.TitleOpts(
title='各种电影类型占比饼图', # 标题名字
pos_left='center' # 标题位置
),
legend_opts=opts.LegendOpts(
is_show=False # 不展示图列
)
)
# 5、生成文件
pie.render('./各种电影类型占比饼图.html')
分析结论：
（a）从上面的结果可以看出，在所有的电影类型中，Drama(戏剧)类型电影最多，占所有电影类型的 18.9%，其次为 Comedy(喜剧)，占所有电影类型的 14.2%
（b）在所有电影类型中，电影数量排名前 5 的电影类型分别为：
Drama(戏剧)、Comedy(喜剧)、Thriller(惊悚)、Action（动作）、Romance（冒险）
六、问题二：电影类型与利润的关系？
1、先求出各种电影类型的平均利润
代码实现：
# 电影类型及利润的关系
# all_data --电影类型已存在
# 利润 --- 收入 - 预算
# 计算 利润
all_data.loc[:, 'profit'] = all_data.loc[:, 'revenue'] - all_data.loc[:, 'budget']
print('利润：\n', all_data.loc[:, 'profit'])
# 对比 各种电影类型 的 平均利润 ---柱状图
# Music ---> profit --- sum / music 电影的数量 count ===>平均每一个music电影的利润
#
# 不能使用分组聚合 --存在多列的数据为电影类型
# 构建一个list来存储各种类型电影的平均利润
movie_type_profit = []
# 遍历 所有的 电影类型
for column in all_movie_type:
# column : 各种电影类型
# 确定bool数组 ---为True的电影，属于column类型
mask = all_data.loc[:, column] == 1
# 筛选 column 类型电影 --该类型电影利润的平均值
mean_profit = all_data.loc[mask, 'profit'].mean()
# 加入到 movie_type_profit
movie_type_profit.append(mean_profit)
print(all_movie_type)
print(movie_type_profit)
# 创建series
res_series = pd.Series(data=movie_type_profit, index=all_movie_type).sort_values()
print('res_series:\n', res_series)
2、电影类型平均利润数据可视化
代码实现：
# 可视化 ---比 各种电影类型 的 平均利润 ---柱状图
# Pyecharts
# 实例化对象
bar = Bar(
# 初始化配置
init_opts=opts.InitOpts(
width='900px',
height='600px',
theme="white"
)
)
# 添加数据
bar.add_xaxis(
xaxis_data=res_series.index.tolist()
)
bar.add_yaxis(
series_name=' ',
yaxis_data=[float('%.2f' % i) for i in (res_series / 1000000)],
color='#6495ED'
)
# 设置全局配置
bar.set_global_opts(
# 标题
title_opts=opts.TitleOpts(
title='各种电影类型利润统计柱状图',
# subtitle='广州分校Python0421班级'
pos_left='center',
pos_top='3%'
),
# 图例
legend_opts=opts.LegendOpts(
is_show=False,
),
# 横轴坐标设置
xaxis_opts=opts.AxisOpts(
name='利润(百万)'
),
# # 坐标系设置
yaxis_opts=opts.AxisOpts(
name='电影类型'
)
)
# 设置系列配置
bar.set_series_opts(
label_opts=opts.LabelOpts(
is_show=True,
position='right',
color='#000000',
formatter='{c}'
)
)
# 反转坐标轴
bar.reversal_axis()
# 生成文件
bar.render('./各种电影类型利润统计柱状图.html')
分析结论：
从图中观察到，拍摄 Animation、Adventure、Fantasy 这三类电影盈利最好，而拍摄 Foreign、TV Movie 这两类电影会存在亏本的风险
七、问题三：Universal Pictures 和 Paramount Pictures 两家影视公司发行 电影的对比情况如何？
Universal Pictures(环球影业)和 Paramount Pictures(派拉蒙影业)是美国两家电影 巨头公司
（1）、查看 Universal Pictures 和 Paramount Pictures 两家影视公司电影发行的数量 先对 production_companies 列数据进行处理
查询 production_companies 数据列并统计 Universal Pictures 和 Paramount Pictures 的数据
代码实现：
# 3、Universal Pictures 和 Paramount Pictures 两家影视公司发行 电影的对比情况如何？
# 如何决定 某个电影 属于哪家公司？
# production_companies 制作公司
print('查看制作公司字段：\n', all_data.loc[:, 'production_companies']) # json字符串数据
# print('查看制作公司字段：\n',type(all_data.loc[0,'production_companies']))
# 只要 production_companies 数据里面包含Universal Pictures ---该电影属于Universal Pictures
# 只要 production_companies 数据里面包含Paramount Pictures ---该电影属于Paramount Pictures
# 先增加两列数据
all_data.loc[:, 'Universal Pictures'] = 0
all_data.loc[:, 'Paramount Pictures'] = 0
# 判断 ---bool数组
mask1 = all_data.loc[:, 'production_companies'].str.contains('Universal Pictures')
# 修改
all_data.loc[mask1, 'Universal Pictures'] = 1
# 判断 --bool数组
mask2 = all_data.loc[:, 'production_companies'].str.contains('Paramount Pictures')
# 修改
all_data.loc[mask2, 'Paramount Pictures'] = 1
print('all_data:\n', all_data)
# 保存
all_data.to_excel('./hhhhh.xlsx')
绘制饼状图比较两家公司发行的电影占比：
代码实现：
# 比较两家公司总的发行量对比饼图
# 发行量计算
res_pie = all_data.loc[:, ['Universal Pictures', 'Paramount Pictures']].sum()
print('res_pie:\n', res_pie)
# # Pyecharts
#
pie = Pie(
# 初始化配置
init_opts=opts.InitOpts(
width='900px',
height='500px',
theme="white"
)
)
# 准备数据
data_pair = [(k, v) for k, v in zip(res_pie.index.tolist(), res_pie.tolist())]
print('data_pair:\n', data_pair)
# 添加数据
pie.add(
series_name=res_pie.index.tolist(),
data_pair=data_pair,
radius=['30%', '70%'],
# rosetype='radius'
)
# 设置全局配置
pie.set_global_opts(
# 标题
title_opts=opts.TitleOpts(
title='各家公司发行电影数量占比饼图',
# subtitle='广州分校Python0421班级'
pos_left='center',
pos_top='3%'
),
# 图例
legend_opts=opts.LegendOpts(
is_show=False,
# type_='scroll'
),
)
# 设置系列配置
pie.set_series_opts(
label_opts=opts.LabelOpts(
is_show=True,
color='#000000',
formatter='{b}:{c}'
)
)
# 生成文件
pie.render('./各家公司发行电影数量占比饼图.html')
（2）分析 Universal Pictures 和 Paramount Pictures 两家影视公司电影发行的走势 抽取相关数据列进行处理，绘制两家影视公司电影发行的折线图
代码实现：
# 查看两家公司发行量随时间变化趋势
# 按照 release_year分组，统计两家公司每年的发行数量
res_line = all_data.groupby(by='release_year')[['Universal Pictures', 'Paramount Pictures']].sum()
print('res_line:\n', res_line)
# 绘制折线图
# 创建画布
plt.figure()
# 默认不支持中文 ---修改RC参数
plt.rcParams['font.sans-serif'] = 'SimHei'
# 增加字体之后变得不支持负号，需要修改RC参数让其继续支持负号
plt.rcParams['axes.unicode_minus'] = False
# 绘图
# 准备x
x = np.arange(res_line.shape[0])
# 准备y
y = res_line.values
# 绘图
plt.plot(x, y)
# 增加标题
plt.title('各个电影公司发行量随时间变化趋势')
# 图例
plt.legend(res_line.columns)
# 横轴名称
plt.xlabel('时间')
# 纵轴名称
plt.ylabel('发行量')
# 横轴刻度
plt.xticks(x[::10], res_line.index[::10], rotation=45)
# 展示
plt.show()
分析结论：
从图中观察到，随着时间的推移，Universal Pictures 和 Paramount Pictures 公司的 电影发行量呈现出增长趋势，尤其是在 1995 年后增长迅速，其中 Universal Pictures 公司 比 Paramount Pictures 公司发行的电影数量更多
八、问题四：改编电影和原创电影的对比情况如何？
对 keywords 列数据处理：
代码实现：
# 4、 改编电影和原创电影的对比情况如何？
# 如何确定电影是改编的？还是原创的呢？
# 与电影相关的关键字 keywords
# 如果在这里是根据小说改编的 base on novel/fairy tale/.....
# 只要出现 base on 这个字眼 就说明 是改编的
# 查看 keywords
print('查看 keywords:\n', all_data.loc[:, 'keywords'])
# 先增加一列
all_data.loc[:, 'not_original'] = 'original'
# 确定bool数组，如果是改编的，那就将 not_original 修改为1
mask = all_data.loc[:, 'keywords'].str.contains('based on')
# 修改
all_data.loc[mask, 'not_original'] = 'not_original'
print('all_data:\n', all_data)
# 保存
# all_data.to_excel('./hhhhh.xlsx')
# 按照是否原创进行分组，统计原创电影的平均预算、收入、利润
res_not_original = all_data.groupby(by='not_original')[['budget', 'revenue', 'profit']].mean()
print('res_not_original:\n', res_not_original)
描绘柱状图，对改编电影与原创电影在预算、收入及利润三方面进行比较：
代码实现：
# 可视化
# Pyecharts
# 实例化对象
bar = Bar(
# 初始化配置
init_opts=opts.InitOpts(
width='900px',
height='600px',
theme="white"
)
)
# 添加数据
bar.add_xaxis(
xaxis_data=res_not_original.columns.tolist()
)
bar.add_yaxis(
series_name='not_original',
yaxis_data=res_not_original.loc['not_original', :].tolist(),
# color='#6495ED'
gap='0%',
)
bar.add_yaxis(
series_name='original',
yaxis_data=res_not_original.loc['original', :].tolist(),
# color='#6495ED',
category_gap='60%'
)
# 设置全局配置
bar.set_global_opts(
# 标题
title_opts=opts.TitleOpts(
title='原创与非原创电影预算、收入、利润对比柱状图',
# subtitle='广州分校Python0421班级'
pos_left='center',
# pos_top='3%'
),
# 图例
legend_opts=opts.LegendOpts(
is_show=True,
pos_top='5%'
),
# 横轴坐标设置
xaxis_opts=opts.AxisOpts(
name='对比字段'
),
# # 坐标系设置
yaxis_opts=opts.AxisOpts(
name='预算、收入、利润'
)
)
# 设置系列配置
bar.set_series_opts(
label_opts=opts.LabelOpts(
is_show=True,
position='top',
color='#000000',
formatter='{c}'
)
)
# 生成文件
bar.render('./原创与非原创电影预算、收入、利润对比柱状图.html')
分析结论：从图上可以看出，改编电影的预算略高于原创电影，但改编电影的票房收入 和利润远远高于原创电影， 这可能是改编电影拥有一定的影迷基础
九、问题五：电影时长与电影票房及评分的关系
电影时长与电影票房的关系：
电影时长与电影平均评分的关系：
分析结论：从图上可以看出，电影要想获得较高的票房及良好的口碑，电影的时长应保 持在 90~150 分钟内
代码实现：
# 5、电影时长与电影票房及评分的关系
# 电影票房 ---收入 ---revenue
# 评分 --- vote_average
# 电影时长 ----runtime
print('查看电影时长、票房、评分：\n', all_data.loc[:, ['runtime', 'revenue', 'vote_average']])
# 电影时长存在缺失值
# 查询缺时长的电影，然后 ---查询具体的电影时长，填充
# 确定bool数组
mask = all_data.loc[:, 'runtime'].isnull()
# 筛选缺失的电影名称
movie_name = all_data.loc[mask, 'title']
print('缺失时长的电影名称为：\n', movie_name)
# 缺失时长的电影名称为：
# 2656 Chiamatemi Francesco - Il Papa della gente 94分钟
# 4140 To Be Frank, Sinatra at 100 81分钟
# Name: title, dtype: object
# 填充
all_data.loc[all_data.loc[:, 'title'] == 'Chiamatemi Francesco - Il Papa della gente', 'runtime'] = 94
all_data.loc[all_data.loc[:, 'title'] == 'To Be Frank, Sinatra at 100', 'runtime'] = 81
# 电影时长与电影票房及评分的关系
# 按照 电影时长 分组，查看不同电影时长的平均票房、平均评分
# 对比不同的时长段的电影的平均票房、平均评分
# 对电影时长进行离散化
# 等宽、等频、自定义
# 自定义分组
bins = [0, 60, 90, 120, 150, 180, 210, 350]
# 进行离散化
all_data.loc[:, 'runtime'] = pd.cut(x=all_data.loc[:, 'runtime'],
bins=bins,
include_lowest=True)
# 分组聚合
res_runtime = all_data.groupby(by='runtime')[['revenue', 'vote_average']].mean().sort_values(
by=['revenue', 'vote_average'])
print('res_runtime:\n', res_runtime)
电影时长与电影票房及评分的关系柱状图：
代码实现：
# 绘图
# 可视化
# Pyecharts
# 实例化对象
bar = Bar(
# 初始化配置
init_opts=opts.InitOpts(
width='900px',
height='600px',
theme="purple-passion"
)
)
# 添加数据
bar.add_xaxis(
xaxis_data=[str(tmp) for tmp in res_runtime.index]
)
bar.add_yaxis(
series_name='revenue',
yaxis_data=res_runtime.loc[:, 'revenue'].tolist(),
# color='#6495ED'
gap='0%',
yaxis_index=0
)
bar.add_yaxis(
series_name='vote_average',
yaxis_data=res_runtime.loc[:, 'vote_average'].tolist(),
# color='#6495ED',
category_gap='60%',
yaxis_index=1,
)
# 增加坐标轴
bar.extend_axis(
# 增加纵轴
yaxis=opts.AxisOpts(
type_='value', # 数值轴
min_=0,
max_=10,
position='right',
offset=0,
name='评分',
axislabel_opts=opts.LabelOpts(
formatter='{value}'
)
)
)
# 设置全局配置
bar.set_global_opts(
# 标题
title_opts=opts.TitleOpts(
title='不同时长的电影票房、评分的对比柱状图',
# subtitle='广州分校Python0421班级'
pos_left='center',
# pos_top='3%'
),
# 图例
legend_opts=opts.LegendOpts(
is_show=True,
pos_top='5%'
),
# 横轴坐标设置
xaxis_opts=opts.AxisOpts(
name='时间段'
),
# # 坐标系设置
yaxis_opts=opts.AxisOpts(
name='票房'
),
tooltip_opts=opts.TooltipOpts(
formatter='{c}',
trigger='axis',
axis_pointer_type='cross'
)
)
# 设置系列配置
bar.set_series_opts(
label_opts=opts.LabelOpts(
is_show=False,
position='top',
color='#000000',
formatter='{c}',
)
)
# 生成文件
bar.render('./不同时长的电影票房、评分的对比柱状图.html')