可视化分析2015年中国内地电影总票房Top25
注：本文案例数据来自于艺恩电影营销智库
从网页抓取数据
方法一：使用XML包中的readHTMLTable函数抓取网页表格数据。
方法二：如果用的是chrome浏览器，可以安装一个名叫Table Capture的插件，自动抓取网页表格数据。通过粘贴板或者导入到google的电子表格并下载到本地后，将数据加载到R
本文使用方法一。在windows中，得到的数据会出现中文列变量名乱码（对列变量重新命名就好了，linux不会）。
library(XML) library(ggplot2) url <- "http://www.cbooo.cn/year?year=2015" url <- htmlParse(url, encoding="UTF-8")#解析文件，需指定encoding为"UTF-8"，否则乱码 tables <- readHTMLTable(url) table <- tables[[1]] head(table) 排名：影片名 类型 总票房（万） 平均票价 场均人次 国家及地区 上映日期 1 1.捉妖记 魔幻 243952 37 42 中国 2015-07-16 2 2.速度与激情7 动作 242655 39 42 美国/日本 2015-04-12 3 3.港�� 喜剧 161336 33 40 中国 2015-09-25 4 4.复仇者联盟2：奥创纪元 科幻 146438 40 29 美国 2015-05-12 5 5.夏洛特烦恼 喜剧 144145 32 34 中国 2015-09-30 6 6.侏罗纪世界 动作 142066 38 33 美国 2015-06-10
清洗并整理数据
names(table) <- c("title", "type", "boxoffice", "meanprice", "numofpeople", "nation", "date")
boxdf <- as.data.frame(lapply(table, as.character), stringsAsFactors=FALSE)
boxdf[,1] <- sub(pattern="\\d{1,2}.", replacement="", table[,1])
boxdf <- cbind(rank = 1:25,boxdf)
col1 <- c(3,7)
col2 <- 4:6
boxdf[, col1] <- lapply(boxdf[,col1], as.factor)
boxdf[, col2] <- sapply(boxdf[,col2], as.numeric)
可视化结果
现在，我们得到了一个25行8列的电影票房数据框。先查看下结构：
str(boxdf) 'data.frame': 25 obs. of 8 variables: $ rank : int 1 2 3 4 5 6 7 8 9 10 ... $ title : chr "捉妖记" "速度与激情7" "港��" "复仇者联盟2：奥创纪元" ... $ type : Factor w/ 8 levels "剧情","动作",..: 8 2 4 7 4 2 5 4 2 3 ... $ boxoffice : num 243952 242655 161336 146438 144145 ... $ meanprice : num 37 39 33 40 32 38 36 33 39 35 ... $ numofpeople: num 42 42 40 29 34 33 45 39 37 34 ... $ nation : Factor w/ 9 levels "中国","中国/中国香港",..: 1 8 1 5 1 5 1 1 1 1 ... $ date : chr "2015-07-16" "2015-04-12" "2015-09-25" "2015-05-12" ...
下面用ggplot2来可视化电影票房情况
ggplot(boxdf)+ geom_bar(aes(x=reorder(title, boxoffice), y=boxoffice, fill = "boxoffice"), position = "dodge",stat = "identity")+ scale_fill_manual(values=c(boxoffice="#A6CEE3")) + coord_flip() + theme(axis.text.x = element_text(size = rel(2)), axis.text.y = element_text(size = rel(2)), plot.title=element_text(vjust=2,size=rel(2)), legend.title = element_text(size = 18)) + labs(x=NULL, y=NULL, title="2015年中国内地电影总票房Top25(单位:万)")
从下面的条形图可以看到观众最喜欢的三大电影类型依次是动作、科幻、喜剧。
typedata <- as.data.frame(table(boxdf$type))
names(typedata) <- c("type","number")
ggplot(typedata, aes(x=type, y =number, fill=type))+
geom_bar(position="dodge", stat="identity")+
geom_text(aes(label=number), hjust=0.5, vjust=-0.5, size=5) +
theme(axis.title.x = element_text(colour="black", size=18),axis.text.x = element_text(size = rel(2)),
axis.title.y = element_text(colour="black", size=18),axis.text.y = element_text(size = rel(2)),
plot.title=element_text(vjust=2,size=rel(2)), legend.title=element_text(size=20)) +
labs(x="电影类型",y="影片数", title="2015年中国内地电影票房Top25的电影类型分布")
本文为雪晴数据网原创内容，作者温水根。转载请注明本文链接http://www.xueqing.cc/cms/article/115