Pandas 教程 — 筛选让你动心的电影(1)

在学习 Pandas 之前，首先需要安装 Pandas，在 Python 中安装模块使用 pip install 模块名即可，但因为 Pandas 依赖于很多包，所以直接安装的话很大概率会遇到各种各样的问题。

建议直接安装 Anaconda，省时省心，Anaconda 会默认安装众多流行的科学、数学、工程、数据分析的模块，比如 Numpy、Scipy、Matplotlib、Pandas 等，同时可以方便地对各种模块进行管理，搭配着使用 Python 编辑器 Pycharm，干活绝对不累。安装时请注意区分不同的版本，本教程使用的是 Python 2.7。

一切就绪后，开始读取电影数据文件 (下载)，看看数据都有啥

import pandas as pd

movie_pd = pd.read_csv('douban_movie.csv', header = 0, sep = '\t')
print movie_pd.info()

pd.read_csv( ) 负责把 csv 文件读入进来，关于文件的读取操作之后会专门讲，这里先不用太在意，把数据跑起来再说，然后 movie_pd.info( ) 输出如下：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3688 entries, 0 to 3687
Data columns (total 16 columns):
actor_count     3688 non-null int64
actors          3688 non-null object
category        3688 non-null object
cover_url       3688 non-null object
id              3688 non-null int64
is_playable     3688 non-null bool
is_watched      3688 non-null bool
rank            3688 non-null int64
rating          3688 non-null object
regions         3688 non-null object
release_date    3688 non-null object
score           3688 non-null float64
title           3688 non-null object
types           3688 non-null object
url             3688 non-null object
vote_count      3688 non-null int64
dtypes: bool(2), float64(1), int64(4), object(9)
memory usage: 410.6+ KB
None

这个输出的信息量很大，有索引、列名、列的数据类型 ( int64、bool、float64、object )。

可以看出电影数据共有 16 列，列名分别是：actor_count (主演的人数)、actors (主演列表)、category (分类)、cover_url (封面图片网址)、id (电影id)、is_playable (是否可以播放)、is_watched (是否可以观看)、rank (排名)、rating (评分, 含星级)、regions (制片国家)、release_date (上映日期)、score (评分)、title (电影标题)、types (类型, 多个)、url (电影详情页网址)、vote_count (评价的人数)。

对应的豆瓣电影页面如下：

image

然后接着看看能不能得到一些定量的数据

print movie_pd.describe()

输出的结果如下：

actor_count            id         rank        score     vote_count
count  3688.000000  3.688000e+03  3688.000000  3688.000000    3688.000000
mean      8.418655  3.655456e+06   124.189534     8.522587   71773.012744
std       6.067463  6.095063e+06   116.329492     0.394342  119190.948797
min       0.000000  1.291543e+06     1.000000     7.300000     305.000000
25%       4.000000  1.296384e+06    36.000000     8.300000    3513.000000
50%       7.000000  1.307067e+06    87.000000     8.500000   15786.000000
75%      12.000000  2.150085e+06   177.000000     8.800000   85188.000000
max      54.000000  2.710254e+07   534.000000     9.700000  875424.000000

可以看出，对于变量类型是 int64 和 float64 的数值型变量，列出了个数、均值、方差、最小值、最大值和四分位数。比如这些电影平均 vote_count 是 71773 人，最多有 875424 个人对某个电影进行了评分，电影平均 score 高达 8.5 分等。

最后，看看原始数据长什么样子

print movie_pd.head()
print movie_pd.tail()

输出结果如下：

actor_count                  actors                category
0           19    [张国荣, 张丰毅, 巩俐, 葛优...           同性   
1           10    [伊恩·麦克莱恩, 德里克·雅各比...          同性   
2            5    [蒂莫西·柴勒梅德, 艾米·汉莫...            同性   
3            3    [张国荣, 梁朝伟, 张震]                   同性   
4            5    [赵文瑄, 归亚蕾, 金素梅, 郎雄...]         同性                                cover_url                       id       is_playable 
0  https://img3.doubanio.com/view/movie_...   1291546        True   
1  https://img3.doubanio.com/view/movie_...   26700818       False   
2  https://img3.doubanio.com/view/movie_...   26799731       False   
3  https://img3.doubanio.com/view/movie_...   1292679        False   
4  https://img3.doubanio.com/view/movie_...   1303037        False   

   is_watched  rank     rating         regions      release_date   score  
0       False     1  [9.5, 50]     [中国大陆, 香港]     1993-01-01    9.5  
1       False     2  [9.3, 50]     [英国]              2016-06-19    9.3   
2       False     3  [9.3, 50]     [意大利, 法国...]    2017-01-22    9.3   
3       False     4  [8.8, 45]     [香港, 日本, 韩国]   1997-05-30    8.8   
4       False     5  [8.8, 45]     [台湾, 美国]        1993-08-04    8.8   

       title                 types
0       霸王别姬          [剧情, 爱情, 同性]   
1  极品基老伴：完结篇          [喜剧, 同性]   
2  请以你的名字呼唤我          [爱情, 同性]   
3       春光乍泄          [剧情, 爱情, 同性]   
4         喜宴       [剧情, 喜剧, 爱情, 同性, 家庭]   

                       url                       vote_count  
0   https://movie.douban.com/subject/1291546/      629403  
1  https://movie.douban.com/subject/26700818/       13516  
2  https://movie.douban.com/subject/26799731/         739  
3   https://movie.douban.com/subject/1292679/      240127  
4   https://movie.douban.com/subject/1303037/      133193

head( ) 方法会默认显示出 movie_pd 的前 5 行数据

tail( ) 方法会默认显示 movie_pd 的后 5 行数据

如果想要显示多于 5 行的数据怎么办呢？传入参数可以，比如 movie_pd.head(10) 表示显示前 10 行数据，tail(20) 表示显示后 20 行数据。

划重点

info( ) 查看数据有哪些字段和字段对应的数据类型
describe( ) 对数值型变量进行统计性描述
head( n ) 显示数据前 n 行
tail( n ) 显示数据后 n 行