简介这份资源是面向计算机相关专业学生与项目实战学习者的Python电影数据分析及可视化毕业设计完整资料包经导师指导并认可可直接用于毕业设计、课程设计或期末大作业。包内共39个文件涵盖Python源码、前端页面与样式脚本、数据库文件、答辩PPT及说明文档等压缩包约20.87MB目录结构清晰便于按模块查阅与二次开发。项目围绕电影数据的采集、清洗、统计分析与可视化展示展开包含主程序入口、数据库操作模块、模板页面与静态资源并附有答辩PPT与相关分析文档方便理解整体设计思路与实现细节。所有代码均经过严格调试确保可运行读者可据此掌握数据分析流程、可视化图表实现与项目部署方法也能作为答辩与文档撰写的参考。目前已有468人学习下载适合需要完整项目案例与实战练习的学习者参考使用。1. 电影数据分析项目到底在做什么从一份毕业设计压缩包说起很多同学拿到「基于python电影数据分析及可视化源码PPT文档资料毕业设计.zip」这类资源时第一反应是解压、跑通、截图、交差。但真正答辩时被问一句「你的数据从哪来、清洗规则是什么、为什么用这个图不用那个图」往往就卡壳了。这个标题背后其实是一条完整的数据分析链路用 Python 采集或读取电影数据做清洗与特征提取再用可视化把票房、评分、类型、年份等维度讲成一个有结论的故事最后配上 PPT 文档形成可交付的毕业设计。它适合计算机、大数据、信息管理方向的本科生也适合想用一个小而完整的项目入门 pandas 与 echarts 可视化的自学者。核心不是代码有多长而是你能不能把「数据 → 结论 → 图表」这条线讲清楚。2. 数据从哪来、怎么存电影数据集的获取与结构设计2.1 三种常见数据来源与选型理由电影数据不像电商订单那样有现成接口常见做法有三类。第一类是公开数据集比如豆瓣 Top250 的公开整理版、Kaggle 上的 TMDB 电影元数据字段通常包含片名、评分、评价人数、类型、上映年份、导演、主演。优点是结构干净、可直接进 pandas缺点是字段固定想加「票房」往往没有。第二类是自己写爬虫抓取用 requests BeautifulSoup 或 lxml 解析列表页与详情页能拿到更贴合选题的字段但要处理反爬、编码、分页。第三类是手动整理 Excel适合数据量小、只做可视化展示的场景缺点是工作量大且不好写进「技术实现」章节。我一般建议毕业设计用「公开数据集为主 少量爬虫补充」的组合主体数据保证可复现补充字段体现工作量。选型时先问自己三个问题——答辩时能不能说清数据来源合法性、字段是否支撑你要做的图表、数据量是否在 500 到 5000 条之间太少图表没意义太多清洗成本高。2.2 用 pandas 读取并统一字段的最小代码下面这段代码演示读取 CSV、重命名列、统一缺失值标记的完整流程是后续所有分析的地基。import pandas as pd import numpy as np # 读取原始数据注意 encoding 常见为 utf-8 或 gbk df pd.read_csv(movies_raw.csv, encodingutf-8) # 统一列名避免中文列名在后续绘图时出问题 df df.rename(columns{ 电影名: title, 评分: rating, 评价人数: votes, 类型: genre, 上映年份: year, 导演: director }) # 评分转数值无法转换的置为 NaN df[rating] pd.to_numeric(df[rating], errorscoerce) df[votes] pd.to_numeric(df[votes], errorscoerce) df[year] pd.to_numeric(df[year], errorscoerce) # 删除标题为空的行评分缺失的先保留待后续填充 df df.dropna(subset[title]) print(df.shape) print(df.dtypes)逻辑说明rename把中文列名换成英文是为了后面用 matplotlib 或 pyecharts 时避免字体与编码问题pd.to_numeric的errorscoerce参数是关键它把「暂无评分」「9.0分」这类脏数据统一变成 NaN而不是直接报错中断。参数上encoding要根据实际文件调整Windows 下导出的 CSV 常是 gbk读出来乱码就换编码重试。dropna(subset[title])只删标题缺失的行因为标题是主键评分缺失可以后面用中位数填充。2.3 数据表结构设计与字段含义把数据落成一张主表最省事字段设计如下表。这张表既是代码里的 DataFrame 结构也是 PPT 里「数据说明」页的素材。字段名类型含义是否可空titlestring电影名称否ratingfloat评分0-10是votesint评价人数是genrestring类型多值用 / 分隔是yearint上映年份是directorstring导演是countrystring制片国家是提示genre 字段如果是「剧情/爱情/喜剧」这种多值不要急着拆成多列先保留原样等做类型分布图时再用str.split展开这样原始信息不丢。3. 清洗与特征工程让评分和票房能真正拿来画图3.1 缺失值、异常值与重复值的处理顺序清洗顺序错了后面全白做。我的习惯是先去重再处理异常值最后填缺失。去重用df.drop_duplicates(subset[title, year])因为同名电影可能翻拍标题加年份才是唯一键。异常值重点看评分和年份评分超出 0 到 10 的直接置 NaN年份小于 1900 或大于当前年份的也置 NaN。缺失值填充要分字段——评分用同类型电影的中位数填充比全局均值合理评价人数缺失可以填 0 并单独标记因为「没人评价」和「评价人数未知」是两回事。# 去重 df df.drop_duplicates(subset[title, year]) # 异常值处理 df.loc[(df[rating] 0) | (df[rating] 10), rating] np.nan df.loc[(df[year] 1900) | (df[year] 2025), year] np.nan # 按类型分组填充评分中位数 df[rating] df.groupby(genre)[rating].transform( lambda x: x.fillna(x.median()) ) # 若仍有缺失用全局中位数兜底 df[rating] df[rating].fillna(df[rating].median()) # 评价人数缺失填 0 df[votes] df[votes].fillna(0).astype(int)groupby(...).transform是这里最值得讲的参数它返回与原表等长的序列不会改变行数比apply更适合填充场景。lambda x: x.fillna(x.median())对每个类型组单独算中位数避免用爱情片的评分去填恐怖片的缺失。3.2 从年份和类型里榨出可分析的维度原始字段往往不够用需要派生新列。年份可以派生出「年代」每十年一档类型可以拆出「是否剧情片」「是否系列电影」这类布尔特征。评价人数跨度极大从几十到几百万直接画图会被极端值压扁所以做对数变换np.log1p(votes)是常见做法。# 派生年代列 df[decade] (df[year] // 10 * 10).astype(Int64) # 类型拆分为列表便于统计 df[genre_list] df[genre].fillna().str.split(/) # 评价人数对数变换缓解长尾分布 df[votes_log] np.log1p(df[votes]) # 标记是否为高评分电影 df[is_high_rated] df[rating] 8.0np.log1p等价于log(1x)专门处理含 0 的数据比np.log安全。astype(Int64)用大写 I 是为了支持缺失值普通int64遇到 NaN 会报错。这些派生列在画「各年代电影数量」「评分与评价人数关系」时直接可用。3.3 用 describe 和分组统计做清洗后的自检清洗完不能直接画图先跑一遍统计自检确认没有离谱的值。print(df[[rating, votes, year]].describe()) # 按年代统计电影数量和平均评分 decade_stat df.groupby(decade).agg( count(title, count), avg_rating(rating, mean) ).reset_index() print(decade_stat)describe看 min 和 max 是否在合理区间groupby().agg()用命名聚合让结果列名清晰。如果某个年代 count 只有个位数画折线图时那个点会剧烈抖动答辩时容易被追问所以要么合并年代要么在图里标注样本量。4. 可视化怎么选图评分、票房、类型三个维度的落地画法4.1 评分分布与年代趋势直方图加折线图的组合评分是连续变量看分布用直方图看趋势用折线图。用 matplotlib 画的时候中文字体要提前设置否则全是方框这是新手最常见的翻车点。import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False fig, axes plt.subplots(1, 2, figsize(14, 5)) # 左图评分分布直方图 axes[0].hist(df[rating].dropna(), bins20, color#4C72B0, edgecolorwhite) axes[0].set_title(电影评分分布) axes[0].set_xlabel(评分) axes[0].set_ylabel(电影数量) # 右图各年代平均评分折线图 axes[1].plot(decade_stat[decade], decade_stat[avg_rating], markero, color#DD8452) axes[1].set_title(各年代平均评分趋势) axes[1].set_xlabel(年代) axes[1].set_ylabel(平均评分) plt.tight_layout() plt.savefig(rating_analysis.png, dpi150)font.sans-serif设为 SimHei 是 Windows 下的常用做法Mac 可换 Arial Unicode MSLinux 服务器没有中文字体时要么装字体要么改用英文标签。axes.unicode_minus False解决负号显示成方块的问题。dpi150保证导出图片放进 PPT 不糊。tight_layout自动调整子图间距避免标题和坐标轴重叠。4.2 类型分布与票房对比横向条形图更适合长标签电影类型名称较长用横向条形图barh比竖向柱状图可读性好。先把 genre_list 展开统计频次。from collections import Counter # 展开所有类型并计数 genre_counter Counter([g for sublist in df[genre_list] for g in sublist if g]) genre_df pd.DataFrame(genre_counter.most_common(10), columns[genre, count]) fig, ax plt.subplots(figsize(10, 6)) ax.barh(genre_df[genre][::-1], genre_df[count][::-1], color#55A868) ax.set_xlabel(电影数量) ax.set_title(Top10 电影类型分布) plt.tight_layout() plt.savefig(genre_distribution.png, dpi150)Counter做频次统计比手写循环简洁most_common(10)直接取前 10。[::-1]反转顺序是因为 barh 默认从下往上画反转后数量最多的类型显示在最上方符合阅读习惯。如果要做「各类型平均评分」对比把 count 换成 groupby 后的 mean 即可图类型不变。4.3 用 pyecharts 做可交互大屏适合答辩演示的加分项静态图放进 PPT 够用但如果想体现「可视化大屏」这个热词pyecharts 生成的 HTML 可以交互答辩时鼠标悬停看数值很加分。下面是一个评分与评价人数散点图的最小示例。from pyecharts.charts import Scatter from pyecharts import options as opts sample df.dropna(subset[rating, votes_log]).sample(300, random_state42) scatter ( Scatter() .add_xaxis(sample[rating].round(1).tolist()) .add_yaxis(评价人数(对数), sample[votes_log].round(2).tolist()) .set_global_opts( title_optsopts.TitleOpts(title评分与评价人数关系), xaxis_optsopts.AxisOpts(name评分), yaxis_optsopts.AxisOpts(name评价人数 log), ) ) scatter.render(rating_votes_scatter.html)sample(300)是因为散点太多会糊成一片随机抽样 300 个点既保留趋势又保证渲染流畅random_state固定随机种子让每次结果一致方便复现。render输出 HTML用浏览器打开即可交互。注意 pyecharts 版本差异较大导入路径在不同版本可能不同跑之前先确认已安装的版本。5. 避坑与排查毕业设计里最容易翻车的五个地方5.1 中文乱码图表全是方框现象matplotlib 图上标题和标签显示为一个个方框。原因默认字体不含中文且系统未正确指定中文字体。解决在绘图前设置plt.rcParams[font.sans-serif] [SimHei]Mac 换成[Arial Unicode MS]Linux 用fc-list :langzh查可用中文字体再填进去。如果换了字体还不行清理 matplotlib 缓存目录后重试。5.2 编码报错UnicodeDecodeError现象pd.read_csv直接抛UnicodeDecodeError: utf-8 codec cant decode byte。原因文件实际是 gbk 或 gb18030 编码常见于 Excel 另存的 CSV。解决先试encodinggbk再试encodinggb18030还不行就用chardet检测。最稳的办法是用 Excel 打开后另存为 UTF-8 编码的 CSV。5.3 评分被当成字符串排序和计算全乱现象df[rating].mean()报错或结果离谱排序时「10」排在「9」前面。原因评分列里混有「暂无评分」等文本pandas 推断为 object 类型。解决读取时加dtype{rating: float}会直接报错暴露问题更好的是读完后用pd.to_numeric(errorscoerce)转换再检查 NaN 比例超过 30% 就要回头查数据源。5.4 图表数据对不上清洗前后行数不一致现象PPT 里写「共 2000 部电影」图上加起来只有 1800。原因去重、异常值置 NaN 后 dropna 又删了一批但文档没同步更新。解决每一步清洗后都打印df.shape并记录最终以清洗后的行数为准写进文档。建议在代码里用注释标出每步删了多少行答辩被问时能直接答。5.5 pyecharts 图表空白HTML 打开没内容现象生成的 HTML 用浏览器打开一片空白。原因多半是数据里含 NaN 或 Nonepyecharts 序列化失败也可能是 CDN 资源加载问题。解决绘图前对数据做dropna()数值统一round(2)避免浮点过长。如果是离线环境把 pyecharts 的 js 依赖改为本地引用或直接用 matplotlib 出静态图保底。6. 让这份毕业设计多拿十分的两个进阶技巧第一个技巧是把「结论」写进图里而不是只放图。答辩老师看的是你的分析能力不是绘图能力。比如你发现「90 年代平均评分最高但样本量最少」就在 PPT 对应页写一句「90 年代高分可能受样本量影响需谨慎解读」这一句就能体现你懂统计陷阱。具体做法是在代码里把关键统计量算出来存成变量导出到文本或直接写进图标题。top_decade decade_stat.sort_values(avg_rating, ascendingFalse).iloc[0] note f最高平均评分年代{int(top_decade[decade])}s样本量 {int(top_decade[count])} print(note) # 把 note 写进 PPT 的结论页第二个技巧是给项目加一个「可复现说明」。在压缩包里放一个requirements.txt和一段 README写明 Python 版本、依赖库版本、运行顺序。很多人答辩被问「换台电脑能跑吗」就慌其实只要pip install -r requirements.txt能装上再按data_clean.py → analysis.py → visualize.py顺序跑就能复现。依赖版本不要写太死用pandas1.5这种范围写法避免答辩现场装不上。# requirements.txt 示例 pandas1.5 numpy1.23 matplotlib3.6 pyecharts2.0我自己的血泪经验是毕业设计最花时间的不是写代码而是清洗数据和调图表细节代码可能只占三成时间。所以别等到最后一周才动手先把数据跑通、把图出一版再慢慢补 PPT 文档。另外PPT 里每一张图都要能回答「这张图说明了什么」答不上来的图就删掉宁少勿滥。希望帮到你。本文还有配套的精品资源点击获取