基于python对中国文化影视作品的分析与统计_第1页
基于python对中国文化影视作品的分析与统计_第2页
基于python对中国文化影视作品的分析与统计_第3页
基于python对中国文化影视作品的分析与统计_第4页
基于python对中国文化影视作品的分析与统计_第5页
已阅读5页,还剩34页未读, 继续免费阅读

付费下载

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

目录摘要 [18]。实际展示基于Flask框架搭建了一个简单的网页,用来展示影视作品相关数据及可视化统计结果。网页是用Flask框架建立的,利用Flask实现了不同页面的响应,在数据展示采用HTML和JavaScript图表库来呈现数据和生成统计图,MySql数据库存储了影视作品的相关数据用Flask和数据库交互,实现数据的读取展示,网页上面有影视作品评论数据、影视作品数据和统计图这三个选项。在统计图选项上设置了下拉的菜单,有折线图、词云图、饼图和柱状图四种可视化的图,影视作品数据和评论数据用表格的形式去展示,可以浏览不同影视作品的信息,统计图表,通过提供多种统计图,对影视作品数据进行简单的可视化分析,可根据需求选择不同的图表类型,了解数据的分布和趋势。如图5-1和图5-2所示。图5-1影视作品数据展示图图5-2影视作品评论展示图图5-3各类别评分均值折线图如图5-3所示,是一张基于Flask网页展示的折线统计图,用于呈现不同类别影视作品的评分均值的变化趋势,横轴,代表了影视作品的类别,从左到右依次为动画、武侠、古装、科幻、历史、战争、传记、奇幻、西部、纪录片、短片。纵轴,为数值轴,刻度从0到10,用于衡量各类别影视作品对应的数值。连接各类别影视作品对应数值点的线条,直观呈现不同类别影视作品评分均值数值的变化趋势。图5-4类型词云图如图5-4所示,是基于Flask搭建网页中的类型词云图,用于呈现影视作品的不同类型信息。图5-4有许多影视作品类型词汇,一部影视作品会同时属于好几种不同的类型,我选取词汇出现次数最多的15个类型画了一个词云图,图中包括动画和剧情等多种类型并且它们字体的颜色是不一样的,词汇的大小不同,剧情、动画、古装、历史等的词汇对比其他的词汇相对较大,短片和纪录片等的词汇是相对较小的。词云图是通过词汇的大小去反映影视作品类型出现的频率。剧情、古装和动画等的词汇较大,说明这些类别的影视作品较为常见和受到更多关注。图5-5前10导演饼图如图5-5所示,是基于Flask搭建网页的饼图,基于影视作品数据,选取词频统计最高的10位导演相关信息绘制而成,用于呈现不同导演相关作品的占比情况,饼图由多个扇形区域组成,每个扇形代表一位导演相关作品的占比,扇形的大小与对应导演作品的占比数值相关,同时每个扇形区域旁边标注了导演姓名和占比数值,饼图通过各扇形区域的大小直观地展示了不同导演相关作品在总体中的占比情况。从图中可知,沈乐平相关作品占比最高达到24.14%;其次是黄伟明占比15.02%;张彻占比9.36%;黄文择占比是7.64%;鞠觉亮占比7.63%;李惠民均占比7.39%;陈家林占比7.88%;王巍占比7.14%;王嘉祥和王晶的占比都是6.9%。每个扇形代表一位导演作品的占比,面积越大,占比越高。每个扇形旁标注导演姓名及占比数值,该饼图直观呈现了10位高频导演作品在整体中的份额分布。沈乐平占比最高,说明其作品在统计数据中出现频率远超其他导演;黄伟明次之,也有较高占比;其余导演占比相对分散。通过此图,能快速了解在统计范围内,哪些导演的作品数量更多。图5-6前二十演员频率柱状图如图5-6所示,是一张基于Flask框架搭建的一张柱状图,是选取出现频率最高的二十位演员所画的柱状图,借助数据挖掘技术,对海量影视数据清洗与分析锁定这二十位演员,从图中可知各演员出场频率有差异,阿杰以120次的高频位列榜首,表明他活跃于众多作品,拥有较高人气,图特哈蒙等演员紧随其后,出场次数虽略有差距,但也相当可观,反映出他们在行业内具备稳定的影响力,而排名靠后的王肖兵,出场次数为63次,尽管频率相对较低,仍凭借自身实力跻身前二十。此图直观展示演员出场频率分布,为探究演员影响力、作品选角规律,以及影视行业发展趋势,提供了直观数据支持,借助Flask搭建的平台,极大提升了数据的可视化效果与传播效率。

结论对中国文化影视作品的分析,用Python从豆瓣网站上面获取了8090部作品的数据,数据经过数据清洗、去重、转换类型和填充缺失值等操作,数据的质量提高了。将处理后的数据存储到MySQL数据库里面,在数据分析上,描述性分析展现了评分、评价人数和短评数等特征,影视作品推荐分类模型的构建和评估,对数据进行独热编码、特征选择和标准化,模型在推荐判断上有一定性能,准确率为0.698,方差分析可以得出不同类别影视作品的评分有显著差异,情感分析是基于Python用Pandas、SnowNLP等库对影视短评数据进行情感分析并可视化展示分析结果。由于数据仅采集自豆瓣平台,存在覆盖范围不足的问题,同时在构建逻辑回归模型时,所考虑的影响因子较为有限,可借助Python技术对更多网站进行数据爬取进而优化逻辑回归模型的拟合优度。进行情感分析的时候,可以尝试使用更先进的自然语言处理技术,如深度学习模型进行情感分析,提高分析结果的准确性,结合更多的信息,如评论的点赞数、回复数等,综合分析观众的态度和行为。

参考文献徐海东.国产动画电影神话人物形象的受众评价研究[D].华中科技大学,2021.唐思.文化折扣视角下《流浪地球》电影的跨文化传播研究[D].南京大学,2021.李思瑶.家国叙事与文化认同:“正午阳光”古装剧框架分析[D].浙江传媒学院,2024.JimRJ,TalukderRAM,MalakarP,etal.RecentadvancementsandchallengesofNLP-basedsentimentanalysis:Astate-of-the-artreview[J].NaturalLanguageProcessingJournal,2024,6100059-.ChongP,FaridehA.ExternalCommunicationofCostumeCultureinChineseFilmandTelevisionWorks[J].StudiesinMediaandCommunication,2024,13(1):31-40.零一,韩要宾,黄园园.Python3爬虫、数据清洗与可视化实战[M].电子工业出版社:202007.谢萍,苏林萍.MySQL数据库实用教程[M].人民邮电出版社:202305.206.蔡增玉,韩洋,张建伟,等.基于SnowNLP的微博网络舆情分析系统[J].科学技术与工程,2024,24(13):5457-5464.沈杰.基于Python的数据分析可视化研究与实现[J].科技资讯,2023,21(02):14-17+54.余本国,刘宁,李春报.Python大数据分析与应用实战[M].电子工业出版社:202112.李茂盛,王富民.统计学[M].西北大学出版社:202308.271.郭超.JavaScript快速入门与开发实战[M].化学工业出版社:202307.282.闫涛,周琦.深度学习算法实践[M].电子工业出版社:201804.584.李军红,李付庆,范建民.统计学[M].南京大学出版社:202003.龚超,张鹏宇,喻涛.情感分析[M].化学工业出版社:202212.200.刘礼培,张良均.Python数据可视化实战[M].人民邮电出版社:202202.249.YasuhikoO.[[Fundamentals]4.Visualizat

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论