10193 条票房数据告诉你《流浪地球》领跑的电影档战果如何?
作者 | 量化小白H
责编 | 郭芮
2019年的春节档已经过去了一个多月的时间,基本已经落下帷幕。《流浪地球》的火爆在票房破了46亿之后又延期了60天,预计将在5月5日正式下映。
今年春节档全国共有8部影片上映,对于影片的对比分析已经非常多,孰优孰劣,每个人心里都有一杆秤,不再赘述。本文着重分析影片票房的地域差别,爬取了年后两周各地万余家影院的票房数据,一起来看看各地影院今年春节档表现如何。PS:非官方统计,数据一定不准确,看看就好。
数据说明
分影院的票房数据来自中国票房网:http://www.cbooo.cn/cinemaday。
网站提供日票房排行榜的前100名和周票房的前一万余名,本文爬取包含更多样本的周票房数据,取年后两周的数据。
最终爬到的数据样式如下,数据从左往右依次为影院名称,当周票房、单荧幕票房、场均人次、单日单厅票房、单日单厅场次6个变量。
数据获取
使用Python获取数据,对于爬取过程不感兴趣的可以直接看下一部分。
在数据页面按F12打开开发者工具,选择NetWork,XHR,刷新页面后,依次点1,2,3,4页,接收到了一堆文件。
右键任意打开一个,显示如下(如果不是这种格式,说明你选错了):
是我们需要的数据,对比前后的变量关系,得到每个变量的含义。
再分析网址,从前面的截图能看出来,pindex后面跟的是页码,对页码进行循环就可以爬到所有的数据。dt = 1042看不出来什么意思,但改变日期范围重复上面的操作时,看到此时dt变成了1041,说明dt后面的值对应不同的日期范围。
我们的目标是爬取0204-0210,0211-0217两周的数据,获取对应的dt分别是1040和1041,最终代码如下:
# -*- coding: utf-8 -*- """ Created on Fri Oct 19 18:50:03 2018 """ import urllib import requests from fake_useragent import UserAgent import json import pandas as pd import time import datetime # 发送get请求 comment_api = 'http://www.cbooo.cn/BoxOffice/getCBW?pIndex={}&dt={}' """ cinemaName:影院名称 amount:当周票房 avgPS:场均人次 avgScreen:单荧幕票房 screen_yield:单日单厅票房 scenes_time:单日单厅场次 """ headers = { "User-Agent": UserAgent(verify_ssl=False).random} #response_comment = requests.get(comment_api.format(1,1040),headers = headers) #json_comment = response_comment.text #json_comment = json.loads(json_comment) col = ['cinemaName','amount','avgPS','avgScreen','scenes_time','screen_yield'] dataall = pd.DataFrame() num = 1035 for i in range(1,num+1): response_comment = requests.get(comment_api.format(i,1041),headers = headers) json_comment = response_comment.text json_comment = json.loads(json_comment) n = len(json_comment['data1']) datas = pd.DataFrame(index = range(n),columns = col) for j in range(n): datas.loc[j,'cinemaName'] = json_comment['data1'][j]['cinemaName'] datas.loc[j,'amount'] = json_comment['data1'][j]['amount'] datas.loc[j,'avgPS'] = json_comment['data1'][j]['avgPS'] datas.loc[j,'avgScreen'] = json_comment['data1'][j]['avgScreen'] datas.loc[j,'scenes_time'] = json_comment['data1'][j]['scenes_time'] datas.loc[j,'screen_yield'] = json_comment['data1'][j]['screen_yield'] dataall = pd.concat([dataall,datas],axis = 0) print('已完成 {}% !'.format(round(i/num*100,2))) time.sleep(0.5) dataall = dataall.reset_index()
得到的两周数据里,第一周包含11295个样本,第二周包含11375个样本,将两周数据按影院合并后,最终得到10193个样本。
data1 = data1.drop_duplicates() data2 = data2.drop_duplicates() datas = pd.merge(data1,data2,left_on ='cinemaName',right_on = 'cinemaName').dropna() datas = datas.reset_index(drop = True) dataall = datas[['cinemaName']] dataall['amount'] = datas['amount_x'] + datas['amount_y'] dataall['avgPS'] = (datas['avgPS_x'] + datas['avgPS_y'])/2 dataall['avgScreen'] = datas['avgScreen_x'] + datas['avgScreen_y'] dataall['screen_yield'] = (datas['screen_yield_x'] + datas['screen_yield_y'])/2 dataall['scenes_time'] = (datas['scenes_time_x'] + datas['scenes_time_y'])/2 dataall['avgprice'] = dataall.screen_yield/dataall.scenes_time/dataall.avgPS dataall = dataall.dropna().reset_index(drop = True)
数据总览
先从各方面简单看看取到的数据。
票房TOP10影院
北京耀莱以860万的票房,远超第二名金逸北京的590万占据首位。并且票房前10名中,有5家都是北京的影院。
单变量分布
用单日单厅票房/单日单厅场次/场均人数估计平均票价,各个变量分布进如下:
可以看出,所有变量都呈现尖峰右拖尾的特征,大部分值低于中位数,但也不乏高于均值的点,考虑到各个影院数据存在规模、地域等因素差异,这一结果就很正常了。
票房影响因素
1、从上图看出,场均人次与单荧幕票房正相关,观影人数增多票房收入增加,符合常理。
2、单日单厅场次与票房之间有先升后降的关系,换句话说,排片少时,增加每日排片能增加票房收入,但排片过于密集,反而不利于票房增加。
3、票价,场均人次与票房之间关系如图,颜色越深,表明票房越高。票价影响场均人次,过高和过低都会使票房收入减少,平均票价40-70区间内,影院票房收入更高,符合实际情况。
票房地域特征
粗略看过数据之后,我们分析地域因素对于票房的影响,虽然爬取的数据中没有直接给出影院的地域特征,但可以用影院名称提取地域位置,Python里有一个基于jieba分词的地域查询包cpca,可以直接返回中文地址对应的省市县。
result = cpca.transform(dataall.cinemaName.tolist(),cut = False) dataall['province'] = result['省'] dataall['city'] = result['市']
用cpca查询各个影院所在的省市,但这个包也不是非常完善,加上有的影院名称地址非常模糊,最终有7581个影院查询到了省市。
未查询到的部分影院如下,一部分是没有地域信息,只有影院名称,一部分有地域信息,可能过于生僻,未能匹配到,之后的分析中删掉没匹配到的这部分影院。
匹配到影院所在省份后,按省份汇总数据,分析各省票房。
各省票房
各地区票房存在明显差异,广东省票房收入最高,远超其他省份去,西藏票房最少。
接下来从各省影院数、场均人次、平均票价三方面来看各省差异。
影院数
最终获取的有地域信息的影院中,广东省有1088个影院,远远超出平均水平,这也可以解释为何广东省票房总数能排到第一,而西藏地区仅有13个影院,绝大部分地区影院在200上下浮动。
场均人次-平均票价
平均票价整体差异不大,40元左右波动,场均人次来看,北京天津最多,但最高最低值差异不超过30人,因此这两项因素对于票房的影响远不如影院数大。
各市票房分布
最后将票房按市进行统计,得到全国各市票房分布如下:
图中标出了票房收入最高的5个市,分别是北京(3279万)、上海(3083万)、广州(2258万)、深圳(2205万)、成都(1856万)。
作者:量化小白一枚,上财研究生在读,偏向数据分析与量化投资,个人公众号量化小白上分记。
声明:本文为作者投稿,版权归其个人所有。
文章广告为微信自动匹配,与本平台无关,如遇假冒伪劣请联系微信进行举报。