豆瓣電影評分分析報告

Ⅰ 豆瓣電影數據分析報告

        近年來電影產業迅猛發展，其已成為重要的藝術和娛樂。同時，電影也是說明一個國家的經濟水平。因此分析電影書有助於電影工業的發展趨勢。

1、 每年的電影的數量，以及每年的電影平均評分

2、 電影那種類型最多，以及前三名的百分比

3、 各個國家的電影數量最多

4、 中國跟美國各個年代對比

1、 每年的電影的數量，以及每年的電影分均分

        由圖可見，從 2000 年開始電影年產量的趨勢不斷上升，而近年些年的評分越來越

低，從評分均值上看一直屬於下滑狀態。可以推測出，電影的數量會有大幅的上升，

而電影的質量整體下滑。

2、 電影那種類型最多，以及前三名的百分比

        從詞雲圖的電影類型可見，劇情、動作、喜劇的電影類型出現的頻率很高。而從環形圖

中可以看出動作、喜劇、劇情這三個電影類型對比，歷年來劇情的電影類型是最多的，其

次是喜劇，由此可以了解觀眾的喜好。

3、電影數量在前五名國家的評分情況？

從樹狀圖可以看出美國的電影數量最多，其次是中國、日本、英國、法國。

4、中國跟美國各個年代對比？

        從圖中可以看出中國的電影發展趨勢一直處以上升階段，而美國的發展趨勢不太樂

觀。以目前中國的發展趨勢很快就會追上美國，目前美國還是領先階段。

Ⅱ 分享一下，如何看待豆瓣電影評分

感覺豆瓣評分不客觀，偏向國外大片，即使很垃圾的美國片，也會有很高的評分。而國產片呢，基本評分都不高。與貓眼評分相比，豆瓣評分趨於專業，不接地氣，而貓眼評分，則比較大眾，接地氣，因為基本是觀眾打分。另，豆瓣用其權威性，拿人錢財，替人消災，濫發評論，或扁或損其他競爭對手。

Ⅲ 大家都是怎樣看待豆瓣電影評分的

豆瓣作為國內影響力最大的影迷聚集地，可以說的確代表了大多數影迷的態度。評分這個也是根據影迷觀影後的感受來合理打分的，雖然不排除少數觀眾的個人惡意作假評分外，還是非常說明問題的。就拿最近最火熱的《愛情公墓》事件來舉例，也許電影本身的口碑和質量並沒有低到豆瓣所描述的2.8分，但是由於前期《愛情公寓》電視劇惡意抄襲美劇《老爸老媽爛漫史》《老友記》，並且劇組毫無道歉的心意，並同時利用影迷懷舊情懷消費觀眾，造成了影迷朋友們一致的惡評，兇猛如潮水，一度可能打破豆瓣有史以來的2.1分的最低分。

Ⅳ 如何評價豆瓣上的電影評分

1. 有些電影，因為褒貶一致，所以評分可信。

2. 有些電影，因為受眾面和體裁，所以評分不可信。

3. 有些電影，因為帶著你童年的回憶，所以評分五星。

4. 有些電影，因為重名或者被認錯名，所以評分一星。

5. 有些電影，因為水軍曾經賣力的刷分，所以評分惡心。

6. 有些電影，因為用戶針對個人卻不針對內容，所以評分違心。

7. 你可以通過豆瓣，找到一部電影，讓你發現生命的意義。

8.你也可以通過豆瓣，找到一部電影，讓你喪失生存的勇氣。

9. 沒事多看評論，或許你就發現了，分數背後的真諦。

10. 你對電影的評價，不僅在於分數，也在於，你的心。

Ⅳ 豆瓣評分到底准不準

每到電影季，一定會聽見熟悉的抱怨：「豆瓣電影評分太不準了。」 

說真的，我對人們 為何要問出這樣的問題 倒很感興趣。

專門搜了一下，還真有很多「豆瓣評分到底准不準」之類的問題帖，有的下面還能吵個幾十樓。

我無法判斷大多數人在做此類爭吵時，表達的意思到底是什麼。但從字面上來說，它的前提是：一部電影的好壞應該有一個真實客觀的分數。

這當然不存在。 世界上並不存在一部電影的真實分數 。

當我們說一個溫度計不準，意思是它和實際的溫度不相符，而溫度的度量是被嚴格定義過的。

比如在標准大氣壓下，把水從冰點到沸點平均分成100份，每份規定為1攝氏度，這就是溫度的一種度量方式。有了標准參照，我們就可以知道某個溫度計准不準了。

但一部電影好壞程度的真實分數是什麼呢？

票房可能是一個參照，但影響影片質量只是影響票房的諸多因素之一。題材、演員陣容、檔期、票價、營銷……甚至評分本身也能影響票房。

或者我們像大張偉用大數據寫網路神曲的方法，把所有影響電影質量的因素拆解出來一一打分，每個鏡頭的構圖、用光、聲響、情緒……但同樣又回到了誰來打分，以什麼標準的問題。

既然不存在一個真實的分數作為參照，當然也不存在評分「准不準」的問題了。

正確的表述應該是：「大部分參與此片打分的豆瓣用戶對於這部電影的看法與我不同。」

這樣太拗口了，平時大家講話不這么較真。所以當我們說一個電影評分不準，可能是說評分與自己的朋友圈對這部片子的整體評價不符。

「我和朋友們都覺得這部片超好看，豆瓣分數居然這么低？？」意思在說豆瓣上的文青太矯情，喜歡裝逼，一定要貶低大家都愛看的片來抬高自己。

「我和我朋友都覺得這部電影很垃圾，豆瓣居然有這么高分，太不準了！」意思在說這屆觀眾品味不行，這么明顯的劇情硬傷/邏輯bug都看不出來，一定是流量明星腦殘粉刷的。

我們可以把以上現象當作兩種自我暗示： 心理上需要一個確定的分數，是人對確定性的依賴；而把自我感受當作大眾標准，是人對存在感的需求。

這是一個更有意思的話題：人們對於「大眾」這個概念的態度。

我這一代還是經常能聽見父輩有「咱們老百姓」這樣的論調，心態上在芸芸眾生里安然處之，堅定地站在大多數的一方，經常用「你怎麼不像別人那樣」教育子女。

而我們這代人在社交平台上生活，是把自己逐步產品化的過程，自我和大眾必須分別對待，人與人的關系是產品與用戶的關系。「大眾」不是我，而是我的潛在用戶，所以它無法被當成和自己一樣具體的個人，只能用簡單標簽去勾勒用戶畫像，把對方抽象為流量。

互聯網數據思維開啟的上帝視角，培養了我們的流量意識，見識過它如同真實洪水般兇猛可怕的威力，也慢慢熟悉了調教它的方法。

相對於靈活的個體來說，「大眾」是個復雜系統，力量大但是慣性也大，反應慢。個體只要擅用這個慣性時差，就能夠套利（所謂的下沉市場就是大眾市場的慣性時差）。

所以大家普遍都覺得自己比「大眾」聰明。

（有個常見誤區：很多人覺得自己比大眾聰明，由此覺得自己的智商在大眾平均值之上。這是兩個概念， 你可能確實比「大眾」這個虛擬個體聰明，但是不代表你比多數人聰明。 ）

復雜系統也有它的智慧之處，它不像個體那麼敏感和偏激。審美這東西不存在客觀之說，每個人基於自己的閱歷、知識結構、性格偏好的差別，對於一部片作出的都是主觀判斷。

但足夠大的數量可以稀釋掉個性、拉平差異。所有人互為客體， 涌現出一個超越個體之上的集體視角，大大接近於「客觀」。這種鈍感力也是我們對評分所希望的公平、客觀。

人們對於「大眾」概念的曖昧之處就在於：

當自己處於產品一方時，大眾都是他人；而當自己處於用戶一方時，就本能地覺得自己就是大眾。

所以我們在使用豆瓣評分這個產品功能的時候，本能上覺得評分與我的直覺不符的原因是豆瓣這個產品「不準」。

說一說豆瓣評分的機制吧，引一段豆瓣創始人阿北的話：

豆瓣的注冊用戶看完一部電影，會來打個一到五星的分。比方說一部電影有42萬用戶打分。我們的程序把這42萬個一到五星換算成零到十分，加起來除以42萬，就得到了豆瓣評分。這個評分會自動出現在豆瓣各處，中間沒有審核，平時也沒有編輯盯著看。每過若干分鍾，程序會自動重跑一遍，把最新打分的人的意見包括進來。

簡單來說，沒什麼機制，只是平均了所有參與打分人的分數。

那麼作為一個「普通觀眾」的角度，怎麼樣的電影評分才能最有可能符合你觀影後的直覺，從而對你選片起到參考價值呢？

顯然是評分人數最多的電影。 比如《肖申克的救贖》，在有134萬人參與打分的前提下，得到了9.6的高分，基本保證了參考性。

而如果你選擇了一部高分的小眾藝術電影，比如低於1萬人打分的8.3分電影《都靈之馬》，那抱怨的可能性就比較大了。因為會看這種電影並且看完評分的人，本身就是喜歡這種類型的小眾群體。它散發的嚴肅氣質，是在用篩選觀眾的方式保障口碑：我可是很悶的，看不懂的不要來喲。

想到我曾在《時間簡史》里看過的一個弱人擇原理，放這里不知道合不合適。 大概意思是：生命存在的條件如此苛刻，為什麼宇宙正好滿足了這些條件讓我們存在？

答案是：正因為我們存在，才能觀察到宇宙，以至於問出了這個問題呀。

（真沒想到，還能以這樣的方式首尾呼應）

Ⅵ 說說豆瓣評分可以反映出電影的哪些問題

豆瓣平分電影相對來說可以看出一個電影的主要缺點在哪裡，一般評分在9分以上的，都是劇情和人物都還不錯的電影，在評分在5以下的，這個電影的反應的主題就很有吐槽的地方了。

Ⅶ 你覺得豆瓣電影的評分值得認可嗎

下面著重說一下豆瓣電影的評分是否有公信力：

1，豆瓣評分在影視行業中的地位：

關於影視作品的評分平台在國內其實不多，豆瓣、貓眼、淘票票、時光網、微博，大概就這些平台，其中，評分有影響力和說服力的就只有豆瓣、貓眼和淘票票這三個平台。而這三個平台中最被經常提及的是用戶量最少的豆瓣，豆瓣是個比較奇葩的存在，用戶量特別少，像《戰狼2》豆瓣標注總人數是50萬，《我不是葯神》八十萬，而貓眼和淘票票這種大熱的影片標注數都在三四百萬級別，比如貓眼，在國慶、過年這種高峰期一天的出票量就可以達到3000萬張票，所以豆瓣和貓眼淘票票從用戶數量上來說根本沒法比。

但是豆瓣評分在影迷群體當中（注意是影迷群體）的地位確實貓眼和淘票票比不了的，豆瓣建立比較早，積累了一大批影迷群體和文藝青年，他們對電影品質的要求比較高，所以豆瓣評分要比貓眼和淘票票嚴苛很多，也正是因為這種嚴苛，使得豆瓣的評分格外受到關注，因為隨隨便便一個國產電影很容易在貓眼和淘票票上拿到8分以上，而豆瓣的8分就顯得格外珍貴了，基本上7分以上的片子就非常不錯了，物以稀為貴，所以豆瓣評分在影視行業中的地位是不可撼動的，尤其對於好電影來說，貓眼和淘票票的評分拉不開差距，而豆瓣更能把好電影的「好」用具體數字標注出來，這也是為什麼這么多推薦電影和劇集的自媒體文章經常用「豆瓣X分神片...」這樣的句式來做文章標題。

2、豆瓣的反作弊機制是否完善：

其實從《豆瓣電影評分八問》一文中也能看出，豆瓣評分很難刷，從水軍的市場報價來看，刷豆瓣想看和評分的價格，也都是各個平台當中價格最高的那個，所以也側面證明了一點，豆瓣反作弊機制是相對可靠的。此處注意一點，對於評分的作弊和反作弊是一場攻堅戰，反作弊並不能完全防止作弊，反作弊的作用是使作弊的成本很高，高到作弊者望而卻步，就達到目的了。

3、豆瓣電影評分對於國產電影的價值：

上面說了，貓眼和淘票票的評分，絕大多數電影都能輕松過8分，而豆瓣對於國產電影說是過於嚴厲也不為過，基本上爛片都在2-4分，好片7.5-9分。沒有差，就談不上好，豆瓣這種能夠拉開差距的評分，從一定程度上來說是對電影市場中影片的優勝劣汰有巨大幫助的；

同時又不能過分誇大豆瓣評分的價值，因為在國內電影市場中，豆瓣評分與票房不一定是正相關的，由於豆瓣用戶群體的特殊性，文藝片、藝術片等影片在豆瓣上評分會偏高，而這類影片在貓眼和淘票票的用戶群（普通觀眾）中得分是普遍偏低的，此時豆瓣的高評分或許對影片的市場幫助不大，而商業類型片在豆瓣評分當中得分是偏低的，但是這些商業類型片普通觀眾最愛看，所以在貓眼和淘票票上評分會高一些，票房也就高一些。從這一點可以看出，如果單純從市場和票房角度來說，貓眼和淘票票的評分對於研究電影市場受眾和擴大票房更有幫助。

豆瓣電影的戾氣和寬容：

豆瓣電影已經不是我10年前玩豆瓣時候的樣子了，網頁版面倒沒太大的變化，只是用戶有進有出，用戶結構有了比較大的變化。現在的豆瓣戾氣比較重，沒上映的影片，沖著導演或演員打一星的人太多太多了。而且豆瓣評分現在呈現出兩極分化，簡單來說就是對於好電影，豆瓣評分會讓你顯得更好，而爛電影，豆瓣評分會讓你顯得更爛，6分左右的電影越來越少，對於好電影的寬容和對於爛電影的不寬容，這種矛盾的狀態或許就是豆瓣用戶感性的一面。

其實，不論是豆瓣還是貓眼淘票票，他們的評分都只是個參考絕對值，所在平台的評分並不能代表一部影片的品質，看電影畢竟是個相對主觀的事，有人覺得好有人覺得不好很正常。從目前的情況來看，貓眼和淘票票的評分更代表普通觀眾的感受，對於整體市場和票房來說更具有參考價值，而豆瓣電影的評分更能代表文藝青年和影迷群體的感受，對於電影評論和藝術水平的研究更有參考價值。

Ⅷ 豆瓣電影數據分析

這篇報告是我轉行數據分析後的第一篇報告，當時學完了Python，SQL，BI以為再做幾個項目就能找工作了，事實上……分析思維、業務，這兩者遠比工具重要的多。一個多月後回過頭來看，這篇報告雖然寫得有模有樣，但和數據分析報告還是有挺大差別的，主要原因在於：a.只是針對豆瓣電影數據分析太過寬泛了，具體關鍵指標到底是哪些呢？；b.沒有一個確切有效的分析模型/框架，會有種東一塊西一塊的拼接感。
即便有著這些缺點，我還是想把它掛上來，主要是因為：1.當做Pandas與爬蟲(Selenium+Request)練手，總得留下些證明；2.以豆瓣電影進行分析確實很難找到一條業務邏輯線支撐，總體上還是描述統計為主；3.比起網上能搜到的其他豆瓣電影數據分析，它更為詳細，可視化效果也不錯；

本篇報告旨在針對豆瓣電影1990-2020的電影數據進行分析，首先通過編寫Python網路爬蟲爬取了51375條電影數據，採集對象包括：電影名稱、年份、導演、演員、類型、出品國家、語言、時長、評分、評論數、不同評價佔比、網址。經過去重、清洗，最後得到29033條有效電影數據。根據電影評分、時長、地區、類型進行分析，描述了評分與時長、類型的關系，並統計了各個地區電影數量與評分。之後，針對演員、導演對數據進行聚合，給出產量與評分最高的名單。在分析過程中，還發現電影數量今年逐步增加，但評分下降，主要原因是中國地區今年低質量影視作品的增加。

另外，本篇報告還爬取了電影票房網（ http://58921.com/ ）1995-2020年度國內上映的影片票房，共採集4071條數據，其中3484條有效。進一步，本文分析了國內院線電影票房年度變化趨勢，票房與評分、評價人數、時長、地區的關系，票房與電影類型的關聯，並給出了票房最高的導演、演員與電影排名。

清洗、去重後，可以看到29033條數據長度、評分、評論數具有以下特點：

結合圖1(a)(b)看，可以看到電影數據時長主要集中在90-120分鍾之間，向兩極呈現階梯狀遞減，將數據按照短(60-90分鍾)，中(90-120分鍾)，長(120-150分鍾)，特長(>150分鍾)劃分，各部分佔比為21.06%, 64.15%, 11.95%, 2.85%。

結合圖2(a)看，可以看到我們採集到的電影數據評分主要集中在6.0-8.0之間，向兩極呈現階梯狀遞減，在此按照評分劃分區間：2.0-4.0為口碑極差，4.0-6.0為口碑較差，6.0-7.0為口碑尚可，7.0-8.0為口碑較好，8.0-10.0為口碑極佳。

這5種電影數據的佔比分別為：5.78%, 23.09%, 30.56%, 29.22%, 11.34%

再將評分數據細化到每年進行觀察，可以發現，30年內電影數量與年度電影均分呈反相關，年度均分整體呈現下降趨勢，2016年電影均分最低，電影數量最多。

進一步做出每個年份下不同評級等級的電影數據佔比，可以發現，近年來，評分在[2.0,6.0)的電影數據佔比有著明顯提升，評分在[6.0,7.0)的數據佔比不變，評分在[7.0,10.0)的數據佔比減少，可能原因有：

對照圖5，可以發現，評分與時長、評論人數的分布大致呈現漏斗狀，高分電影位於漏鬥上部，低分電影位於漏斗下部。這意味著，如果一部電影的評論人數很多（特別是超過30w人觀影），時長較長(大於120min)，那麼它大概率是一部好電影。

根據各個國家的電影數量作圖，可以得到圖6，列出電影數量前十的國家可得表格2，發現美國在電影數量上占第一，達到8490部，中國其次，達6222部。此外，法國，英國，日本的電影數量也超過1000，其餘各國電影數量相對較少。這可以說明美國電影有著較大的流量輸入，在中國產生了較大的影響。

進一步分析各國電影的質量，依據評分繪制評分箱線圖可得圖7，在電影數量排名前20的國家中：

接著我們可以探索，哪個國家的電影對豆瓣評分隨年份下降的貢獻最大，考慮到電影數量對應著評分的權重。根據上述各國的電影評分表現，我們可以猜測電影數量較多的國家可能對年度均分的下降有較大影響。於是，我們再計算出這些國家的年度電影均分，並與整體均分進行比較分析。

再作出中國大陸，中國台灣，中國香港的均分箱線圖圖9(a)，可以看到，大陸電影均分低於港台電影，且存在大量低分電影拉低了箱體的位置。

分析相關性可得，大陸、香港、台灣電影年度均分與全部評分關聯度分別為R=0.979,0.919,0.822，說明濾去台灣和香港電影，大陸電影年度均分的變化趨勢與全部評分變化更接近。圖9(b)可以進一步反映這一點。

可以看到，大部分類型集中在X×Y=[10000,30000]×[6.00,7.50]的區間范圍內，劇情、喜劇、愛情、犯罪、動作類電影數量上較多，說明這些題材的電影是近三十年比較熱門的題材，其中劇情類電影佔比最多，音樂、傳記類電影平均得分更高，但在數量上較少，動作、驚悚類電影評論人數雖多，但評價普遍偏低。

除此之外，還有兩塊區域值得關註：

根據類型對電影數據進行聚合，整理得到各類型電影評分的時間序列，計算它們與整體均分時間序列的相關性，可得表格4與圖11，可以看到劇情，喜劇，懸疑這三種類型片與總分趨勢變化相關性最強，同時劇情、喜劇類電影在電影數量上也最多，因此可以認為這兩類電影對於下跌趨勢影響最大，但其餘類別電影的相關性也達到了0.9以上，說明幾種熱門的電影得分的變化趨勢與總體均分趨勢一致。

前面已經得知，中美兩國電影佔比最高，且對於均分時間序列的影響最大。在此，進一步對兩國電影進行類型分析，選取幾種主要的類型（數量上較多，且相關性較高）進行分析，分別是劇情，喜劇，愛情，驚悚，動作，懸疑類電影，繪制近年來幾類電影的數量變化柱狀圖與評分箱線圖可得圖12,13,14,15。

對導演與演員進行聚合，得到數據中共有15011名導演，46223名演員。按照作品數量在(0,2], (2,5], (5,10], (10,20], (20,999]進行分組統計導演數量，可以發現，15009名導演中有79.08%只拍過1-2部作品，46220名演員中有75.93%只主演過1-2部作品。忽略那些客串、跑龍套的演員，數據總體符合二八定律，即20%的人占據了行業內的大量資源。

在此，可以通過電影得分、每部電影評論人數以及電影數目尋找優秀的電影導演與演員。這三項指標分別衡量了導演/演員的創作水平，人氣以及產能。考慮到電影數據集中可能有少量影視劇/劇場版動畫，且影視劇/劇場版動畫受眾少於電影，但得分普遍要高於電影，這里根據先根據每部電影評論數量、作品數量來篩選導演/演員，再根據電影得分進行排名，並取前30名進行作圖，可得圖17,18。

結合電影票房網（ http://58921.com/ ）採集到的3353條票房數據，與豆瓣數據按照電影名稱進行匹配，可以得到1995-2020年在中國大陸上映的電影信息，分別分析中國內地電影的數量、票房變化趨勢，票房與評分、評價人數、時長、地區以及類型的關系，此外還給出了不同導演與演員的票房表現以及影片票房排名。

如圖19所示，國內票房數據與上映的電影數量逐年遞增，2020年記錄的只是上半年的數據，且由於受疫情影響，票房與數量驟減。這說明在不發生重大事件的情況下，國內電影市場規模正在不斷擴大。

對電影數據根據類型進行聚合，繪制散點圖21，可以發現：

提取導演/演員姓名，對導演/演員欄位進行聚合，計算每個導演/演員的票房總和，上映電影均分、以及執導/參與電影數目進行計算，作出票房總和前30名的導演/演員，可得圖22,23，圖中導演/演員標號反映了票房排名，具體每位導演/演員的上映影片數量、均分、每部電影評價人數、平均時長與總票房在表5、表6中給出。

最後根據電影票房進行排名，得到票房排名前20的電影如表格7所示，可以看到絕大部分上榜電影都是中國電影，索引序號為3、10、12、14、18、19為美國電影，這也反映了除國產電影之外，好萊塢大片占據較大的市場。

本篇報告採集了1990-2020年間豆瓣電影29033組有效數據，從豆瓣電影的評分、時長、地區、類型、演員、導演以及票房等信息進行分析評價，主要有以下結論：