10193 條票房數據告訴你《流浪地球》領跑的電影檔戰果如何？

知識 03-13

打開今日頭條，查看更多圖片

作者 | 量化小白H

責編 | 郭芮

2019年的春節檔已經過去了一個多月的時間，基本已經落下帷幕。《流浪地球》的火爆在票房破了46億之後又延期了60天，預計將在5月5日正式下映。

今年春節檔全國共有8部影片上映，對於影片的對比分析已經非常多，孰優孰劣，每個人心裡都有一桿秤，不再贅述。本文著重分析影片票房的地域差別，爬取了年後兩周各地萬餘家影院的票房數據，一起來看看各地影院今年春節檔表現如何。PS：非官方統計，數據一定不準確，看看就好。

數據說明

分影院的票房數據來自中國票房網：http://www.cbooo.cn/cinemaday。

網站提供日票房排行榜的前100名和周票房的前一萬餘名，本文爬取包含更多樣本的周票房數據，取年後兩周的數據。

10193 條票房數據告訴你《流浪地球》領跑的電影檔戰果如何？

最終爬到的數據樣式如下，數據從左往右依次為影院名稱，當周票房、單熒幕票房、場均人次、單日單廳票房、單日單廳場次6個變數。

10193 條票房數據告訴你《流浪地球》領跑的電影檔戰果如何？

數據獲取

使用Python獲取數據，對於爬取過程不感興趣的可以直接看下一部分。

在數據頁面按F12打開開發者工具，選擇NetWork，XHR，刷新頁面後，依次點1,2,3,4頁，接收到了一堆文件。

10193 條票房數據告訴你《流浪地球》領跑的電影檔戰果如何？

右鍵任意打開一個，顯示如下（如果不是這種格式，說明你選錯了）：

10193 條票房數據告訴你《流浪地球》領跑的電影檔戰果如何？

是我們需要的數據，對比前後的變數關係，得到每個變數的含義。

10193 條票房數據告訴你《流浪地球》領跑的電影檔戰果如何？

再分析網址，從前面的截圖能看出來，pindex後面跟的是頁碼，對頁碼進行循環就可以爬到所有的數據。dt = 1042看不出來什麼意思，但改變日期範圍重複上面的操作時，看到此時dt變成了1041，說明dt後面的值對應不同的日期範圍。

10193 條票房數據告訴你《流浪地球》領跑的電影檔戰果如何？

我們的目標是爬取0204-0210,0211-0217兩周的數據，獲取對應的dt分別是1040和1041，最終代碼如下：

# -*- 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
# 發送get請求
comment_api = "http://www.cbooo.cn/BoxOffice/getCBW?pIndex={}&dt={}"
"""
cinemaName:影院名稱
amount:當周票房
avgPS:場均人次
avgScreen：單熒幕票房
screen_yield:單日單廳票房
scenes_time:單日單廳場次
"""
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()

得到的兩周數據里，第一周包含11295個樣本，第二周包含11375個樣本，將兩周數據按影院合併後，最終得到10193個樣本。

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)