한국 영화 데이터 분석 (1) : 데이터 수집과 불러오기 Google Colab Python

 *요새 바빠서 업로드가 늦어지고 있네요 ㅠㅠ 후에 나올 분석이나 결과가 궁금하신 분들은 댓글 부탁드립니다. 원하시는 분이 있으시면 서둘러 노력해서 업로드 하겠습니다.  

 

2019년 2학기 가톨릭대학교 '어드벤쳐 디자인 : Bussiness Analysis' 프로젝트 수업 주제로 영화 데이터 분석을 정했습니다. 데이터를 수집하며 고민해본 결과 영화 수익률을 목표 변수로 한 3종류의 회귀 분석을 진행하게 되었습니다. 이에 대한 포스팅을 순차적으로 하면서 했던 고민과 분석 결과, 결과 시각화를 공유하고자 합니다. 

 

데이터 셋 파일과 작업 노트북 파일은 https://github.com/jaylee4274/Korean-Movie-data-analysis 에 공유합니다. 

 

 모든 작업은 구글 코랩환경(Python3)에서 진행했습니다. 

 

(1) 데이터 수집 

 데이터는 영화진흥위원회(KOFIC) 사이트의 영화관입장권통합전산망을 이용해 역대 박스오피스 200위까지의 데이터를 엑셀 형식으로 받아 기본 틀을 잡았습니다.  http://www.kobis.or.kr/kobis/business/stat/boxs/findFormerBoxOfficeList.do

불러오는 중입니다...

  여기에 다른 선행 연구들에서 보였던 변수들을 몇 가지 추가해 200행의 데이터셋을 완성했습니다. 그 변수들은 다음과 같습니다. 

 

추가 변수 : 개봉 7일차 누적 관객수, 네티즌 평점, 평론가 평점, 개봉 7일차 뉴스검색량, 제작비

rawdata - 초기

(2) 데이터 셋 가공(엑셀)

 데이터가 크지 않아 간단한 전처리나 가공 작업은 엑셀에서 손으로 했습니다. 

1) 변수명을 분석에 용이하게 영문자로 바꿨습니다.

 (차례대로) 수입, 비용, 스크린 수, 상영횟수, 첫 주 성적, 평점, 전문가 평점, 첫 주 영화 뉴스량, 최종 관객수, 영화길이, 수익률(수입/비용)입니다. 

2) 분석에 사용할 변수만 남겼습니다. 

 범주형 변수들을 분석에 사용하려고 했더니 배급사, 장르 같은 부분은 종류가 워낙 많아 변수 인코딩을 해도 어떻게 사용해야 할지 잘 모르겠어서 제외했습니다. 관람등급은 12세, 15세, 청불 3가지로 분석에 사용한 결과 수익률에 영향을 유의미하게 주지 않는다고 판단해 제외했습니다. 

 

최종 분석용 데이터 셋 

3) 수익률 기준 이상치를 제거했습니다.  

작업을 하다보니 roi 수치가 비정상적으로 높은, 그러니까 제작비에 비해 엄청난 수입을 거둔 영화가 있었습니다. 바로 '워낭소리'와 '님아 그 강을 건너지 마오'인데요 여러분들도 잘 아실만한 저예산 영화로 roi값이 250을 상회해 분석에서 제외했습니다. 

(3) 데이터 불러오기

 Colab에서 데이터를 import하는 방법에는 2가지가 있습니다. 첫 번째는 파일탭에 불러올 파일을 드래그앤드랍 해서 경로복사 하는방법, 두 번째는 드라이브 마운트로 Google drive에 업로드한 파일의 경로복사해서 import 하는 것 입니다. 저는 두번째 방법을 사용했습니다. 

 

1) 파일탭의 드라이브 마운트 실행

 저 탭의 코드를 실행하고 아래의 링크로 가서 절차를 진행하고, 아래의 빈칸에 인증코드를 복사 붙여넣기 하면 완료입니다. 그렇게 하면 본인의 Google Drive의 파일들의 경로를 불러다가 사용할 수 있습니다. 

2) 경로 복사하기

저 같은 경우 아래와 같은 경로에서 불러올 파일을 찾을 수 있었습니다. 우클릭 후 경로 복사로 drive상의 경로를 찾아줍니다. 

 3) 불러오기 

movie1 = pd.read_excel('/content/drive/My Drive/My Notebooks /어드벤쳐디자인/rawdata_ver1.09(trunc).xlsx')
movie = movie1.dropna()
movie.head()

 저는 경로가 위와 같이 나와 이렇게 불러왔습니다. dropna()는 분석 과정에서 오류를 잡느라 했던 것 같습니다. 

 

 이번 글에서는 분석을 위한 준비 단계, Colab 환경에서 불러오기 환경 설정하는 법 등을 다뤘습니다. 다음 포스팅에서는 변수간 상관관계 탐색 - 시각화를 위의 데이터를 가지고 해보겠습니다. 감사합니다. :D