explore movies data

# import data of movies
setwd('../studyspace/数据处理与可视化/')
raw_data <- read.csv("Movies.csv")

# Load packages
library('ggplot2') # visualization
library('ggthemes') # visualization
library('scales') # visualization
library('dplyr') # data manipulation

str(raw_data)

'data.frame':   103 obs. of  5 variables:
 $ Motion.Picture    : Factor w/ 101 levels "","A History of Violence",..: 16 41 6 92 63 22 29 53 99 54 ...
 $ Opening.Gross     : num  29.17 0.15 48.75 10.9 0.06 ...
 $ Total.Gross       : num  67.25 6.65 205.28 24.47 0.23 ...
 $ Number.of.Theaters: Factor w/ 88 levels "","1,011","1,040",..: 31 15 61 14 38 55 61 57 27 58 ...
 $ Weeks.in.Top.60   : int  16 22 18 8 4 14 13 16 7 21 ...

变量名	描述
Motion.Picture	电影名
Opening.Gross	首映（预售）票房
Total.Gross	总票房
Number.of.Theaters	放映剧院数量
Weeks.in.Top.60	在前60榜单的周数

---

此处增加两个变量：
1. 票房增长率(increase_rate) = 总票房/预售票房
2. 剧院平均票房(avg_gross) = 总票房/放映剧院数量

raw_data$increase_rate <- raw_data$Total.Gross/raw_data$Opening.Gross
raw_data$avg_gross <- raw_data$Total.Gross/raw_data$Number.of.Theaters

对于该数据集，
首先观察Motion.Picture变量中的电影名称可以发现该数据描述的是2005年在美国上映的电影票房等相关数据，由此可以计算出美国当年的电影总产值为

sum(na.omit(raw_data)$Total.Gross)

[1] 3303.93

raw_data$Number.of.Theaters <- as.numeric(gsub(",","", raw_data$Number.of.Theaters))
par(mfrow=c(2,2))
hist(raw_data$Weeks.in.Top.60, xlab = "weeks in top 60", ylab = "frequency")
hist(raw_data$Opening.Gross, xlab = "opening gross", ylab = "frequency")

hist(raw_data$Total.Gross, xlab = "total gross", ylab = "frequency")
hist(raw_data$Number.of.Theaters, xlab = "number of theaters", ylab = "frequency")

从每一列属性的直方图可以看出，
1. weeks in top 60基本呈现出右偏分布，大部分(70-80%)数值聚集在0-10之间，说明一般上映电影基本只能在榜单持续10天左右；
2. 同样的，70%的预售票房都在0-10之间；
3. 电影的上映剧院大部分都集中在0-500, 不过有20%左右分布在3000-3500之间。从上映数量来看，当时的美国电影产业处于良性发展状态。

library(corrplot)
cor(na.omit(raw_data[2:7]))

                   Opening.Gross Total.Gross Number.of.Theaters Weeks.in.Top.60 increase_rate avg_gross
Opening.Gross          1.0000000   0.9642527          0.7143165       0.4528279    -0.1953030 0.7048103
Total.Gross            0.9642527   1.0000000          0.7098528       0.5253941    -0.1157201 0.7669799
Number.of.Theaters     0.7143165   0.7098528          1.0000000       0.5261138    -0.1663245 0.3909717
Weeks.in.Top.60        0.4528279   0.5253941          0.5261138       1.0000000     0.3853256 0.7039244
increase_rate         -0.1953030  -0.1157201         -0.1663245       0.3853256     1.0000000 0.1727042
avg_gross              0.7048103   0.7669799          0.3909717       0.7039244     0.1727042 1.0000000

corrplot(corr=cor(na.omit(raw_data[2:7])),method = "color",order = "AOE",addCoef.col = "grey")

由上图可知，有几个变量相关性非常高：例如Total.Gross && Opening.Gross, avg_gross && Weeks.in.Top.60等。

require(GGally)
ggpairs(na.omit(raw_data)[,c(2:7)])

以上几张变量间散点图说明以下几点：
1. 预售总票房与最终总票房呈现正相关，预售票房越高，可以说最终的总票房一定不会差。
2. 观察到当因变量是Number.of.Theaters，可以发现Number.of.Theaters是有阈值的，可以用这个变量的最大值来估计当时2005年美国的总活跃电影院的数量。这个数量为：

max(na.omit(raw_data)$Number.of.Theaters)

[1] 3910

3. 平均票房(avg_gross)与其它变量均有良好的线性相关性，且都为正相关，它可以很好地用来解释其它变量。