豆瓣電影多少人評論

㈠ 電影讀報人豆瓣評分多少

豆瓣評分
7.2

㈡ 豆瓣評分是誰評的

「豆瓣的注冊用戶看完一部電影，心情好的話會來打個一到五星的分（有時候心情不好也會來）。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。

那42萬用戶里可能包括資深電影評論家，可能包括你、你的親戚、你的小學同學、早晨賣你油條的那個人，也可能包括阿北我個人。但每個人都是一票。這個是「大眾評審團」應該的含義：不是說團里的人全都大眾，而是說和大眾一樣一人一票。」

——《豆瓣電影評分八問》

㈢ 國產電影豆瓣評分人數變化

2020年因為疫情的關系，上映的電影太少了。2019年的文章不知道什麼時候被刪了，慘。

依然用維基網路【2020年電影列表】，去豆瓣手動翻分數。

僅列2020年在中國大陸上映的由中國大陸獨立製作或與其他地區合作但中國大陸排名在前的影片。香港、台灣地區製作的電影均不在此列。共計119部。

有61部由於各種原因（主要是評分人數不足）無評分的影片，不計入計算。比有評分的還多。

2020年度公映的國產電影最終進入計算的共58部。去年的情況太特殊了，分數也沒什麼可比性，不能說去年的電影整體質量比以前是好了還是差了。

最低分《北平會館》2.4，比去年2.3稍微高一些。

最高分《棒！少年》8.6，比前兩年低了。

平均分5.7，連續五年升高，7年最高，分數接近代表作有5.5《少女佳禾》。

中位數6.1，同樣7年最高。比平均分5.7高的片子多，所以拉高了中位數。7年第一次高分片子更多。電影評分大於6.1，才能比去年一半的電影要高。6.1分代表作有《冬去冬又來》。

5%分位數3.2。評分低於3.2分，比去年95%的電影差，接近的電影有3.4《喜寶》。

95%分位數7.8，高於7.8的，評分好於去年95%的電影。例如《一秒鍾》7.7分。

2-6分佔比將近41.38%，7年最低下降。8分以上2部，7分以上11部，平均每月1部多。

附上4部7.8分以上也就是好於去年95%的電影清單，值得一看：

氣球7.8

掬水月在手7.9

藍色防線8.6

棒！少年8.6

附錄：2020年度國產電影票房前10豆瓣評分情況

數據來源：中國票房網【2020中國票房】

㈣ 豆瓣開分需要多少評論

豆瓣開分的標準是一千人左右評分就會開分。
豆瓣的注冊用戶看完一部電影，心情好的話會來打個一到五星的分（有時候心情不好也會來）。
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。
這個分數完全來自程序的計算，中間沒有編輯審核，每隔幾分鍾就自動更新一下，以便快速的展現出及時的評分

㈤ 豆瓣電影的評分真的很專業嗎

不是。

豆瓣只是一個以書影音為核心的評論社區而已，甚至不是一個專門的迷影網站，而且其評分方式粗略，用戶在打分時也並非抱著評選的念頭。所以雖然具體演算法不得而知，但其電影榜單的含金量可想而知。

網路榜單重民意、偏流行，但通常參評者越多，其品味越通俗，審美越平庸，取向越雞湯，這是豆瓣Top250給人的直接感受。與此相對，專業榜單權威性強，但往往失之保守、陳舊，由於樣本容量有限，容易受到個人口味的影響。

豆瓣評分的計算

以《牯嶺街少年殺人事件》作為例子分析：

該電影現在共有34367人打星號，其中：50.6%打5星，35.7%打4星，12.1%打3星，1.2%打2星，0.3%打1星。

那麼所有人打星的平均數為：50.6%×5+35.7%×4+12.1%×3+1.2%×2+0.3%×1=4.348星。

假如一部作品滿分為10分（5星），那每顆星相當於2分。

那麼電影《牯嶺街少年殺人事件》的得分應為：4.348×2分=8.696分，所以電影頁面標出該電影評分為8.7分。

㈥ 豆瓣電影多少分算高分多少分以上值得去看

自然紀錄片，一般在8.5分及以上算正常，9分以上的就做得很優秀了。動畫電影國外8分以上值得觀看，喜劇7分以上觀影過程會很順暢，8分以上基本笑中帶淚，或成為一代經典。恐怖片像美恐這類以血腥為主，輔之以心理恐怖。6.5分以上會很驚悚。

基本上在9分以上影史是經典，8分以上值得觀看，7到8分可根據導演個人風格與是否有影帝影後精彩演出靈活選擇，6到7分小心選擇。這類往往是帶有導演個人風格，合乎口味異常流暢，不合口味如坐針氈。6分以下可判死刑基本爛片無疑。

(6)豆瓣電影多少人評論擴展閱讀：

豆瓣電影在2012年5月17日上線購票業務，而在此之前的5年是前期積累用戶，豆瓣發現，有70%的用戶是來看新片的，於是又用3年做了全部影院的排片信息。「豆瓣希望形成一個關於電影的服務閉環，從看完影評看排片，再買票看電影，之後再返回豆瓣寫影評。」豆瓣電影負責人黃福建說。

豆瓣電影可以說秉承了豆瓣網的風格，將整個APP做的用戶體驗極佳。

在擁有最大影迷社區以及電影資料庫的基礎上，豆瓣電影根據移動場景的需求，解決了用戶去哪看電影、該看哪部電影的問題。讓用戶查資料、查評分、查影訊、給電影評分的行為真正做到了隨時隨地。

在豆瓣電影網站發展過程中，支持用戶建立自己的電影影片紀念冊，還有一大批高素質草根影評人的優秀影評供參看，其星級評分也很具有參考作用。這就是豆瓣突然崛起並屹立不倒的原因。也許很多人和我一樣，搜電影第一想到上豆瓣。

㈦ 豆瓣怎麼會有這么多人評分

去年夏天在豆瓣實習了一段時間，我來說說豆瓣評分的事兒吧，評分人群的組成：

1. 普通網友：這些人有的人是自己看過這本書，根據心理感覺評分，這樣給出的分數比較有意義；也有一些看到之前網友的評分，覺得自己跟大部分人的欣賞水平不一致，會更改自己的分數，這就形成所謂的羊群效應，大家都跟著已經形成的一個趨勢去走；當然還有一部分人根本沒有看過這本書或者電影，只是看到大家都收藏自己也就跟著收藏，分數基本按照大部分人給出的分數去給。

2. 書托/影拖：有些出版商會刻意的給自己的書評高分，這樣的評分數量是巨大的，他們一般有很多大量的ID，一起把自己書的評分炒上去。在豆瓣，這樣的評分佔了所有評分中的較大部分。我覺得豆瓣應該會採取措施處理一下這個情況，不然就會讓自己的分數變得不可信。

3. 競爭者：有了上面說的那類人，自然就有了可以給別人評低分以打壓競爭對手的人。這種人數量應該也不少。

我的感覺大概就上面這些人。

㈧ 影視劇的豆瓣評分有高有低，豆瓣是根據什麼進行評分的

豆瓣的評論分為網友評價之後，通過加權平均之後給出的評分。

豆瓣將不同影視劇評分分為5個等級，一個等級對應2分，比如1星為2分，2星為4分，3星為6分，4星為8分，5星為10分等。

有10個網友對一個影視劇進行評分，其中5人給出6分，3人給出8分，1人給出10分，1分給出了4分，那麼這些分數經過加權平均之後可能就是6.8分。當然，如果評分的人數越多的話，可能就會與影視劇實際給人的觀感一致。

比如特效五毛、劇情爛的《上海堡壘》，就有22萬人評價，給出2.9的低分。

當然，這些分數都是人評出來的。所以也存在有“刷分”這種現象：可能存在惡意注冊，惡意刷分的情況，不過大多數的影視劇評分，還是可以參考借鑒的。

㈨ 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：