豆瓣电影多少人评论

㈠ 电影读报人豆瓣评分多少

豆瓣评分
7.2

㈡ 豆瓣评分是谁评的

“豆瓣的注册用户看完一部电影，心情好的话会来打个一到五星的分（有时候心情不好也会来）。比方说一部电影有42万用户打分。我们的程序把这42万个一到五星换算成零到十分，加起来除以42万，就得到了豆瓣评分。这个评分会自动出现在豆瓣各处，中间没有审核，平时也没有编辑盯着看。每过若干分钟，程序会自动重跑一遍，把最新打分的人的意见包括进来。

那42万用户里可能包括资深电影评论家，可能包括你、你的亲戚、你的小学同学、早晨卖你油条的那个人，也可能包括阿北我个人。但每个人都是一票。这个是“大众评审团”应该的含义：不是说团里的人全都大众，而是说和大众一样一人一票。”

——《豆瓣电影评分八问》

㈢ 国产电影豆瓣评分人数变化

2020年因为疫情的关系，上映的电影太少了。2019年的文章不知道什么时候被删了，惨。

依然用维基网络【2020年电影列表】，去豆瓣手动翻分数。

仅列2020年在中国大陆上映的由中国大陆独立制作或与其他地区合作但中国大陆排名在前的影片。香港、台湾地区制作的电影均不在此列。共计119部。

有61部由于各种原因（主要是评分人数不足）无评分的影片，不计入计算。比有评分的还多。

2020年度公映的国产电影最终进入计算的共58部。去年的情况太特殊了，分数也没什么可比性，不能说去年的电影整体质量比以前是好了还是差了。

最低分《北平会馆》2.4，比去年2.3稍微高一些。

最高分《棒！少年》8.6，比前两年低了。

平均分5.7，连续五年升高，7年最高，分数接近代表作有5.5《少女佳禾》。

中位数6.1，同样7年最高。比平均分5.7高的片子多，所以拉高了中位数。7年第一次高分片子更多。电影评分大于6.1，才能比去年一半的电影要高。6.1分代表作有《冬去冬又来》。

5%分位数3.2。评分低于3.2分，比去年95%的电影差，接近的电影有3.4《喜宝》。

95%分位数7.8，高于7.8的，评分好于去年95%的电影。例如《一秒钟》7.7分。

2-6分占比将近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分以上也就是好于去年95%的电影清单，值得一看：

气球7.8

掬水月在手7.9

蓝色防线8.6

棒！少年8.6

附录：2020年度国产电影票房前10豆瓣评分情况

数据来源：中国票房网【2020中国票房】

㈣ 豆瓣开分需要多少评论

豆瓣开分的标准是一千人左右评分就会开分。
豆瓣的注册用户看完一部电影，心情好的话会来打个一到五星的分（有时候心情不好也会来）。
比方说一部电影有42万用户打分。
我们的程序把这42万个一到五星换算成零到十分，加起来除以42万，就得到了豆瓣评分。这个评分会自动出现在豆瓣各处，中间没有审核，平时也没有编辑盯着看。
每过若干分钟，程序会自动重跑一遍，把最新打分的人的意见包括进来。
这个分数完全来自程序的计算，中间没有编辑审核，每隔几分钟就自动更新一下，以便快速的展现出及时的评分

㈤ 豆瓣电影的评分真的很专业吗

不是。

豆瓣只是一个以书影音为核心的评论社区而已，甚至不是一个专门的迷影网站，而且其评分方式粗略，用户在打分时也并非抱着评选的念头。所以虽然具体算法不得而知，但其电影榜单的含金量可想而知。

网络榜单重民意、偏流行，但通常参评者越多，其品味越通俗，审美越平庸，取向越鸡汤，这是豆瓣Top250给人的直接感受。与此相对，专业榜单权威性强，但往往失之保守、陈旧，由于样本容量有限，容易受到个人口味的影响。

豆瓣评分的计算

以《牯岭街少年杀人事件》作为例子分析：

该电影现在共有34367人打星号，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。

那么所有人打星的平均数为：50.6%×5+35.7%×4+12.1%×3+1.2%×2+0.3%×1=4.348星。

假如一部作品满分为10分（5星），那每颗星相当于2分。

那么电影《牯岭街少年杀人事件》的得分应为：4.348×2分=8.696分，所以电影页面标出该电影评分为8.7分。

㈥ 豆瓣电影多少分算高分多少分以上值得去看

自然纪录片，一般在8.5分及以上算正常，9分以上的就做得很优秀了。动画电影国外8分以上值得观看，喜剧7分以上观影过程会很顺畅，8分以上基本笑中带泪，或成为一代经典。恐怖片像美恐这类以血腥为主，辅之以心理恐怖。6.5分以上会很惊悚。

基本上在9分以上影史是经典，8分以上值得观看，7到8分可根据导演个人风格与是否有影帝影后精彩演出灵活选择，6到7分小心选择。这类往往是带有导演个人风格，合乎口味异常流畅，不合口味如坐针毡。6分以下可判死刑基本烂片无疑。

(6)豆瓣电影多少人评论扩展阅读：

豆瓣电影在2012年5月17日上线购票业务，而在此之前的5年是前期积累用户，豆瓣发现，有70%的用户是来看新片的，于是又用3年做了全部影院的排片信息。“豆瓣希望形成一个关于电影的服务闭环，从看完影评看排片，再买票看电影，之后再返回豆瓣写影评。”豆瓣电影负责人黄福建说。

豆瓣电影可以说秉承了豆瓣网的风格，将整个APP做的用户体验极佳。

在拥有最大影迷社区以及电影数据库的基础上，豆瓣电影根据移动场景的需求，解决了用户去哪看电影、该看哪部电影的问题。让用户查资料、查评分、查影讯、给电影评分的行为真正做到了随时随地。

在豆瓣电影网站发展过程中，支持用户建立自己的电影影片纪念册，还有一大批高素质草根影评人的优秀影评供参看，其星级评分也很具有参考作用。这就是豆瓣突然崛起并屹立不倒的原因。也许很多人和我一样，搜电影第一想到上豆瓣。

㈦ 豆瓣怎么会有这么多人评分

去年夏天在豆瓣实习了一段时间，我来说说豆瓣评分的事儿吧，评分人群的组成：

1. 普通网友：这些人有的人是自己看过这本书，根据心理感觉评分，这样给出的分数比较有意义；也有一些看到之前网友的评分，觉得自己跟大部分人的欣赏水平不一致，会更改自己的分数，这就形成所谓的羊群效应，大家都跟着已经形成的一个趋势去走；当然还有一部分人根本没有看过这本书或者电影，只是看到大家都收藏自己也就跟着收藏，分数基本按照大部分人给出的分数去给。

2. 书托/影拖：有些出版商会刻意的给自己的书评高分，这样的评分数量是巨大的，他们一般有很多大量的ID，一起把自己书的评分炒上去。在豆瓣，这样的评分占了所有评分中的较大部分。我觉得豆瓣应该会采取措施处理一下这个情况，不然就会让自己的分数变得不可信。

3. 竞争者：有了上面说的那类人，自然就有了可以给别人评低分以打压竞争对手的人。这种人数量应该也不少。

我的感觉大概就上面这些人。

㈧ 影视剧的豆瓣评分有高有低，豆瓣是根据什么进行评分的

豆瓣的评论分为网友评价之后，通过加权平均之后给出的评分。

豆瓣将不同影视剧评分分为5个等级，一个等级对应2分，比如1星为2分，2星为4分，3星为6分，4星为8分，5星为10分等。

有10个网友对一个影视剧进行评分，其中5人给出6分，3人给出8分，1人给出10分，1分给出了4分，那么这些分数经过加权平均之后可能就是6.8分。当然，如果评分的人数越多的话，可能就会与影视剧实际给人的观感一致。

比如特效五毛、剧情烂的《上海堡垒》，就有22万人评价，给出2.9的低分。

当然，这些分数都是人评出来的。所以也存在有“刷分”这种现象：可能存在恶意注册，恶意刷分的情况，不过大多数的影视剧评分，还是可以参考借鉴的。

㈨ 豆瓣电影数据分析

这篇报告是我转行数据分析后的第一篇报告，当时学完了Python，SQL，BI以为再做几个项目就能找工作了，事实上……分析思维、业务，这两者远比工具重要的多。一个多月后回过头来看，这篇报告虽然写得有模有样，但和数据分析报告还是有挺大差别的，主要原因在于：a.只是针对豆瓣电影数据分析太过宽泛了，具体关键指标到底是哪些呢？；b.没有一个确切有效的分析模型/框架，会有种东一块西一块的拼接感。
即便有着这些缺点，我还是想把它挂上来，主要是因为：1.当做Pandas与爬虫(Selenium+Request)练手，总得留下些证明；2.以豆瓣电影进行分析确实很难找到一条业务逻辑线支撑，总体上还是描述统计为主；3.比起网上能搜到的其他豆瓣电影数据分析，它更为详细，可视化效果也不错；

本篇报告旨在针对豆瓣电影1990-2020的电影数据进行分析，首先通过编写Python网络爬虫爬取了51375条电影数据，采集对象包括：电影名称、年份、导演、演员、类型、出品国家、语言、时长、评分、评论数、不同评价占比、网址。经过去重、清洗，最后得到29033条有效电影数据。根据电影评分、时长、地区、类型进行分析，描述了评分与时长、类型的关系，并统计了各个地区电影数量与评分。之后，针对演员、导演对数据进行聚合，给出产量与评分最高的名单。在分析过程中，还发现电影数量今年逐步增加，但评分下降，主要原因是中国地区今年低质量影视作品的增加。

另外，本篇报告还爬取了电影票房网（ http://58921.com/ ）1995-2020年度国内上映的影片票房，共采集4071条数据，其中3484条有效。进一步，本文分析了国内院线电影票房年度变化趋势，票房与评分、评价人数、时长、地区的关系，票房与电影类型的关联，并给出了票房最高的导演、演员与电影排名。

清洗、去重后，可以看到29033条数据长度、评分、评论数具有以下特点：

结合图1(a)(b)看，可以看到电影数据时长主要集中在90-120分钟之间，向两极呈现阶梯状递减，将数据按照短(60-90分钟)，中(90-120分钟)，长(120-150分钟)，特长(>150分钟)划分，各部分占比为21.06%, 64.15%, 11.95%, 2.85%。

结合图2(a)看，可以看到我们采集到的电影数据评分主要集中在6.0-8.0之间，向两极呈现阶梯状递减，在此按照评分划分区间：2.0-4.0为口碑极差，4.0-6.0为口碑较差，6.0-7.0为口碑尚可，7.0-8.0为口碑较好，8.0-10.0为口碑极佳。

这5种电影数据的占比分别为：5.78%, 23.09%, 30.56%, 29.22%, 11.34%

再将评分数据细化到每年进行观察，可以发现，30年内电影数量与年度电影均分呈反相关，年度均分整体呈现下降趋势，2016年电影均分最低，电影数量最多。

进一步做出每个年份下不同评级等级的电影数据占比，可以发现，近年来，评分在[2.0,6.0)的电影数据占比有着明显提升，评分在[6.0,7.0)的数据占比不变，评分在[7.0,10.0)的数据占比减少，可能原因有：

对照图5，可以发现，评分与时长、评论人数的分布大致呈现漏斗状，高分电影位于漏斗上部，低分电影位于漏斗下部。这意味着，如果一部电影的评论人数很多（特别是超过30w人观影），时长较长(大于120min)，那么它大概率是一部好电影。

根据各个国家的电影数量作图，可以得到图6，列出电影数量前十的国家可得表格2，发现美国在电影数量上占第一，达到8490部，中国其次，达6222部。此外，法国，英国，日本的电影数量也超过1000，其余各国电影数量相对较少。这可以说明美国电影有着较大的流量输入，在中国产生了较大的影响。

进一步分析各国电影的质量，依据评分绘制评分箱线图可得图7，在电影数量排名前20的国家中：

接着我们可以探索，哪个国家的电影对豆瓣评分随年份下降的贡献最大，考虑到电影数量对应着评分的权重。根据上述各国的电影评分表现，我们可以猜测电影数量较多的国家可能对年度均分的下降有较大影响。于是，我们再计算出这些国家的年度电影均分，并与整体均分进行比较分析。

再作出中国大陆，中国台湾，中国香港的均分箱线图图9(a)，可以看到，大陆电影均分低于港台电影，且存在大量低分电影拉低了箱体的位置。

分析相关性可得，大陆、香港、台湾电影年度均分与全部评分关联度分别为R=0.979,0.919,0.822，说明滤去台湾和香港电影，大陆电影年度均分的变化趋势与全部评分变化更接近。图9(b)可以进一步反映这一点。

可以看到，大部分类型集中在X×Y=[10000,30000]×[6.00,7.50]的区间范围内，剧情、喜剧、爱情、犯罪、动作类电影数量上较多，说明这些题材的电影是近三十年比较热门的题材，其中剧情类电影占比最多，音乐、传记类电影平均得分更高，但在数量上较少，动作、惊悚类电影评论人数虽多，但评价普遍偏低。

除此之外，还有两块区域值得关注：

根据类型对电影数据进行聚合，整理得到各类型电影评分的时间序列，计算它们与整体均分时间序列的相关性，可得表格4与图11，可以看到剧情，喜剧，悬疑这三种类型片与总分趋势变化相关性最强，同时剧情、喜剧类电影在电影数量上也最多，因此可以认为这两类电影对于下跌趋势影响最大，但其余类别电影的相关性也达到了0.9以上，说明几种热门的电影得分的变化趋势与总体均分趋势一致。

前面已经得知，中美两国电影占比最高，且对于均分时间序列的影响最大。在此，进一步对两国电影进行类型分析，选取几种主要的类型（数量上较多，且相关性较高）进行分析，分别是剧情，喜剧，爱情，惊悚，动作，悬疑类电影，绘制近年来几类电影的数量变化柱状图与评分箱线图可得图12,13,14,15。

对导演与演员进行聚合，得到数据中共有15011名导演，46223名演员。按照作品数量在(0,2], (2,5], (5,10], (10,20], (20,999]进行分组统计导演数量，可以发现，15009名导演中有79.08%只拍过1-2部作品，46220名演员中有75.93%只主演过1-2部作品。忽略那些客串、跑龙套的演员，数据总体符合二八定律，即20%的人占据了行业内的大量资源。

在此，可以通过电影得分、每部电影评论人数以及电影数目寻找优秀的电影导演与演员。这三项指标分别衡量了导演/演员的创作水平，人气以及产能。考虑到电影数据集中可能有少量影视剧/剧场版动画，且影视剧/剧场版动画受众少于电影，但得分普遍要高于电影，这里根据先根据每部电影评论数量、作品数量来筛选导演/演员，再根据电影得分进行排名，并取前30名进行作图，可得图17,18。

结合电影票房网（ http://58921.com/ ）采集到的3353条票房数据，与豆瓣数据按照电影名称进行匹配，可以得到1995-2020年在中国大陆上映的电影信息，分别分析中国内地电影的数量、票房变化趋势，票房与评分、评价人数、时长、地区以及类型的关系，此外还给出了不同导演与演员的票房表现以及影片票房排名。

如图19所示，国内票房数据与上映的电影数量逐年递增，2020年记录的只是上半年的数据，且由于受疫情影响，票房与数量骤减。这说明在不发生重大事件的情况下，国内电影市场规模正在不断扩大。

对电影数据根据类型进行聚合，绘制散点图21，可以发现：

提取导演/演员姓名，对导演/演员字段进行聚合，计算每个导演/演员的票房总和，上映电影均分、以及执导/参与电影数目进行计算，作出票房总和前30名的导演/演员，可得图22,23，图中导演/演员标号反映了票房排名，具体每位导演/演员的上映影片数量、均分、每部电影评价人数、平均时长与总票房在表5、表6中给出。

最后根据电影票房进行排名，得到票房排名前20的电影如表格7所示，可以看到绝大部分上榜电影都是中国电影，索引序号为3、10、12、14、18、19为美国电影，这也反映了除国产电影之外，好莱坞大片占据较大的市场。

本篇报告采集了1990-2020年间豆瓣电影29033组有效数据，从豆瓣电影的评分、时长、地区、类型、演员、导演以及票房等信息进行分析评价，主要有以下结论：