更揪心的是，即便疫情结束两年，行业仍没走出低谷——2024年春节档8部影片，有4部临时撤档，《我们一起摇太阳》甚至在声明里直接承认“档期选得不对”。这不是个例。电影行业向来是“高投入高风险”，但现在的问题是，很多片方还在用“经验判断”做决策：凭感觉选档期、靠人脉定宣发预算，结果就是《阿修罗》这样的项目——投资7.5亿，上映3天票房才5000万，最后撤档亏损近7亿。本文内容，改编自我们为一家影视投资机构做的定制咨询项目，核心就是用大数据和机器学习，帮行业跳出“经验陷阱”。

我们采集整合了2011-2025年猫眼、豆瓣、和鲸社区的多源数据，用Python爬取并清洗出2197条有效数据；然后找出影响票房的5个关键因素（评分、首日票房、首周票房、电影类型、档期），用图表直观呈现它们和票房的关系；最后建了4种机器学习模型（决策树、Adaboost、KNN、BayesianRidge），通过MSE、R²等指标比出最优方案。

数据截图

对投资方来说，这能帮你避开“高投入低回报”的坑；对营销团队来说，这能让宣发预算花在刀刃上；对发行方来说，这能精准选到“能卖座”的档期。现在，XXX专题项目文件已经分享在交流社群，阅读原文进群，就能和500+电影行业从业者、数据分析师一起交流，少走决策弯路。

研究脉络流程图：1张图看懂票房预测全流程

1 绪论：为什么现在必须做数据化票房预测？

1.1 研究背景：2024年电影市场的“惨”，藏着预判失效的祸根

2024年的电影市场，用“惨淡”形容毫不为过：总票房比2023年少了近120亿，观影人次虽然破了10亿，但票房超10亿的新片只有7部——比前几年少了一半还多。更关键的是，很多影片输在“预判”上：有的选了错误的档期，有的高估了自身题材的吸引力，最后要么撤档，要么血本无归。电影行业不是“拍好片子就有人看”，它的高投入特性（一部大片投资动辄几亿），决定了“票房预测”是必选项：投资方要靠它控制成本，避免钱砸进去收不回；制片方要靠它定题材、选演员，不然拍出来的片子没人买账。就像2018年的《阿修罗》，本来想靠“大制作”冲票房，结果因为没预判到市场反应，上映3天就撤档，近7亿投资打了水漂。下面这张图是2015-2024年的总票房和同比增幅，能清楚看到2024年的下滑有多明显——这也说明，靠经验“拍脑袋”的时代，真的过去了。

1.2 研究意义：3个维度帮行业解决实际问题

• 投资方：少踩“高风险”的坑
  模型能把“主演、题材、档期”这些模糊因素量化，比如后面会讲到“科幻类型平均票房最高”，那投资方就可以优先考虑这类题材，不用再凭感觉赌运气。
• 营销方：让宣发钱花得值
  要是模型预判某部影片是“高潜力”，就能加大短视频物料投放、多做话题预热；要是“中等潜力”，就精准定位特定人群（比如青春片瞄准学生），提升长尾票房。
• 发行方：选对档期等于成功一半
  后面的数据会显示“春节档平均票房最高”，那发行方就可以把优质影片往这个档期推，和院线谈排片时也有数据支撑，不用再靠“人情关系”。

1.3 研究内容：4步完成从数据到决策的落地

1. 数据采集与预处理：用Python爬取多平台数据，删掉没用的信息、统一格式，最后留下2197条有效数据；
2. 特征分析：找出对票房影响最大的5个因素，用图表让“评分高票房高”“春节档卖座”这些结论更直观；
3. 模型构建：建4种机器学习模型，看哪种最适合预测票房；
4. 模型评估：用专业指标检验模型准不准，最后选出最好用的那个。

2 需求分析与总体设计：怎么建一个“能用的”预测模型？

2.1 需求分析：行业现在最缺什么？

2.1.1 行业痛点：3个问题让传统预判失效

现在电影行业做票房预判，主要靠发行方、制片人的“经验”，这就导致3个问题：
一是“拍脑袋决策”，比如觉得“这个演员人气高就一定卖座”，结果排片多了但观众不买账，资源全浪费；
二是“突发情况应对不了”，比如影片快上映了，主演出了负面新闻，这种情况经验根本没用；
三是“数据不互通”，猫眼有票房数据、豆瓣有评分数据、微博有话题数据，但这些数据分散在不同平台，没人整合起来用。

2.1.2 任务目标：模型要帮行业解决3件事

• 数据层面：能拿到电影的类型、票房、上映时间这些基础信息，还要把重复的、缺漏的数据处理好，保证数据准；
• 特征层面：自动找出对票房影响大的因素，比如把“上映时间”分成“春节档、暑期档”，这样比直接用日期好分析；
• 模型层面：能同时试多种模型，最后选出最准的那个，不用再靠“单一模型赌结果”。

2.2 总体设计：5层架构确保模型“好用又准”

我们设计了一个“数据-处理-特征-模型-评估”的闭环架构，每一层都对应具体的业务需求：

1. 数据来源层：从猫眼、豆瓣、和鲸社区拿数据，涵盖影片名称、评分、票房、上映时间这些关键信息；
2. 数据处理层：爬来的数据先清洗（删缺失值、去重复），再统一格式（比如票房都转成“万”为单位），最后存成CSV文件方便用；
3. 特征处理层：从数据里挑出5个关键因素（评分、首日票房、首周票房、类型、档期），分析它们和票房的关系；
4. 模型层：建4种回归模型（决策树、Adaboost、KNN、BayesianRidge），分别做预测；
5. 评估指标层：用MSE（均方误差）、MAE（平均绝对误差）、RMSE（均方根误差）、MAPE（平均绝对百分比误差）、R²（决定系数）这5个指标，看哪个模型最准。
   下面这张图是研究架构图，能清楚看到每一层的作用：
   
   下面这张是实施流程图，从数据采集到得出结论，每一步都很明确：

3 数据采集与预处理：好数据才是好模型的基础

3.1 数据采集：从3个平台拿到“有用的数据”

我们的数据主要来自猫眼、豆瓣和和鲸社区，这里以猫眼数据爬取为例，讲下关键步骤——毕竟爬对数据，后面的预测才准。

3.1.1 构建请求：避开反爬，拿到全量数据

猫眼的年度票房榜页面，数据都在一个页面里，不同年份只需要改URL里的“year”参数。为了不被网站拦截，我们先构建一个“请求头”，模拟浏览器访问，再用循环爬取2011-2025年的数据。关键代码如下：

# 主函数：爬取2011-2025年电影数据
if __name__ == '__main__':
 # 构建请求头，模拟浏览器访问（避免被反爬）
 header_info = {
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/132.0.0.0 Safari/537.36 Edg/132.0.0.0'
 }
 # 循环生成各年份URL并爬取数据
 for year in range(2011, 2026):
 target_url = f'https://piaofang.maoyan.com/rankings/year?year={year}&limit=100&tab=1&WuKongReady=h5'
 # 调用自定义函数获取电影信息（片名、票房、评分等）
 fetch_movie_data(target_url, header_info, year, csv_writer, '猫眼电影票房榜_所有年份.txt')
 print('所有年份数据爬取完成！')

3.1.2 解析与存储数据：提取关键信息，避免乱码

用BeautifulSoup解析网页，把电影名、票房、评分、上映时间这些有用的信息提出来，再存成CSV格式——存的时候用“utf-8-sig”编码，避免中文乱码。下面这张图是采集后的数据示例，能看到每部电影的关键信息都很全：

3.2 数据预处理：把数据“修”成能用的样子

爬来的原始数据不能直接用，比如有的电影“出品地区”写的是“中国大陆”，有的是“中国香港”，还有的缺评分数据，这些都要处理。

3.2.1 数据清洗：删掉“没用的”，留下“准的”

我们的研究只关注国内电影，所以先把“出品地区”统一改成“中国”（包括大陆、香港、台湾）；然后删掉有缺失值、异常值的数据——比如有的电影没写首日票房，这种数据要是留着，会让后面的预测不准，所以直接删掉。
下面两张图是清洗前后的缺失值对比，左边是清洗前，能看到很多特征有缺失；右边是清洗后，所有缺失值都删掉了：

3.2.2 数据转换与存储：让数据“好分析”

我们做了3件事：
一是统一票房单位，所有票房都转成“万”为单位，避免有的用“亿”、有的用“万”搞混；
二是归类电影类型，比如“恐怖”和“惊悚”很像，就合并成“恐怖类”，这样分析起来更清楚；
三是新增“档期”特征，把上映时间分成6类：大年三十到正月十五是春节档、12.31-1.3是元旦档、5.1-5.5是五一档、6.1-8.30是暑期档、9.30-10.7是国庆档，剩下的都是“其他档期”。
下面这张图是预处理后的数据，能看到格式统一、信息清晰，这样后面做分析和建模才顺手：

4 电影票房影响因素分析：哪5个因素决定了电影卖不卖座？

4.1 评分：豆瓣评分高的电影，票房真的更好吗？

豆瓣评分是观众看完电影后的“真实反馈”，没看过的人会参考这个评分决定要不要去看——所以评分肯定会影响票房。我们随机抽了1000个样本，用散点图看评分和票房的关系，关键代码如下：

# 随机抽1000个样本（减少绘图时间）
sample_data = df.sample(n=1000, random_state=42)
# 设置图表大小和清晰度
plt.figure(dpi=150, figsize=(6, 4))
# 画散点图：x轴是票房，y轴是评分
sns.scatterplot(x='票房（万）', y='评分', data=sample_data, color='blue', alpha=0.3, s=40)
plt.title('票房与评分散点图')
plt.xlabel('票房（万）')
plt.ylabel('评分')
plt.show()

下面这张散点图很明显：评分越高的电影，票房高的概率越大。比如评分在8分以上的影片，很多票房都超过了10000万——这也说明，做好影片质量、拿到高评分，对票房很重要。

4.2 首日票房：上映第一天的票房，能预判最终成绩吗？

首日票房反映两件事：一是影片前期的关注度（比如有没有话题度），二是宣发力度够不够。2025年春节档首日票房就很高，总共17.9亿，其中《哪吒之魔童闹海》贡献了4.8亿，《唐探1900》贡献了4.6亿——这两部片子后面的总票房也都不错。
我们随机抽了15部电影，用折线图对比首日票房和总票房的趋势，结果如下：

能看到两条线的趋势几乎一致：首日票房高的，总票房也高。这对行业很有用：发行方可以根据首日票房调整排片（比如首日卖得好，就多给排片场次）；宣发方要是看到首日票房低，就赶紧加预算做推广，不然后面更卖不动。

4.3 电影类型：哪种类型的电影最容易卖座？

不同类型的电影，观众群体不一样——有的观众喜欢科幻，有的喜欢喜剧。我们把电影类型归类后，算了每种类型的平均票房，关键代码如下：

# 计算每种类型的平均票房
type_avg_box = {type_name: sum(box_list)/len(box_list) for type_name, box_list in type_boxoffice.items()}
# 按平均票房从高到低排序
type_avg_box = dict(sorted(type_avg_box.items(), key=lambda x: x[1], reverse=True))
# 画柱状图：x轴是类型，y轴是平均票房
plt.figure(figsize=(12, 6))
plt.bar(type_avg_box.keys(), type_avg_box.values(), color=colors)
plt.xticks(rotation=45) # 旋转x轴标签，避免重叠
plt.xlabel('电影类型')
plt.ylabel('平均票房（万）')
plt.title('不同电影类型的平均票房对比')
plt.show()

下面这张图很清楚：科幻类型的平均票房最高，比其他类型高出一大截；而恐怖类型的平均票房最低。这对投资方来说是重要参考——要是想降低风险，优先选科幻、喜剧这些大众喜欢的类型，别轻易碰恐怖、西部这类小众题材。

4.4 档期：选对档期，票房能差多少？

上映时间对票房的影响太大了——春节大家都有空看电影，暑期有学生群体，这些档期的票房肯定比平时好。我们把档期分成6类，算了每类的平均票房，结果如下：

能看到春节档的平均票房最高，比“其他档期”高出好几倍；其次是暑期档和国庆档。这给发行方提了个醒：要是手里有优质影片，一定要争取进春节档、暑期档这些黄金档期；要是影片竞争力一般，就避开这些档期，免得和大片“撞车”。

5 预测模型与结果分析：4种模型比一比，哪种最准？

5.1 模型构建：怎么用机器学习预测票房？

我们把处理好的数据按7:3分成两部分：70%用来训练模型（让模型“学习”数据规律），30%用来测试模型（看模型准不准）。然后建了4种模型，下面分别讲关键步骤和结果。

5.1.1 决策树模型：最准的模型长什么样？

决策树模型就像“分类筛选”——比如先按“档期”分（春节档还是其他档期），再按“评分”分（高评分还是低评分），最后得出票房预测值。这种模型的优点是预测准、结果好理解。关键代码如下：

# 导入决策树回归模型
from sklearn.tree import DecisionTreeRegressor
# 初始化模型，设置随机种子（保证每次结果一样）
dt_model = DecisionTreeRegressor(random_state=2022)
# 用训练集训练模型
dt_model.fit(x_train, y_train)
# 预测测试集前100个样本（方便画图对比）
y_test_short = y_test.reset_index(drop=True).iloc[:100]
y_pred_dt = pd.DataFrame(dt_model.predict(x_test)).iloc[:100]
# 画预测值和真实值的对比图
plt.figure(figsize=(12, 8))
plt.plot(y_pred_dt, color='b', marker='*', label='预测值')
plt.plot(y_test_short, color='r', marker='o', label='真实值', linestyle="-")
plt.xlabel('测试集样本', fontsize=30)
plt.ylabel('票房（万）', fontsize=30)
plt.title('DecisionTree', fontsize=30)
plt.tight_layout()
plt.show()

下面这张图是决策树模型的预测结果，蓝色线是预测值，红色线是真实值——两条线几乎重合，说明预测得很准：

5.1.2 其他3种模型：为什么不如决策树？

我们还试了Adaboost、KNN、BayesianRidge这3种模型，但效果都不如决策树：

• Adaboost模型：靠多个“弱模型”叠加提升效果，但预测值和真实值有小偏差；
• KNN模型：靠“找相似样本的平均票房”来预测，偏差比较大；
• BayesianRidge模型：用线性回归结合概率的方法，偏差最大，几乎没法用。
  下面是这3种模型的预测对比图：
  Adaboost模型：
  
  KNN模型：
  
  BayesianRidge模型：

5.2 模型评估：用5个指标给模型“打分”

光看图表不够，还要用专业指标量化模型的准确性。我们用了5个常用指标，简单解释一下：

• MSE（均方误差）：预测值和真实值差的平方的平均值，值越小越准；
• MAE（平均绝对误差）：预测值和真实值差的绝对值的平均值，值越小越准；
• RMSE（均方根误差）：MSE开根号，值越小越准；
• MAPE（平均绝对百分比误差）：预测值和真实值差的百分比的平均值，值越小越准；
• R²（决定系数）：0到1之间，越接近1，说明模型拟合得越好。
  评估代码如下：

# 导入评估需要的模块
from sklearn.metrics import mean_squared_error, mean_absolute_error
from sklearn import metrics
# 定义评估函数：输入模型，输出5个指标
def evaluate_model(model):
 model.fit(x_train, y_train) # 训练模型
 y_pred = model.predict(x_test) # 用测试集预测
 # 计算各指标，保留4位小数
 mse = round(mean_squared_error(y_test, y_pred), 4)
 mae = round(mean_absolute_error(y_test, y_pred), 4)
 rmse = round(np.sqrt(metrics.mean_squared_error(y_test, y_pred)), 4)
 mape = round(np.mean(abs((y_test - y_pred)/y_test)) * 100, 4)
 r2 = round(metrics.r2_score(y_test, y_pred), 4)
 # 输出结果
 print(f"MSE值：{mse}，MAE值：{mae}，RMSE值：{rmse}，MAPE值：{mape}%，R²值：{r2}")

下面是4种模型的评估结果表：

模型	MSE	MAE	RMSE	MAPE（%）	R²
决策树	0.0020	0.0066	0.0450	0.0067	0.9999
Adaboost	0.2686	0.4390	0.5182	93.1238	0.9864
KNN	14.7400	1.6772	3.8393	146.0486	0.2534
BayesianRidge	17.7181	2.0498	4.2093	200.8159	0.1025

5.3 结论：选决策树模型准没错

从指标能看出来：决策树模型的MSE只有0.0020，R²高达0.9999，几乎接近完美；Adaboost虽然R²也不低（0.9864），但MAPE太高（93.1238%），实际用的时候会有问题；KNN和BayesianRidge的R²都很低，根本没法用。
所以，要是电影行业想做票房预测，优先用决策树模型；后面还想优化的话，可以试试把决策树和随机森林、XGBoost这些模型结合起来，效果可能会更好。

6 总结：数据化预测能给电影行业带来什么？

我们的研究，简单说就是“用数据帮电影行业做决策”：基于2011-2025年的多平台数据，用Python处理好数据，找出影响票房的5个关键因素，建了4种模型，最后发现决策树最准。
对行业来说，这个研究的实际价值很明确：

• 投资方不用再“赌运气”，可以根据模型选题材、定预算，避开《阿修罗》那样的高风险项目；
• 营销方不用再“盲目砸钱”，可以根据模型预判的影片潜力，调整宣发策略；
• 发行方不用再“靠关系谈排片”，可以用档期数据说服院线，拿到更好的排片资源。
  当然，这个模型还有优化空间，比如后面可以加入“社交媒体热度”（比如微博话题量、抖音播放量）、“演员IP价值”这些因素，让预测更准。

参考文献

[1] 丁亚平.流转的激情与新时代中国电影市场的新变——中国电影产业十年发展回眸[N].中国艺术报,2022-08-31(03).
[2] 冯婧益,陈祺琦,陈伯亨.基于决策树算法的电影数据分析研究[J].信息记录材料,2020,21(12):153-154.
[3] 李乃乾.我国电影产业投资风险及票房收入预测研究[D].大连:东北财经大学,2021.
[4] 韩淑淑.基于XGBoost的电影票房影响因素分析及预测研究[J].应用数学进展,2024,13(4):1738-1745.
[5] 汪静,郑婷婷.Python数据预处理[M].人民邮电出版社:2023.

关于分析师

在此对Doudou Chen对本文所作的贡献表示诚挚感谢，他在湖南大学完成了数据科学与大数据技术专业的硕士学位，专注数据科学与大数据技术领域。擅长Python数据采集与处理、大数据分析、数据可视化，熟悉数据科学领域常用工具与方法论。 Doudou Chen曾在微拍堂负责数据采集相关工作，在民生健康从事数据分析实践，参与过数据驱动的业务优化项目，助力业务方通过数据洞察梳理业务逻辑、提升运营效率，积累了丰富的实战经验，为本文的数据处理与分析部分提供了重要支撑。