处理Netflix数据集：拆分导演列并解决绘图前代码报错

你在处理Netflix数据集时，想要将包含多位导演的列拆分为单独行，以便统计每位导演每年的影片数量，但现有代码报错“show_id列未找到”，问题出在数据选择和索引处理上，以下是修正方案：

数据集示例 #

show_id type    title   director    cast    country date_added  release_year
s17 Movie   Europe's Most Dangerous Man: Otto Skorzeny in Spain Pedro de Echave García, Pablo Azorín Williams September 22, 2021 2020

单行数据字典形式：

{
    'show_id': ['s17'],
    'type': ['Movie'],
    'title': ["Europe's Most Dangerous Man: Otto Skorzeny in Spain"],
    'director': ['Pedro de Echave García, Pablo Azorín Williams'],
    'cast': [''],
    'country': [''],
    'date_added': ['September 22, 2021'],
    'release_year': ['2020']
}

原代码错误分析 #

你之前的代码中，df_new = df[['title','director']]只保留了title和director列，丢失了show_id；后续把重置后的索引命名为show_id，但原DataFrame的索引并不是show_id列的值，导致merge时找不到匹配的show_id列。

正确拆分方法 #

方法一：直接处理原DataFrame（简洁高效） #

# 拆分导演列并展开为多行
df['director'] = df['director'].str.split(',')
df_exploded = df.explode('director')

# 清理导演名字前后的空格（避免因空格导致统计错误）
df_exploded['director'] = df_exploded['director'].str.strip()

方法二：不修改原DataFrame（更安全） #

如果不想改动原始数据，用assign方法创建新列后展开：

df_exploded = df.assign(director=df['director'].str.split(',')).explode('director')
df_exploded['director'] = df_exploded['director'].str.strip()

统计导演年度影片数量（用于绘图） #

拆分完成后，直接按年份和导演分组统计：

# 统计每位导演每年的影片数量
director_year_stats = df_exploded.groupby(['release_year', 'director'])['show_id'].count().reset_index(name='film_count')

# 示例：用matplotlib绘图
import matplotlib.pyplot as plt

# 取部分数据示例（比如2020年的导演数据）
subset = director_year_stats[director_year_stats['release_year'] == 2020]
plt.bar(subset['director'], subset['film_count'])
plt.xticks(rotation=45)
plt.xlabel('导演')
plt.ylabel('影片数量')
plt.title('2020年导演影片数量统计')
plt.show()

内容的提问来源于stack exchange，提问作者logeeks