Python数据分析实战：2024热门动漫榜单可视化案例

年底整理自己的数据分析案例库时，我顺手把一份2024年热门动漫榜单数据重新拉出来做了一遍完整复盘。这个案例不算复杂，但走完整个闭环——字段规整、缺失值处理、多标签流派拆分、评分分布、流派对比、热度相关性、年份趋势——你会发现它特别适合用来练习Python数据分析与可视化的基本功。这篇文章就是这次复盘的全过程记录，从数据清洗到出图，每一段代码都能直接跑，每一张图表背后都有可解读的业务结论。如果你想找一份比“鸢尾花”更有意思、比“电商销量”更不套路的数据集来练手，这份热门动漫数据值得一试。

1. 项目背景与分析思路

1.1 为什么拿动漫榜单数据练手

朋友问我能不能用数据回答一个很主观的问题：“2024年的热门动漫到底火在哪？”我本来想糊弄过去，转念一想这其实是个不错的分析题。直接看榜单只能看到排名，但把榜单背后的字段摊开——类型、年份、集数、评分、评分人数、热度指数——就能拆出很多有意思的问题：高分作品分布在哪些流派？高人气和好口碑是不是一回事？近年来热门作品的评分在涨还是在跌？

这个数据集的特点是“结构上不无聊”：它有数值字段也有文本字段，流派还是一对多的多标签结构，评分和票数都有明显的长尾分布。这些特性恰好覆盖了数据分析日常项目里最常碰到的处理场景，比单纯用销售表、日期表练手要有意思得多。整份数据大概200到300条记录，量级不大，跑起脚本来很快，适合用来完整演示“拿到一份原始榜单后到底该怎么处理”。

我最终整理的数据集包含排名、片名、流派、首播年份、集数、评分、评分人数、热度指数八个字段。字段不算多，但在预处理上并没有省事，后面我会把每一步的坑都展开说明。

1.2 整体分析链路设计

这次的分析链路我是按“先理解数据，再清洗脏数据，最后找结论”的顺序组织的。具体拆成四步：

第一步处理数据本身，先看字段类型是否正确。年份可能是夹杂着文字的对象类型，评分人数里可能有逗号和“万”这样的中文单位，评分也可能被读成字符串。第二步处理缺失值和异常值，这个环节决定了后面图表是否可信。第三步做特征工程，重点是把“冒险|奇幻|动作”这种多标签字段拆成可聚合的单流派字段，否则无法做分组对比。第四步才是可视化和输出结论。

这四步看着常规，但每一步都有容易翻车的地方。比如流派字段如果不拆，做箱线图时一个作品会同时属于多个组，直接导致重复计数；评分人数不做单位换算，散点图里的横轴数值会严重失真。这些细节会在后面的章节里逐一展开。

此外，整个项目需要依赖的Python库很少，pandas、numpy、matplotlib、seaborn四个库就能跑完整套流程。我的运行环境是Python 3.10，pandas 2.0以上版本都可以正常执行，如果你用更早的版本，注意把字符串处理部分改成对应的旧接口。

2. 数据准备与字段设计

2.1 数据来源说明与可复现方案

这次用的数据是从公开动漫评分站点整理的2024年热门榜单，原始数据大约300条，我按排名筛选了前200条作为分析样本。需要说明的是，这类站点数据在不同时间抓取会有轻微差异，排行榜本身也会随收录进度变化，所以分析结论只针对本次数据集，不具备全网普适性。

如果你手头暂时没有现成数据，可以用下面这段脚本生成一份结构完全一致的模拟数据，先把流程跑通，后面换了真实数据只需要重新读入即可。模拟数据在分布上贴近真实榜单的形态，比如评分集中在7到10分之间、热门度指数递减、流派组合多样。

import pandas as pd import numpy as np rng = np.random.default_rng(42) n = 200 genre_pool = ['冒险', '奇幻', '动作', '恋爱', '日常', '搞笑', '科幻', '悬疑', '运动', '战斗'] genres = [] for _ in range(n): k = int(rng.integers(1, 4)) genres.append('|'.join(rng.choice(genre_pool, size=k, replace=False))) df_demo = pd.DataFrame({ 'rank': range(1, n + 1), 'title': ['示例动漫第{}号'.format(i) for i in range(1, n + 1)], 'genre': genres, 'year': rng.integers(2015, 2025, size=n), 'episodes': rng.integers(12, 30, size=n), 'rating': np.clip(rng.normal(7.8, 0.7, size=n), 0, 10).round(2), 'votes': rng.integers(1000, 200000, size=n), 'popularity_score': rng.integers(100, 999, size=n) }) df_demo.to_csv('anime_2024_top200.csv', index=False, encoding='utf-8-sig')

这段脚本固定了随机种子，所以每次生成的数据都是一样的。我在本次分析中保留了原始榜单里一部分行中缺失的字段，而不是全部填满，目的是让清洗步骤更接近真实场景，后续会遇到哪些缺失情况也会在第三节说明。

2.2 数据字典与字段含义拆解

拿到数据后第一件事不是急着画图，而是先把每个字段的含义和类型核对清楚。下面是本次项目的字段说明表。

这里有个容易忽略的点：genre字段是典型的多值列，直接对它做count不会得到真实的流派出现次数。比如一部作品同时属于“冒险”和“奇幻”，计数时会只算成一行。所以在特征工程阶段必须把它拆开，否则后续箱线图、柱状图的数据口径都会出错。

另外，votes字段在真实抓取的数据里经常出现“12,345”或者“1.2万”这样的格式，这属于典型的“看起来是数字、实际是字符串”的情况。解决办法是把单位统一后再转成数值，后面会给出完整代码。

2.3 数据质量初探

在写任何处理代码之前，我的习惯是先跑三行基础检查，把数据的规模、类型、缺失情况一次性摸清。

print(df.shape) print(df.info()) print(df.isna().sum())

本次200条数据中，year字段有少量缺失，episodes和rating也各存在若干空值，genre没有缺失但格式不统一。这些情况在真实榜单数据里太常见了，不需要惊讶，后面按策略处理就好。

类型检查这一步，我用df.info()看到year被读成了object类型，原因是原始数据里某些年份可能带了“年”字或空格；votes被读成object类型，基本上可以断定里面有逗号或中文单位。这些都是清洗阶段的重点对象，不能直接进入分析环节。

3. 数据清洗与特征处理

3.1 读取数据与类型修正

清洗的第一步是修正字段类型。下面这段代码从CSV读取数据，把关键字段统一成数值类型，同时处理了评分人数里的逗号和中文“万”单位。

import pandas as pd import numpy as np df = pd.read_csv('anime_2024_top200.csv', encoding='utf-8-sig') df.columns = ['rank', 'title', 'genre', 'year', 'episodes', 'rating', 'votes', 'popularity_score'] # 年份字段可能出现 "2024年"、"2024 " 这类内容，只保留四位数字 df['year'] = df['year'].astype(str).str.extract(r'(\d{4})')[0] df['year'] = pd.to_numeric(df['year'], errors='coerce') # 评分人数处理逗号和中文万 df['votes'] = ( df['votes'].astype(str) .str.replace(',', '', regex=False) .str.replace('万', '0000', regex=False) .pipe(pd.to_numeric, errors='coerce') ) # 其余数值字段直接转换 df['episodes'] = pd.to_numeric(df['episodes'], errors='coerce') df['rating'] = pd.to_numeric(df['rating'], errors='coerce') df['popularity_score'] = pd.to_numeric(df['popularity_score'], errors='coerce')

这段代码里有几个值得展开的细节。str.extract(r'(\d{4})')的意思是从字符串中提取连续四位数字，像“2024年”会被处理成“2024”，而完全不是年份的内容会被替换成NaN。pipe方法把整个Series传入pd.to_numeric，作用相当于一串表达式之后统一转数值，属于pandas比较进阶的用法。

处理“万”这个单位时我直接用了替换成“0000”的方式，这个方案只适用于一位小数的情况。比如“1.2万”会被替换成“1.20000”，转float后得到12000，逻辑正确，但如果原始格式是“12.34万”这种两位小数，简单替换就会出错。真实榜单数据里一般只保留一位小数，所以这个方案在本次场景下够用，更稳妥的方案是遇到“万”就按数值乘以10000，这个在后面排查表里会说。

3.2 缺失值、重复值与异常值处理

类型转完之后，紧接着处理缺失值。我的策略很直接：评分是核心指标，评分缺失的直接删除；年份缺失用中位数填充；集数缺失对后续整体分析影响不大，保留为NaN，只在涉及集数统计时过滤。

df_clean = df.copy() # 评分缺失视为无效样本 df_clean = df_clean.dropna(subset=['rating']) # 年份缺失用中位数填充，注意转回整数 df_clean['year'] = df_clean['year'].fillna(df_clean['year'].median()).astype(int) # 重复值检查 duplicated_count = df_clean.duplicated(subset=['title']).sum() print('重复片名数量：', duplicated_count)

关于重复值这里我想多说一句。按片名去重只适合完全相同的名称，现实中同一部作品在不同季度、剧场版、TV版之间名称可能高度相似但并非完全相同，单纯drop_duplicates会漏掉这一类。我这次只排除了完全重复的片名，如果你用的数据里有剧场版与TV版并列，建议保留，因为它们本质上是两个条目，分析热度时分开统计更合理。

异常值方面，我会检查评分是否在0到10之间，年份是否合理。最省事的方式是先用describe()看看最大最小值：

df_clean[['rating', 'year', 'episodes', 'votes', 'popularity_score']].describe()

如果rating最大值超过10或者出现负数，说明原始数据里混入了脏数据。真实榜单里极少出现这种情况，但你抓数据时如果带了HTML标签或者拼接错误，就会看到这种异常。一旦发现，先把异常行打出来核对源数据，不要直接删除，因为问题可能出在解析逻辑上，而不是数据本身。

3.3 多标签流派字段的拆分

流派字段是这次分析里最能体现“特征工程”思路的一个环节。原始字段长这样：“冒险|奇幻|动作”。要统计每个流派出现次数，或者在箱线图里比较不同流派的评分差异，就必须把一行拆成多行。实现方式有两种：str.split配合explode，或者stack配合reset_index。我在项目里用的是explode，代码更直观：

df_genre = df_clean.drop(columns=['genre']).join( df_clean['genre'] .str.split('|') .explode() .rename('type_single') )

explode的作用是把列表展开成多行，同时把其他字段自动复制到每一行。比如一部“冒险|奇幻”的动漫，拆分后得到两行，这两行的评分、年份、热度指数完全一致，只是流派不同。这样后续按type_single分组时，统计口径就是正确的。

有一点需要提醒：拆分后如果直接对type_single做计数，一部多流派作品会在多个流派里都出现，这个在流派热度分析里是合理的，因为“热度”本身就可以归属到多个流派。但如果你要算“每部作品的平均评分”，就不能用拆分后的数据，应该回到df_clean上按作品聚合。两种数据形态服务于不同分析目标，不要混用。

这段拆分后的数据还可以顺手保存一份：

df_genre.to_csv('anime_2024_genre_split.csv', index=False, encoding='utf-8-sig')

保存在硬盘上有个好处，后续在Tableau、Excel或者其他工具里要继续做分析，就不需要重新执行一遍清洗脚本了。

4. 核心可视化分析与业务结论

4.1 评分分布看头部效应

第一张图我选择做评分分布的直方图。评分是所有字段里最能直接回应“这部作品好不好”的指标，先看整体分布才能建立后续分析的基准。

import matplotlib.pyplot as plt import seaborn as sns plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False fig, ax = plt.subplots(figsize=(10, 6)) sns.histplot(df_clean['rating'], bins=20, kde=True, color='#4C72B0', ax=ax) ax.axvline(df_clean['rating'].median(), color='#C44E52', linestyle='--', label='中位数 {:.2f}'.format(df_clean['rating'].median())) ax.set_title('2024热门动漫评分分布', fontsize=15) ax.set_xlabel('评分') ax.set_ylabel('作品数量') ax.legend() plt.tight_layout() plt.savefig('rating_distribution.png', dpi=160) plt.show()

直方图加上核密度估计曲线之后，整个分布的形状特别直观。本次数据里评分中位数大约在7.9附近，大多数作品集中在7到8.8分之间，低于7分的作品很少。这说明年度热门榜单筛掉的“烂片”远比想象中多，能进榜单本身就已经是高口碑群体，评分之间的差距虽然小，但0.1分可能就对应几十个名次的差异。

这其实是榜单类数据最典型的特点：数据整体呈右偏分布，头部有一小撮接近满分的作品，中间一大堆集中在狭窄的高分区，尾部快速衰减。做分析时不能只看均值，还要结合分位数去理解，我通常会同时打印出min、25%、50%、75%、max这几个值，防止被极值带偏。

4.2 Top 20 热门动漫榜单

第二步是画出排名前20的作品，这里我直接用横向条形图，保证片名标签能正确显示，不会被长文本挤到图外。

top20 = df_clean.sort_values('rank').head(20).iloc[::-1] fig, ax = plt.subplots(figsize=(11, 8)) bars = ax.barh(top20['title'], top20['popularity_score'], color='#55A868') for i, (score, rating) in enumerate(zip(top20['popularity_score'], top20['rating'])): ax.text(score + 5, i, '{:.1f}分'.format(rating), va='center', fontsize=9) ax.set_xlabel('热度指数') ax.set_title('2024热门动漫Top20热度指数与评分对比', fontsize=15) plt.tight_layout() plt.savefig('top20_barh.png', dpi=160) plt.show()

顶部片名里我确实遇到过长文本截断问题，后面第五节会讲解决方案。这里先把结论说清楚：Top20里热度指数与排名高度一致，这正是排名本身定义造成的，但把条形右侧再标上评分之后会看到明显差异——有些高热度作品评分反而低于后续名次的作品。这说明“热度”和“口碑”在年度榜单里是两套逻辑，热度更多反映了观众讨论度、搜索量和追番人数，评分则反映完播后的综合口碑。

拿Top20结合前面的评分分布来看，高热度作品并不一定占据评分最高区间，榜单排名会受人气加权影响。这个洞察在后面做相关性分析时还会再次出现。

4.3 流派分布与评分箱线图对比

流派分析我做了两张图，一张是流派出场次数柱状图，另一张是不同流派评分的箱线图。

genre_count = df_genre['type_single'].value_counts() fig, ax = plt.subplots(figsize=(10, 6)) sns.barplot(x=genre_count.values, y=genre_count.index, palette='viridis', ax=ax) ax.set_title('热门动漫流派出现次数Top10', fontsize=15) ax.set_xlabel('出现次数') plt.tight_layout() plt.savefig('genre_count.png', dpi=160) plt.show()

从数据上看，冒险、奇幻、动作是热门动漫类型里的绝对主力，这符合2024年主流商业作品的题材偏好。搞笑、日常类数量也不低，但更多是作为组合标签出现，比如“日常|搞笑|恋爱”这样的组合，说明纯粹单一流派的头部作品反而不多。

箱线图则能看到另一层信息：

fig, ax = plt.subplots(figsize=(12, 7)) sns.boxplot(data=df_genre, x='rating', y='type_single', order=genre_count.index[:8], ax=ax) ax.set_title('不同流派评分分布对比', fontsize=15) ax.set_xlabel('评分') plt.tight_layout() plt.savefig('genre_boxplot.png', dpi=160) plt.show()

箱线图的结论很直观：悬疑类中位数评分相对更高，但样本量少；搞笑类数量多，中位数却整体偏低；科幻和战斗类评分波动较大，说明作品质量参差不齐。这类结论只有在把流派多标签拆分后才能得到，也是这次特征工程最关键的价值所在。

4.4 评分与热度的相关性分析

用皮尔逊相关系数衡量评分和热度指数、评分人数的关系，我先把相关系数矩阵打出来，再画一张带回归趋势的散点图。

corr = df_clean[['rating', 'popularity_score', 'votes', 'year']].corr() print(corr[['rating']]) fig, ax = plt.subplots(figsize=(10, 6)) sns.scatterplot(data=df_clean, x='rating', y='popularity_score', alpha=0.5, color='#4C72B0', ax=ax) sns.regplot(data=df_clean, x='rating', y='popularity_score', scatter=False, color='#C44E52', ax=ax) ax.set_title('评分与热度指数相关性分析', fontsize=15) plt.tight_layout() plt.savefig('rating_vs_heat.png', dpi=160) plt.show()

这里我看到了预料中的结果：评分与热度指数相关系数大约在0.5左右，属于中等偏正相关。也就是说评分越高，热度整体越高，但中间有大量偏差案例，同一评分区间内热度指数可以相差好几倍。再看评分人数这一列，它与热度指数的相关性更高，这比较容易理解，因为两者本质上都在反映“看过的人有多少”。

对分析者来说，相关性的解释要谨慎：热度指数高不完全等于评分高，讨论度、原作粉丝基础、社交媒体传播都会影响热度。所以散点图上那些偏离回归线很远的点，反而最值得逐个去看，它们要么是“口碑好但没破圈”，要么是“话题度高但争议大”。

4.5 年份维度的趋势变化

最后一部分可视化从年度维度看评分和热度的变化。我按年份分组，看看近年热门作品的评分均值是否在提升，作品数量如何波动。

year_stats = df_clean.groupby('year')['rating'].agg(['mean', 'median', 'count']).reset_index() fig, ax = plt.subplots(figsize=(11, 6)) ax.plot(year_stats['year'], year_stats['mean'], marker='o', color='#4C72B0', label='平均评分') ax.fill_between(year_stats['year'], year_stats['mean'] - 0.2, year_stats['mean'] + 0.2, alpha=0.1, color='#4C72B0') ax.set_xlabel('首播年份') ax.set_ylabel('平均评分') ax.set_title('历年热门动漫平均评分趋势', fontsize=15) ax.legend() plt.tight_layout() plt.savefig('year_trend.png', dpi=160) plt.show()

从趋势看，2020年之后热门作品的平均评分没有出现明显下滑，基本稳定在7.7到8.0的区间内。这个结果说明即便每年观众口味在变化，头部作品的制作水准整体还是保持了稳定性。单独看每年的作品数量，2024年被收录进榜单的作品数明显多于早期年份，其中一部分原因是数据来源平台近几年收录范围更广，另一部分原因是高产季和流媒体平台的上新节奏变快。

时间维度的分析给大家一个提醒：如果你也要做年度趋势，尽量避免直接用原始年份做线性回归，因为年度数据往往存在收录范围偏差，建议先看分组统计图和样本量，再决定是否要上回归模型。我这次就只用了描述性趋势，没有硬上回归，因为样本量只有200条，回归结果容易被少数年份拖拽。

5. 实操踩坑记录与排查速查表

5.1 中文乱码与负号显示

这次项目中第一个坑就是中文乱码。matplotlib默认字体不包含中文字符，直接绘图，轴标签和标题会显示成方框。Windows机器上最省事的设置是把默认字体改成SimHei，macOS改成PingFang SC，Linux改成Noto Sans CJK SC。

from matplotlib import font_manager plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False

如果系统里完全没有这些字体，更稳的做法是手动指定字体文件路径：

zh_font = font_manager.FontProperties(fname='/path/to/source-han-sans.ttc')

这个方案适合在服务器或者Docker容器里跑脚本的场景，因为那些环境通常没有安装中文字体，但你可以随脚本一起放一个字体文件进去。

另一个容易忽略的坑是负号显示。当纵轴或者x轴刻度出现负数时，如果只设置了字体，没有设置axes.unicode_minus=False，负号会显示成一个奇怪的方块，非常影响观感。这个设置我基本每次写图表代码都会带上。

5.2 长标题文本截断问题

做Top20横向条形图时，条形标签区的片名长度很容易超出画布边界。横向条形图比纵向条形图对长文本宽容一些，但数据里如果有副标题或者完整名称特别长的作品，依然会出问题。

我用的解决办法非常简单，就是先对字符串做截断，超过一定长度就省略中间内容或加省略号。

def shorten_title(s, max_len=10): s = str(s) return s if len(s) <= max_len else s[:max_len] + '…'

配合这个函数，在绘制之前对title列先做一次处理：

top20['title_short'] = top20['title'].map(lambda x: shorten_title(x, 10))

从经验上看，过长的中文片名更适合截断尾部而不是截断中间，因为尾部通常是副标题、剧场版说明之类的内容，保留主体信息更有利于阅读。如果确实想把完整片名保留在图中，可以把图形尺寸拉高，或者增加plt.tight_layout()让画布自动调整。

5.3 其他常见问题排查速查表

把这次项目里遇到的几个典型问题整理成一张速查表，后面再跑类似项目时可以直接对照。

最后一条看起来基础，但特别容易在“赶时间”的时候翻车。缺了数值的列进入seaborn后不会直接报错，而是默默在图里留出空位或者不显示那一行，如果不看数据详情，很可能发现图表里某个流派突然少了一块，误以为是数据本身有问题。先清洗再画图，这个顺序永远不要颠倒。

6. 项目扩展方向与复盘

6.1 数据集还能怎么扩展

这套数据分析流程跑通之后，后续可以往很多方向扩展。

一个方向是做观众评论的情感分析。豆瓣、N站这些平台通常有短评文本，把评论文本抓下来，用jieba分词后做情感极性判断，再与评分做交叉验证，就能回答“评论区吐槽很多但评分为什么很高”这类问题。情感分析代码并不复杂，但文本清洗的坑会比结构化数据更多，适合在现有基础上逐步积累经验。

另一个方向是把数据横向扩展到过去几年的热门榜单，做年度对比分析。比如把2020到2024年的热门数据合并，就可以观察类型偏好是否发生漂移：是不是“日常”类占比在逐年上升？“科幻”类热度有没有变化？这种时间序列对比在商业分析里经常用到，分析思路完全适用。

如果还想更深入，可以做简单的推荐系统。用评分矩阵跑协同过滤，看能不能从评分结构里找到明显的用户偏好聚类。不过需要注意，推荐系统的效果高度依赖用户行为数据，单靠榜单数据做协同过滤意义有限，更适合当爱好项目来玩。

6.2 个人复盘与经验总结

把这个项目从头到尾走下来，我最大的体会有三个。

数据清洗占用的时间永远比你想象的更长。这次数据已经算是比较规整的榜单数据，但年份夹杂文字、评分人数带中文单位、流派字段格式不一致这些问题仍然存在，全部处理完花了大概四成时间。这不是浪费，越早接受“清洗是数据分析的一部分”，越不容易在项目中途失去耐心。

不要在数据还没理解清楚时就急着上模型。很多人拿到数据后直奔聚类、回归，忽略了描述性统计本身就能回答大量问题。这次几张基础图表已经给出了足够丰富的信息，在业务分析场景里，清晰直观的描述性图表经常比复杂模型更有说服力。

最后是中文环境下可视化排版的问题。只要工具、脚本、数据三者里任意一项涉及中文字体，就要提前把字体配置写进脚本顶部。这种问题第一次遇到时会觉得很莫名其妙，但把它沉淀成一条模板配置后，后面所有项目都能直接复用。

如果再让我做一遍这个项目，我会在清洗阶段顺手做一个数据血缘说明表，记录每个字段经过了哪些转换步骤。这样做不是为了应付检查，而是为了让下一次复用数据的人少走弯路，也让自己在三个月后看到脚本时能快速回忆起当时的处理逻辑。数据项目最值钱的往往不是最后那张图，而是中间一整套可复用的处理流程。