豆瓣影评数据集[945万条]：14万部电影+用户评分+影评+名人数据，2024电影数据分析/学术研究必备资源




一、数据集背景介绍
本豆瓣影评数据集是国内互联网公开渠道中覆盖维度最全、数据量最大的电影相关数据集之一，数据采集于豆瓣电影平台，时间节点清晰可追溯。  
电影基础信息（含演员关联数据）采集于2019年8月上旬，保证数据的时效性与完整性；  
用户评分、影评内容及用户信息采集于2019年9月初，避开平台数据抓取限制，最大化覆盖有效内容；  
数据集已完成去重、过滤处理，剔除了无效ID（如无对应PERSON_ID的名人数据），可直接满足分析需求，无需额外清洗基础数据。



二、核心数据规模：945万条数据全覆盖
数据集总容量达945万条，涵盖电影、名人、用户、评分、影评5大核心维度，具体数据量如下：  
电影数据：140502部，其中2019年前上映的有139129部，未上映的有1373部；  
名人数据：72959人，仅包含演员与导演，不涉及普通用户数据；  
用户数据：639125人，包含豆瓣用户ID、昵称等关联信息，且与评分、影评数据直接绑定；  
评分数据：4169420条，覆盖68471部电影，评分范围为1-5分（1分代表很差，2分较差，3分还行，4分推荐，5分力荐），受豆瓣限制每部电影最多320条评分；  
影评数据：4428475条，包含评论内容、赞同数、发布时间，支持情感分析等深度应用。




三、文件格式与核心字段（5大CSV文件详解）
数据集以CSV格式存储，兼容Excel、Python、R等主流数据处理工具，5个文件的核心信息与字段分别如下：  


1. movies.csv（电影基础信息）  
包含140502部电影的21个字段，关键字段有MOVIE_ID（对应豆瓣DOUBAN_ID）、NAME（电影名称）、GENRES（电影类型）、DOUBAN_SCORE（豆瓣评分）、DOUBAN_VOTES（豆瓣投票数）、ACTOR_IDS（演员与PERSON_ID的对应关系，多个演员用“|”分割，格式为“演员A:ID|演员B:ID”）、DIRECTOR_IDS（导演与PERSON_ID的对应关系，格式同演员），部分字段（如官方网站、片长）存在空值。  


2. person.csv（演员/导演名人信息）  
包含72959个名人的10个字段，关键字段有PERSON_ID（名人ID）、NAME（演员/导演名称）、SEX（性别）、BIRTH（出生日期）、BIRTHPLACE（出生地）、PROFESSION（职业）、BIOGRAPHY（简介，仅15135个名人有简介数据），每个PERSON_ID都对应唯一名称，无无效ID。  


3. users.csv（豆瓣用户信息）  
包含639125个用户的4个字段，关键字段有USER_ID（豆瓣用户ID）、USER_NICKNAME（评论用户昵称）、USER_AVATAR（用户头像地址）、USER_URL（用户主页链接），数据与评论、评分直接绑定，无脱敏处理。  


4. ratings.csv（电影评分数据）  
包含4169420条评分的5个字段，关键字段有RATING_ID（评分ID）、USER_ID（用户ID）、MOVIE_ID（电影ID）、RATING（评分值1-5分）、RATING_TIME（评分时间），覆盖68471部电影，符合豆瓣未登录用户数据查看限制。  


5. comments.csv（电影影评数据）  
包含4428475条影评的6个字段，关键字段有COMMENT_ID（评论ID）、USER_ID（用户ID）、MOVIE_ID（电影ID）、CONTENT（评论内容）、VOTES（评论赞同数）、COMMENT_TIME（评论发布时间），数据完整性高，支持多维度分析。




四、数据集可用途径（多场景适配）
本数据集可满足学术研究、商业分析、技术开发等多类需求，具体应用场景如下：  
1. 学术场景：用于电影产业趋势研究、用户观影偏好分析、影评情感倾向（NLP）研究等；  
2. 商业场景：支撑电影市场受众定位、影视内容推荐系统原型开发、票房预测模型训练（结合评分与影评数据）；  
3. 技术场景：作为数据挖掘实战案例（如用户聚类、关联规则分析）、数据分析教学素材、可视化项目开发（如电影类型分布展示）；  
4. 个人学习：帮助了解豆瓣平台数据结构、练习用户行为分析、提升CSV文件处理技能。


五、获取与使用规范
数据来源：采集自豆瓣电影公开信息，仅支持非商业用途（如学术研究、个人学习），使用前需遵守豆瓣平台用户协议；  
兼容性：支持Windows、macOS、Linux系统，可用Excel直接打开查看，或通过常用数据工具读取；  
补充说明：部分字段（如电影官方网站、名人简介）存在空值，已在原始数据中如实保留，可根据需求筛选非空数据使用。