电影票房分析题目

‘壹’ 电影票房的统计分析有哪些

复制的很全 不过已经过时了 就拿那个3天票房说吧 赤壁 3天破亿 变形金刚4天破亿 那他们3天的总票房应该 在前面
几个例子：
十面埋伏 3天的票房可以达到5000多万 然而总票房屈指可算 3天票房多是宣传力度大 而后面票房狂跌是口碑差 影片本身不好看 口口相传。可以看出宣传对票房的影响之大，而口碑对票房的影响同样雷人

泰坦尼克号 是1997年开始逐步上映的 当时的投资是很惊人的 然而上映后票房低的让投资人欲哭无泪，可影片本身拍摄非常完美，催下了无数人的眼泪，口碑非常好 导致票房逆增长，最后创下了票房冠军，上映时间长达8个月，观影之热，直至无法下档，最后的票房在11年后的今天都没有一部影片可以超越，看来口碑的好坏是决定票房的第一因素。

最后再说一部电影 今年贺岁档的 桃花运 票房纠正下 不是3000万 而是4000万 对于这样一部投资的电影，这样的票房是很高的，今年贺岁的喜剧片 爱呼2 女人不坏 非诚勿扰 每一部的质量都在桃花运之上。桃花运 影片本身是非常粗糙的 故事最后草草收尾 可票房怎么会那么高呢？原因很简单，档期选的好，没有一部片子在数周内和其分羹，结果就是大家来到影院就这一部电影 爱看不看，档期的好坏也非常重要

‘贰’ 2021中国电影总票房472.58亿元，这一数据说明了什么

在刚刚过去的2021年中，我国的电影总票房拿到了472.58亿元人民币，这个数据说明了电影行业的发展很不错，哪怕是在疫情接二连三的打击下，还能够拿到这么高的票房，这也实在是很不容易的事情。

最后，尽管2021年的票房成绩很客观，但是这一年扑街的电影也不少，年初有陈建斌和周迅主演的《第十一回》票房扑街，后来又出现了《第一炉香》、《热带往事》等多部票房扑街的影片，2021年票房过十亿元的电影也寥寥无几，除去春节期间和国庆期间的电影，也就只有《中国医生》票房超过十亿元了。

‘叁’ 省考模拟题国产电影之所以能够在票房上与席卷全球的好莱坞电影__

【试题】国产电影之所以能够在票房上与席卷全球的好莱坞电影________，很大程度上是因为国产电影这种互联网气质带来的亲切感、平民化，这是好莱坞电影难以比拟的________优势。
依次闭尺虚填入划横线部分最恰当的一项是：

【解析】第一步，分析第一空。根据前文“与席卷全球的好莱坞电影”及后文“更是好莱坞电影难以比拟的优势”可知困备，该空表示国产电影的票房跟好莱坞电影差不多的意思。A项“平分秋色”指双方各一半；B项“分庭抗礼”比喻平起平坐、地位相等或互相对立；C项“不相上下”指分不出高低，形容数量、程度差不多。均符合文意，保留。D项“和衷共济”指大家一条心，共同渡过江河。比喻同心协力，克服困难，不符合文意，排除D项。轿燃
第二步，分析第二空。根据空前“这”所指代的内容为国产电影自身的特点可知，第二空表示国产电影对比好莱坞电影的自身优势，B项“本土”指原来的生长土地，可对应国产电影自身的特点，符合文意。A项“突出”指超过一般地显露出来，与文意无关，排除A项。C项“草根”指同政府或决策者相对的势力或同主流、精英文化或精英阶层相对应的弱势阶层，引申为“基层民众”的内涵。C项只能对应前文平民化的特点，不能体现国产电影自身的特点，排除C项。
因此，选择B选项。

‘肆’ 一个困扰多年的“电影票房问题”、影帝帮忙回答~~

首先，拍电影谁都想拍好电影 拍大电影。。但是哪个导演刚出来也不能就像张艺谋冯小刚似的 拍出来就是大片。。 都得从小做起。。 至于收益。销缓。拍电影都不是哪个导演自己出钱的 都尘宽是靠赞助 拉来赞助的就叫制片人。。这些赞助就足够电影的拍摄和演员的经费。。至于拍完赚不赚钱就两说了 赚钱了 大家都好 不赚钱 也积累的名！
其次，只有大片 才会那么快出抢先版。。像之前说的小成本的片 DVD的都没人看 何况抢先版的 既然是大片就不怕你出盗版的 冯小刚的<唐山大地震>刚上映5天。。网上已经有抢先版的了。。但这五天人家票房已经达到2亿了。。
这也分地域的 在中国 盗版是具有中国特色的！在欧美 盗版就不那么猖獗 。。人家愿意去电影院欣赏电影。。就像年前的阿凡达。。人家在北美自己的票房就达到了747.5百万美元，而在海外 也就是累死中国这些国家全加在一起派斗亮才1.97百万美元。。九牛一毛而已。。
最后的问题 你可以去网络：电影票房
PS：纯属个人观点 欢迎采纳！

‘伍’ 猫眼票房分析

猫眼票房分析只统计已开映场次和当天未开映场次票房，根据自己平台统计加上估算其他渠道售票估算而得。

猫眼有比较专业的数据分析平台，通过数据分析预测出来的。票房预测主要看以下几点：电影定位及受众群；平台购票人群年龄层及喜好；电影上座率；观影后观众反馈、口碑及评分；影院排片空间等等。

猫眼电影是美团旗下的一家集媒体内容、在线购票、用户互动社交、电影衍生品销售等服务的一站册培式电影互联网平台，2015年6月，猫眼电影覆盖影院超过4000家，这些影院的票房贡献占比超过90%。

基本信息

2016年5月27日，北京光线传媒股份有限公司发布公告，光线传媒与美团点评交叉持股，光线传媒通过旗州逗唯下上海光线投资控股有限公司入股猫眼电影。2016年11月，猫眼电影荣登2016中国泛娱乐指数盛典中国文娱创新企业榜TOP30，猫眼电影原名美团电影，由美团网于2012年2月推出，2013年1月更名为猫眼电影，2015年7月猫眼电影独立为美团网旗下全资子公司猫眼文化传媒有限公司。

猫眼专业版是由国内最大的互联网+电影平台猫眼电影推出的旨在为影视行业人士提供指御内容数据信息服务的专业应用工具，可面向专业人士和普通用户提供包括电影实时票房、电视收视数据。

‘陆’ 关于电影的好坏是以票房为评价标准的辩伦赛,我是正方二辩，如何提出问题

这个问题较有意思。既是正方，就应该支持这个观点 票房是电影好坏的试金石。
好的电影被大众喜欢，票房自然就高。现在是观众的天地，他们的兴趣点决定了票房的高低。也从一个侧面反映出影片的品质。电影是一种商品，他是要被人们喜欢才有价值。既是商品就有观赏价值。当然价值的高低不只有票房一个标准。像当今的啥子囧，票房就很高，有它得胜的原因。轻松，不用动脑子就能看懂，适应了白领们放松工作压力的需求，自然就有了高票房。但是如果都像这部电影这样简单，文化就没有存在的必要了。白水和浓酒不在一个水平线上。返正举大众要白水，也要浓酒。姜文的子弹飞就是浓酒。票房也很好，是当年的冠军。故，票房是电影好坏清改的标准，但不是唯一的标准。有内涵的，观众喜欢的电影，就是票房的漏碧保证。也是电影好坏的试金石。

‘柒’ 数据挖掘 | 数据理解和预处理

数据挖掘 | 数据理解和预处理
小编遇到过很多人(咳咳，请不要对号入座)，拿到数据后不管三七二十一，先丢到模型中去跑，管它具体什么样呢，反正“大数据”嘛，总能整出点东西来。
但就像上次说过的，“大数据”很有可能带来“大错误”!所以在数据挖掘工作开始前，认真的理解数据、检查数据，对数据进行预处理是至关重要的。
很多人说，数据准备工作真是个“体力活”，耗时耗力不说，还异常的枯燥无味。这点小编承认，建模之前的数据处理确实是平淡的，它往往不需要多高的智商，多牛的编程技巧，多么高大上的统计模型。
但是，它却能时时触发你的兴奋点，因为它需要足够的耐心和细心，稍不留神就前功尽弃。
在这次的内容里，小编首先会从“数据理解”、“变量类型”和“质量检查”三个方面进行阐述，然后会以一个自己做过的实际数据为例进行展示。
一、数据理解
拿到数据后要做的第一步就是理解数哗知据。
什么是理解数据呢?不是简单看下有多少Excel表，有多少行，多少列，而是要结合自己的分析目标，带着具体的业务需求去看。
首先，我们需要明确数据记录的详细程度，比方说某个网站的访问量数据是以每小时为单位还是每天为单位;一份销售数据记录的是每家门店的销售额还是每个地区的总销售额。
其次，洞芦猜我们需要确定研究群体。研究群体的确定一定和业务目标是密切相关的。
比方说，如果我们想研究用户对产品的满意度与哪些因素有关，就应该把购买该产品的所有客户作为研究群体;如果我们想研究用户的购买行为受哪些因素影响，就应该同时考察购买人群和非购买人群，在两类人群的对比中寻找关键因素。
研究群体的确定有时也和数据的详细程度有关。
比如我们想研究“观众影评”对“电影票房”的影响，我们既可以把“每部电影”看成一个个体，研究“影评总数”对“电影总票房”的影响，也可以把“每部电影每天的票房”看成一个个体，研究“每天的影评数”对“每天的电影票房”的影响。
具体选择哪一种取决于我们手上有什么样的数据，如果只有总票房和总影评数的数据，那我们只能选择第一种;如果有更详细的数据，那就可以考虑第二种方案。
需要注意的是，这两种方案还会影响我们对于模型的选择。
例如，如果研究“每天的影评数”对“每天电影票房”的影响，那每部电影又被细分为很多天，同一部电影不同时间的票房会有较高的相似性，这就形成了一种层次结构，可以考虑使用层次模型(hierarchical model)进行分析。
最后，当我们确定了研究目标和研究群体后，我们需要逐一理解每个变量的含义。有些变量和业务目标明显无关，可以直接从研究中剔除。
有些变量虽然有意义，但是在全部样本上取值都一样，这样的变量就是冗余变量，也需要从研究中剔除。
还有一些变量具有重复的含义，如“省份名称”和“省份简称”，这时只需要保留一个就可以了。
二、纳型变量类型
所有变量按其测量尺度可以分成两大类，一类是“分类变量”，一类是“数值变量”。不同类型的变量在处理方法和后期的模型选择上会有显着差别。
【分类变量】
分类变量又称属性变量或离散变量，它的取值往往用有限的几个类别名称就可以表示了，例如“性别”，“教育程度”，“收入水平”，“星期几”等。细分的话，分类变量又可分为两类，一类是“名义变量”，即各个类别间没有顺序和程度的差别，就像“手机系统”中ios和安卓并没有明显的好坏差别，“电影类型”中“动作片”和“科幻片”也都是一样的，说不上哪个更好或更差。
另外一类是定序变量，即不同类别之间存在有意义的排序，如“空气污染程度”可以用“差、良、优”来表示、“教育程度”可以用“小学、初中、高中、大学”来表示。
当研究的因变量是分类变量时，往往对应特定的分析方法，我们在后面的章节会陆续讲到，这里暂且不谈。
当研究中的自变量是分类变量时，也会限制模型选择的范围。有些数据挖掘模型可以直接处理分类自变量，如决策树模型;但很多数据挖掘模型不能直接处理分类自变量，如线性回归、神经网络等，因此需要将分类变量转换成数值变量。
对于定序自变量，最常用的转换方法就是按照类别程度将其直接转换成数值自变量，例如将空气污染程度 “差、良、优”转换为“1,2,3”。
对于名义自变量，最常用的转换方法就是构造0-1型哑变量。例如，对于“性别”，可以定义“1=男，0=女”。
当某个名义变量有K个类别取值时，则需要构造K-1个哑变量。例如教育程度“小学，初中，高中，大学及以上”，可以构造三个哑变量分别为：x1：1=小学，0=其它;x2：1=初中，0=其它;x3：1=高中，0=其它。当x1，x2，x3三个哑变量取值都为0时，则对应着“大学及以上”。
需要注意的是，有时候名义变量的取值太多，会生成太多的哑变量，这很容易造成模型的过度拟合。
这时可以考虑只把观测比较多的几个类别单独拿出来，而把剩下所有的类别都归为“其它”。
例如，中国一共包含56个民族，如果每个民族都生成一个哑变量就会有55个，这时我们可以只考虑设置“是否为汉族”这一个0-1哑变量。
【数值变量】
我们再来看看数值变量。数值变量就是用数值描述，并且可以直接进行代数运算的变量，如“销售收入”、“固定资本”、“评论总数”、“访问量”、“学生成绩”等等都是数值变量。
需要注意的是，用数值表示的变量不一定就是数值型变量，只有在代数运算下有意义的变量才是数值型变量。
例如财务报表的年份，上市时间等，虽然也是用数值表示的，但我们通常不将它们按照数值型变量来处理。
上面我们讲到，分类变量通常要转换成数值型变量，其实有些时候，数值型变量也需要转换成分类变量，这就用到了“数据分箱”的方法。
为什么要进行数据分箱呢?通常有以下几个原因：
1. 数据的测量可能存在一定误差，没有那么准确，因此按照取值范围转换成不同类别是一个有效的平滑方法;
2.有些算法，如决策树模型，虽然可以处理数值型变量，但是当该变量有大量不重复的取值时，使用大于、小于、等于这些运算符时会考虑很多的情况，因此效率会很低，数据分箱的方法能很好的提高算法效率;
3.有些模型算法只能处理分类型自变量(如关联规则)，因此也需要将数值变量进行分箱处理。
数据分箱后，可以使用每个分箱内的均值、中位数、临界值等作为这个类别的代表值，也可以直接将不同取值范围定义成不同的类别，如：将污染程度划分后定义为“低、中、高”等。
那如何进行数据分箱呢?常用的数据分箱的方法有：等宽分箱(将变量的取值范围划分成等宽的几个区间)、等频分箱(按照变量取值的分位数进行划分)、基于k均值聚类的分箱(将所有数据进行k均值聚类，所得的不同类别即为不同的分箱)，还有一些有监督分箱方法，如：使分箱后的结果达到最小熵或最小描述长度等。这里不详细介绍了，有兴趣的童鞋可以自行网络。
三、质量检查
对数据中的各个变量有了初步了解后，我们还需要对数据进行严格的质量检查，如果数据质量不过关，还需要进行数据的清洗或修补工作。
一般来说，质量检查包括检查每个变量的缺失程度以及取值范围的合理性。
【缺失检查】
原始数据中经常会存在各种各样的缺失现象。
有些指标的缺失是合理的，例如顾客只有使用过某个产品才能对这个产品的满意度进行评价，一笔贷款的抵押物中只有存在房地产，才会记录相应的房地产的价值情况等。
像这种允许缺失的变量是最难搞的，因为我们很难判断它的缺失是合理的，还是由于漏报造成的。
但无论哪种情况，如果变量的缺失率过高，都会影响数据的整体质量，因为数据所反映的信息实在太少，很难从中挖掘到有用的东西。
对于不允许缺失的变量来说，如果存在缺失情况，就必须进行相应的处理。如果一个变量的缺失程度非常大，比方说达到了70%，那就考虑直接踢掉吧，估计没救了。
如果缺失比例还可以接受的话，可以尝试用缺失值插补的方法进行补救。
插补的目的是使插补值能最大可能的接近其真实的取值，所以如果可以从其他途径得到变量的真实值，那一定优先选择这种方法。
比如某个公司的财务信息中缺失了“最终控制人类型”和“是否国家控股”这两个取值，这些可以通过网上的公开信息得到真实值;再比如缺失了“净利润率”这个指标的取值，但是却有“净利润”和“总收入”的取值，那就可以通过变量间的关系得到相应的缺失值，即净利润率=净利润/总收入。
当然，更多的时候，我们无法得到缺失值的真实信息，这时就只能借用已有的数据来进行插补了。
对数值变量来说，可以用已观测值的均值、中位数来插补缺失值;对分类型变量来说，可以用已观测数据中出现比例最高的类别取值来进行插补。
这些方法操作起来非常简单，但它们都是对所有缺失值赋予了相同的取值，所以当缺失比例较大时，可能会扭曲被插补变量与其余变量的关系。
更复杂一点的，我们可以选择模型插补方法，即针对被插补变量和其它自变量之间的关系建立统计模型(如回归、决策树等)，将模型预测值作为插补值。
如何处理缺失值是一个很大的研究课题，我们这里只是介绍了最简单可行的方法，有兴趣的读者可以参阅Little和Rubin 2002年的专着“Statistical Analysis with Missing Data”。
【变量取值合理性检查】
除了缺失外，我们还要考察每个变量的取值合理性。每个变量都会有自己的取值范围，比如“用户访问量”、“下载次数”一定是非负的，“投资收益率”一定在0~1之间。通过判断变量的取值是否超出它应有的取值范围，可以简单的对异常值进行甄别。
除了根据变量的取值范围来检查变量质量外，还可以根据变量之间的相互关系进行判断。例如一家公司的“净利润率”不应该大于“总利润率”等。
只有通过了各个方面检测的数据才是一份高质量的数据，才有可能带来有价值的模型结果。
四、实例分析——电影票房分析
最后，我们给出一个实例分析。在这个例子中，我们的目标是研究电影哪些方面的特征对电影票房有影响。
我们有两方面的数据，一是描述电影特征的数据，二是描述电影票房的数据。
由于我们关注的是北美的票房市场，所以描述电影特征的数据可以从IMDB网站得到，它是一个关于演员、电影、电视节目、电视明星和电影制作的在线数据库，里面可以找到每部上映电影的众多信息;电影每天的票房数据可以从美国权威的票房网站Box Office Mojo得到，上面记录了每部电影上映期间内每天的票房数据。
我们将从IMDB得到的数据放到“movieinfor.csv”文件中，将从Box Office Mojo中得到的数据放到“boxoffice.csv”文件中。
这里，我们以2012年北美票房市场最高的前100部电影为例进行讲解。下表给出了这两个数据集中包含的所有变量以及相应的解释。
在这两个数据中，movieinfor.csv数据的记录是精确到每部电影的，而boxoffice.csv数据精确到了每部电影中每天的票房数据，是精确到天的。上表中给出的变量中，除了电影名称和ID外，“电影类型”“MPAA评级”(美国电影协会对电影的评级)和“星期几”是分类型变量;“放映时长”、“制作预算”、“电影每天的票房”和“每天放映的影院数”是数值型变量。两份数据都不存在缺失值。
我们首先对两个数据集分别进行变量预处理，然后再根据电影ID将两个数据整合到一起。下面给出了每个变量的处理方法：
【电影类型】
电影类型是一个分类变量。在这个变量中我们发现每部电影都不止一个类型，例如“The Dark Knight Rises”这部电影就有“Action”、“Crime”和“Thriller”三个类型，并且它们以“|”为分隔符写在了一起。
同时，不同电影之间可能有相同的类型，也可能有不同的类型，例如票房排名第二的电影“Skyfall”，它的类型是“Action |Adventure |Thriller”。
因此，我们首先需要做的是把每部电影所属的类型逐一取出来，然后将所有出现过的类型分别形成一个0-1哑变量，如果这部电影在某个类型上出现了，则相应变量的取值就是1，否则是0.
通过上面一步，我们知道这个数据集中出现过的所有电影类型一共有11个。
那是不是按照之前所讲的，应该把它转换为10个哑变量呢?这里需要注意的是，所有的电影类型之间并不是互斥的(即有了action，就不能有其他的类型)，所以我们无需因为共线性的原因去掉其中一个。
也就是说，如果把每一个电影类型单独作为一个独立的变量，可以衍生出11个新的0-1变量，这完全没有问题。但11个变量未免有点过多，所以我们根据不同电影类型的频数分布情况，只把出现次数明显较多的类型单独拿出来，最终生成了6个0-1型变量，分别为Adventure，Fantasy，Comedy，Action，Animation，Others。
【MPAA评级】
对于这个分类型变量，我们首先可以看一下数据中它所包含的全部取值，发现一共有“PG”，“PG-13”和“R”三个。
和上面的电影类型(Genre)不同，对于一部电影而言，它只能有一个MPAA取值。因此，在MPAA变量中，我们需要选择一个作为基准，将另外两个构造成哑变量。
例如，我们以“PG”为基准，构造的两个哑变量分别为PG13和R，如果这两个哑变量的取值同时为0，那就相当于电影的MPAA评级是PG。
【放映当天是星期几】
这个变量同MPAA评级一样，每部电影只能有一个取值。
如果它在星期一到星期日上都有取值的话，我们可以衍生出6个0-1型哑变量。
因为这里我们更关注周末和非周末对电影票房的影响，而并不关注具体是哪一天，所以我们将其进一步概括成一个变量，即“是否是周末”。
【放映时长和制作预算】
放映时长和制作预算这两个变量都是取值大于0的数值型变量，我们可以分别检查它们的取值是否在合理的范围内，然后直接保留它们的数值信息。
同时，对“制作预算”而言，假设我们这里关心的不是制作预算的具体数值，而是“小成本电影”和“大成本电影”的票房差异，那我们就可以将这个数值型变量进行分箱处理，转换为一个0-1型的分类变量，即 “是否为小成本电影”。
在决定按照什么标准来划分是否为小成本电影时，我们根据之前文献里的研究结果，将制作预算在100 million以下的电影看成是小成本电影。
上述所有变量的处理过程都可以使用R中最基本的语句(table，rep，which等)完成，由于篇幅限制，小编这里就不列出详细的code了，大家感兴趣的话，可以阅读狗熊会的“R语千寻”系列(戳这里)，相信会在R语言的学习上受到更多启发。
最后，我们将所有新生成的变量按照电影ID整合到一起，就大功告成啦。
五、总结
最后总结一下，小编在这次内容中向大家介绍了拿到数据后的数据理解和预处理工作，内容虽然不难，但同样需要我们认真对待。就好像生活一样，只有踏踏实实走好前面的路，才有可能迎接后面的高潮迭起!

‘捌’ 电影和票房问题

票房好坏和拷贝数与宣传有很大关系

拷贝多的电影到处都会放，人们到了电影院就可以看到在放那个电影，如果正好感兴趣就会看

拷贝少的电影，上映的电影院也少，电影院里安排的场次也少，一天就放一两场，当然票房也低。

‘玖’ 电影票房分析及预测

从20世纪初的西洋镜戏法到今天占据全球电影业总产值的三分之一强，资本的加入让好莱坞在过去百年的发展中变得越来越理智--比起商业片流水线缔造者，它更像一个数学家--它精于计算每一项决定对利润的贡献:《蝙蝠侠》续集是否要接受男演员片酬的狮子大开口以获得百分之几的忠实粉丝买票入场;是否要在动作片的第37分钟增加感情戏以争取女性观众;是否要为这部烂透了的原着聘请收费高昂的剧本医生;一个小金人编剧的名头到底值多少钱……这就是在电影开机之前最为重要的环节:票房预测。

华尔街不仅给好莱坞带来了密集的资金支持，也带来了理性的金融工程技术，后者好像一把衡量艺术的尺子。一位浸淫于电影行业的金融人士一语中的:"在这个行业里充斥着暧昧不清、晦暗不明，有真正的艺术家、也有忽悠的吹水者，但到底怎么判断是否能合作，项目是否有投资价值，全凭经验"。

如何预测
早在80年代，美国票房收入预测的先驱BarryLitman对美国80年代近700部电影进行分析推出票房收入预测模型。该系统对之后美国电影投资界产生了颠覆性的影响。电影票房预测系统能分析预测不同种类电影的票房价值，已经成为国际电影产业投融资的重要参考工具，对电影产品定价及衍生产品开发都具有较强的指导作用。

预测系统
电影票房量化分析及预测系统(Box Revenue Prediction)是在考察导演、主要演员、制片、发行及市场营销、电影生命周期、电影类型、发行地区等影响电影票房的诸多因素基础上，基于资产定价模型，综合采用金融工程和回归统计分析方法研发出的预测系统。它能分析预测不同种类电影的票房价值，成为电影产业投融资重要参考工具，对电影产品定价及衍生产品开发都具有较强的指导作用。

中国第一套BRP系统

2012年1月，中影集团联合艾亿新融资本推出了国内第一套基于电影票房预测的估值与定价分析系统--BRP系统。通过对过去4年中600多部影片的统计分析，该BRP系统发现了6条有趣的现象:

·低成本的影片一般会比大片更卖座

·无名小卒主演的影片要比明星主演的影片利润率更高

·类型的艺术特征跟利润之间不存在直接关联，但评论的多寡(无论好评或者劣评)跟利润之间有密切关系

·不含暴力、色情成分的家庭影片最容易赚钱

·大片的续集要比普通新片更容易赚钱

·明星在为影片带来更高票房的同时，也往往拉低了利润率，因为大部分收入进了明星的口袋

‘拾’ 电影票房问题

柯南450万左右把，喜洋洋新的还没上映呢，去年的是8000万
=========================

片名：喜迅雹羊羊与灰太狼之虎虎生威
原名：喜羊羊与灰太狼之虎胆羊威
制作： 广东原创动力文化传枯坦播有限公司
全国公映日期：2010年1月29日
开拍：2009年8月
影片类型：动画贺岁电影
主题曲演唱者：周笔畅没昌桐
-----------------------
你自个看吧，今天才上映的