Laalo Box Office Collection: ગુજરાતી ફિલ્મ 'લાલો' એ સાતમા શનિવારે કરી છપ્પર ફાડ કમાણી, જાણો અત્યાર સુધીનું ટોટલ કલેક્શન

Laalo Box Office Collection Day 44: ફિલ્મ લાલો - શ્રી કૃષ્ણ સદા સહાયતે ની ફક્ત ગુજરાતમાં જ નહીં પરંતુ વિશ્વભરમાં ચર્ચા થઇ રહી છે. આ ફિલ્મ બની ત્યારે કોઈને કલ્પના પણ નહી કરી હોય કે તે, ગુજરાતી ફિલ્મ જગતની સૌથી વધુ કમાણી કરનારી ફિલ્મ બની જશે. ભલે તેની શરુઆત ગોકળગાયની ગતીએ થઇ હોય, પરંતુ ફિલ્મ રિલીઝ થયાના સાત અઠવાડિયા પછી, ફિલ્મ બોક્સ ઓફિસ પર મજબુત પકડ બનાવીને ચાલી રહી છે.

વિશ્વભરમાં લાલોની ચર્ચા થવા લાગી

હાલની સ્થિતિ જોતા ગુજરાતમાં તમામ થિયેટરોમાં દરરોજના સૌથી વધુ ફિલ્મ 'લાલો' ના શો જોવા મળી રહ્યા છે. લોકો પોતાના પરિવાર સાથે આ ફિલ્મ જોવ જવાનું પસંદ કરી રહ્યા છે. જેમાં નાના બાળકોથી માંડીને વયોવૃદ્ધ સુધીના લોકો આ ફિલ્મ નિહાળવા માટે મોંઘી ટિકીટો ખરીદીને જઇ રહ્યા છે. લોકોને આ ફિલ્મ ભીવૂક કરી મુકે તેવી છે, દર્શકોને ફિલ્મના સ્ટાર કાસ્ટની એક્ટિંગ તેમજ તેમાં રહેલા ગીત પણ ખુબજ પસંદ આવી રહ્યા છે.

ફિલ્મ લાલોની 44 મા દિવસની કમાણી

ફિલ્મ 'લાલો - શ્રી કૃષ્ણ સદા સહાયતે' ની ભલે શરૂઆત ધીમી થઇ હોય, પરંતુ જેમ જેમ દિવસો વિતી રહ્યા છે, તેમ તેમ કમાણીમાં નવા રેકોર્ડ બનતા જોવા મળી રહ્યા છે. sacnilk ના રિપોર્ટ પ્રમાણે ફિલ્મ 'લાલો' એ 44 મા દિવસે એટલે કે સાતમા શનિવારે સિનેમાઘરોમાં 3.35 કરોડની કમાણી કરી છે. આમ અત્યાર સુધી આ ગુજરાતી ફિલ્મે 68.65 કરોડની કમાણી કરી છે.

Python

import reimport pandas as pd# The raw data provided by the userraw_data = """Day 2 [1st Saturday]₹ 0.04 Crinf%Day 3 [1st Sunday]₹ 0.08 Cr100.00%Day 4 [1st Monday]₹ 0.04 Cr-50.00%Day 5 [1st Tuesday]₹ 0.05 Cr25.00%Day 6 [1st Wednesday]₹ 0.05 Cr0.00%Week 1 Collection₹ 0.26 Cr-Day 7 [1st Thursday]₹ 0.05 Cr0.00%Day 8 [2nd Friday]₹ 0.04 Cr-20.00%Day 9 [2nd Saturday]₹ 0.04 Cr0.00%Day 10 [2nd Sunday]₹ 0.05 Cr25.00%Day 11 [2nd Monday]₹ 0.05 Cr0.00%Day 12 [2nd Tuesday]₹ 0.03 Cr-40.00%Day 13 [2nd Wednesday]₹ 0.03 Cr0.00%Week 2 Collection₹ 0.29 Cr11.54%Day 14 [2nd Thursday]₹ 0.03 Cr0.00%Day 15 [3rd Friday]₹ 0.01 Cr-66.67%Day 16 [3rd Saturday]₹ 0.03 Cr200.00%Day 17 [3rd Sunday]₹ 0.05 Cr66.67%Day 18 [3rd Monday]₹ 0.06 Cr20.00%Day 19 [3rd Tuesday]₹ 0.1 Cr66.67%Day 20 [3rd Wednesday]₹ 0.15 Cr50.00%Week 3 Collection₹ 0.43 Cr48.28%Day 21 [3rd Thursday]₹ 0.22 Cr46.67%Day 22 [4th Friday]₹ 0.38 Cr72.73%Day 23 [4th Saturday]₹ 1 Cr163.16%Day 24 [4th Sunday]₹ 1.85 Cr85.00%Day 25 [4th Monday]₹ 1.75 Cr-5.41%Day 1 [1st Friday]₹ 0.02 Cr-Day 26 [4th Tuesday]₹ 2.35 Cr11 650.00%Day 27 [4th Wednesday]₹ 2.75 Cr17.02%Week 4 Collection₹ 10.32 Cr2 300.00%Day 28 [4th Thursday]₹ 2 Cr-27.27%Day 29 [5th Friday]₹ 2.25 Cr12.50%Day 30 [5th Saturday]₹ 4.65 Cr106.67%Day 31 [5th Sunday]₹ 7.1 Cr52.69%Day 32 [5th Monday]₹ 2.2 Cr-69.01%Day 33 [5th Tuesday]₹ 3 Cr36.36%Day 34 [5th Wednesday]₹ 3.5 Cr16.67%Week 5 Collection₹ 24.7 Cr139.34%Day 35 [5th Thursday]₹ 3 Cr-14.29%Day 36 [6th Friday]₹ 2.75 Cr-8.33%Day 37 [6th Saturday]₹ 4.5 Cr63.64%Day 38 [6th Sunday]₹ 6.5 Cr44.44%Day 39 [6th Monday]₹ 2.5 Cr-61.54%Day 40 [6th Tuesday]₹ 3 Cr20.00%Day 41 [6th Wednesday]₹ 2.65 Cr-11.67%Week 6 Collection₹ 24.9 Cr0.81%Day 42 [6th Thursday]₹ 2.5 Cr-5.66%Day 43 [7th Friday]₹ 1.9 Cr-24.00%Day 44 [7th Saturday]₹ 3.35 Cr * early estimates-Total₹ 68.65 Cr-"""# Add a placeholder header for consistency with the pattern search.raw_data_with_header = "DayIndia Net CollectionChange(+/-)" + raw_data.replace("DayIndia Net CollectionChange(+/-)", "")# Regular expression to capture Day/Week description, Collection, and Change.# This pattern looks for the structure: (Day/Week info) (₹ collection) (Change %)pattern = re.compile(r'(Day \d+ \[.*?\]|Week \d+ Collection|Total|Day 1 \[.*?\])(\₹\s[\d\.\s]+\sCr\s\**\s*|\₹\s[\d\.\s]+\sCr)(\s[\d\s\.\-]+\%|inf\%|\*?\s*-\s*|\*?\s*early\sestimates-)')# Find all matchesmatches = pattern.findall(raw_data_with_header)# Structure the datadata = []for match in matches:    day_week = match[0].strip()    collection = match[1].strip()    change = match[2].strip()        # Clean up collection and change strings    collection = collection.replace("*", "").strip()    # Correct the space in one entry and clean up for presentation    change = change.replace("11 650.00%", "11650.00%").replace("* early estimates-", "* early estimates").strip()        data.append([day_week, collection, change])# Manually find and reorder Day 1, which is misplaced in the original data.day_1_index = -1for i, row in enumerate(data):    if "Day 1 [1st Friday]" in row[0]:        day_1_index = i        breakif day_1_index != -1 and day_1_index > 0:    # Remove Day 1 from its misplaced position    day_1_row = data.pop(day_1_index)        # Insert Day 1 at the beginning    data.insert(0, day_1_row)# Create DataFrame for structured outputdf = pd.DataFrame(data, columns=['દિવસ/અઠવાડિયું', 'ભારત નેટ કલેક્શન (₹ Cr)', 'બદલાવ (+/-)'])# Write to CSV for user accessoutput_csv_file = 'box_office_collection.csv'df.to_csv(output_csv_file, index=False)print(f"DataFrame Head:\n{df.head()}")print(f"DataFrame Info:\n{df.info()}")

Code output

DataFrame Head:                                                                                                                                         દિવસ/અઠવાડિયું ભારત નેટ કલેક્શન (₹ Cr) બદલાવ (+/-)0                                                                                                                                    Day 1 [1st Friday]               ₹ 0.02 Cr           -1                                                                                                                                  Day 2 [1st Saturday]               ₹ 0.04 Cr        inf%2                                                                                                  Day 3 [1st Sunday]₹ 0.08 Cr100.00%Day 4 [1st Monday]               ₹ 0.04 Cr           -3  Day 5 [1st Tuesday]₹ 0.05 Cr25.00%Day 6 [1st Wednesday]₹ 0.05 Cr0.00%Week 1 Collection₹ 0.26 Cr-Day 7 [1st Thursday]₹ 0.05 Cr0.00%Day 8 [2nd Friday]               ₹ 0.04 Cr           -4                             Day 9 [2nd Saturday]₹ 0.04 Cr0.00%Day 10 [2nd Sunday]₹ 0.05 Cr25.00%Day 11 [2nd Monday]₹ 0.05 Cr0.00%Day 12 [2nd Tuesday]               ₹ 0.03 Cr           -<class 'pandas.core.frame.DataFrame'>RangeIndex: 17 entries, 0 to 16Data columns (total 3 columns): #   Column                   Non-Null Count  Dtype ---  ------                   --------------  -----  0   દિવસ/અઠવાડિયું           17 non-null     object 1   ભારત નેટ કલેક્શન (₹ Cr)  17 non-null     object 2   બદલાવ (+/-)              17 non-null     objectdtypes: object(3)memory usage: 536.0+ bytesDataFrame Info:None

Python

import reimport pandas as pdfrom io import StringIOraw_data = """Day 2 [1st Saturday]₹ 0.04 Crinf%Day 3 [1st Sunday]₹ 0.08 Cr100.00%Day 4 [1st Monday]₹ 0.04 Cr-50.00%Day 5 [1st Tuesday]₹ 0.05 Cr25.00%Day 6 [1st Wednesday]₹ 0.05 Cr0.00%Week 1 Collection₹ 0.26 Cr-Day 7 [1st Thursday]₹ 0.05 Cr0.00%Day 8 [2nd Friday]₹ 0.04 Cr-20.00%Day 9 [2nd Saturday]₹ 0.04 Cr0.00%Day 10 [2nd Sunday]₹ 0.05 Cr25.00%Day 11 [2nd Monday]₹ 0.05 Cr0.00%Day 12 [2nd Tuesday]₹ 0.03 Cr-40.00%Day 13 [2nd Wednesday]₹ 0.03 Cr0.00%Week 2 Collection₹ 0.29 Cr11.54%Day 14 [2nd Thursday]₹ 0.03 Cr0.00%Day 15 [3rd Friday]₹ 0.01 Cr-66.67%Day 16 [3rd Saturday]₹ 0.03 Cr200.00%Day 17 [3rd Sunday]₹ 0.05 Cr66.67%Day 18 [3rd Monday]₹ 0.06 Cr20.00%Day 19 [3rd Tuesday]₹ 0.1 Cr66.67%Day 20 [3rd Wednesday]₹ 0.15 Cr50.00%Week 3 Collection₹ 0.43 Cr48.28%Day 21 [3rd Thursday]₹ 0.22 Cr46.67%Day 22 [4th Friday]₹ 0.38 Cr72.73%Day 23 [4th Saturday]₹ 1 Cr163.16%Day 24 [4th Sunday]₹ 1.85 Cr85.00%Day 25 [4th Monday]₹ 1.75 Cr-5.41%Day 1 [1st Friday]₹ 0.02 Cr-Day 26 [4th Tuesday]₹ 2.35 Cr11 650.00%Day 27 [4th Wednesday]₹ 2.75 Cr17.02%Week 4 Collection₹ 10.32 Cr2 300.00%Day 28 [4th Thursday]₹ 2 Cr-27.27%Day 29 [5th Friday]₹ 2.25 Cr12.50%Day 30 [5th Saturday]₹ 4.65 Cr106.67%Day 31 [5th Sunday]₹ 7.1 Cr52.69%Day 32 [5th Monday]₹ 2.2 Cr-69.01%Day 33 [5th Tuesday]₹ 3 Cr36.36%Day 34 [5th Wednesday]₹ 3.5 Cr16.67%Week 5 Collection₹ 24.7 Cr139.34%Day 35 [5th Thursday]₹ 3 Cr-14.29%Day 36 [6th Friday]₹ 2.75 Cr-8.33%Day 37 [6th Saturday]₹ 4.5 Cr63.64%Day 38 [6th Sunday]₹ 6.5 Cr44.44%Day 39 [6th Monday]₹ 2.5 Cr-61.54%Day 40 [6th Tuesday]₹ 3 Cr20.00%Day 41 [6th Wednesday]₹ 2.65 Cr-11.67%Week 6 Collection₹ 24.9 Cr0.81%Day 42 [6th Thursday]₹ 2.5 Cr-5.66%Day 43 [7th Friday]₹ 1.9 Cr-24.00%Day 44 [7th Saturday]₹ 3.35 Cr * early estimates-Total₹ 68.65 Cr-"""# Add a newline before every new entry (Day, Week, Total) for line splittingdelimited_data = re.sub(r'(Day \d+ \[.*?\]|Week \d+ Collection|Total)', r'\n\1', raw_data).strip()data = []lines = delimited_data.split('\n')for line in lines:    if not line:        continue            # Pattern to separate the three fields: (Day/Week) (Collection) (Change)    # The collection is usually '₹ X.XX Cr' or '₹ X Cr'.    collection_and_change_match = re.search(r'(\₹\s*[\d\.\s]+\sCr\s?\*?\s*)\s*(.*)', line)        if collection_and_change_match:        # Everything before the collection amount is the Day/Week        collection_start = collection_and_change_match.start(1)        day_week = line[:collection_start].strip()                # Extract Collection and Change        collection = collection_and_change_match.group(1).strip()        change = collection_and_change_match.group(2).strip()    else:        # Fallback for unexpected formats, though the primary regex should cover most.        continue # Skip line if the required pattern is not found    # Final cleanup    collection = collection.replace("*", "").strip()    # Replace the space in '11 650.00%' and clean the early estimates entry    change = change.replace("11 650.00%", "11650.00%").replace("* early estimates-", "* early estimates").strip()        data.append([day_week, collection, change])# Manually find and reorder Day 1, which is misplaced in the original data, to be before Day 2.day_1_index = -1for i, row in enumerate(data):    if "Day 1 [1st Friday]" in row[0]:        day_1_index = i        breakif day_1_index != -1 and day_1_index > 0:    day_1_row = data.pop(day_1_index)        # Insert Day 1 at the top of the list    data.insert(0, day_1_row)# Create DataFramedf = pd.DataFrame(data, columns=['દિવસ/અઠવાડિયું', 'ભારત નેટ કલેક્શન (₹ Cr)', 'બદલાવ (+/-)'])# Write to CSVoutput_csv_file = 'box_office_collection.csv'df.to_csv(output_csv_file, index=False)print(f"DataFrame Head:\n{df.head()}")print(f"DataFrame Info:\n{df.info()}")print(f"CSV file saved as {output_csv_file}")

Code output

DataFrame Head:         દિવસ/અઠવાડિયું ભારત નેટ કલેક્શન (₹ Cr) બદલાવ (+/-)0    Day 1 [1st Friday]               ₹ 0.02 Cr           -1  Day 2 [1st Saturday]               ₹ 0.04 Cr        inf%2    Day 3 [1st Sunday]               ₹ 0.08 Cr     100.00%3    Day 4 [1st Monday]               ₹ 0.04 Cr     -50.00%4   Day 5 [1st Tuesday]               ₹ 0.05 Cr      25.00%<class 'pandas.core.frame.DataFrame'>RangeIndex: 51 entries, 0 to 50Data columns (total 3 columns): #   Column                   Non-Null Count  Dtype ---  ------                   --------------  -----  0   દિવસ/અઠવાડિયું           51 non-null     object 1   ભારત નેટ કલેક્શન (₹ Cr)  51 non-null     object 2   બદલાવ (+/-)              51 non-null     objectdtypes: object(3)memory usage: 1.3+ KBDataFrame Info:NoneCSV file saved as box_office_collection.csv

તમે આપેલા બોક્સ ઓફિસ કલેક્શનના ડેટાને વ્યવસ્થિત કોષ્ટક (ટેબલ) માં નીચે પ્રમાણે રજૂ કરેલો છે.

આ ડેટા સાથેનું એક CSV ફાઇલ પણ box_office_collection.csv નામથી બનાવેલી છે.

? બોક્સ ઓફિસ કલેક્શન ડેટા