Base de Bilheterias

A base de bilheteria foi organizada em uma lista (lista_meses_combinados), na qual cada elemento corresponde a um mês completo de 2024 já resultante da combinação de suas semanas.

A visualização abaixo mostra as primeiras linhas do primeiro mês disponível na lista:

DT::datatable(
      head(lista_meses_combinados[[1]], 10),
      extensions = "Scroller",
      options = list(
        deferRender = TRUE,
        scrollX = TRUE,
        scrollY = 300,
        scroller = TRUE
      ),
      rownames = FALSE
    )

glimpse(lista_meses_combinados[[1]])

## Rows: 392,667
## Columns: 15
## $ DATA_EXIBICAO           <chr> "01/01/2024", "01/01/2024", "01/01/2024", "01/…
## $ SESSAO                  <chr> "01/01/2024 10:30:00", "01/01/2024 10:40:00", …
## $ TITULO_ORIGINAL         <chr> "WONKA", "FALLEN LEAVES", "MIGRATION", "MIGRAT…
## $ TITULO_BRASIL           <chr> "WONKA", "FOLHAS DE OUTONO", "PATOS!", "PATOS!…
## $ CPB_ROE                 <chr> "E2300218300000", "E2300438800000", "E23004593…
## $ AUDIO                   <chr> "DUBLADO", "ORIGINAL", "DUBLADO", "DUBLADO", "…
## $ LEGENDADA               <chr> "NÃO", "SIM", "NÃO", "NÃO", "NÃO", "NÃO", "NÃO…
## $ PAIS_OBRA               <chr> "ESTADOS UNIDOS", "ALEMANHA", "ESTADOS UNIDOS"…
## $ REGISTRO_SALA           <dbl> 5006728, 5006729, 5006247, 5002819, 5003328, 5…
## $ NOME_SALA               <chr> "SALA 01 DO CENTRO CULTURAL UNIMED BH- MINAS",…
## $ PUBLICO                 <dbl> 2, 3, 0, 0, 4, 6, 19, 8, 0, 0, 2, 3, 4, 9, 1, …
## $ MUNICIPIO_SALA_COMPLEXO <chr> "BELO HORIZONTE", "BELO HORIZONTE", "GOIÂNIA",…
## $ UF_SALA_COMPLEXO        <chr> "MG", "MG", "GO", "SC", "SP", "SC", "SC", "RS"…
## $ RAZAO_SOCIAL_EXIBIDORA  <chr> "MINAS TÊNIS CLUBE", "MINAS TÊNIS CLUBE", "FRE…
## $ CNPJ_EXIBIDORA          <chr> "17.217.951/0001-10", "17.217.951/0001-10", "0…

Base de Salas

A visualização abaixo mostra as primeiras linhas da base de dados que descreve as salas de cinema registradas pela ANCINE:

DT::datatable(
      head(df_salas),
      extensions = "Scroller",
      options = list(
        deferRender = TRUE,
        scrollX = TRUE,
        scrollY = 300,
        scroller = TRUE
      ),
      rownames = FALSE
    )

glimpse(df_salas)

## Rows: 6,303
## Columns: 21
## $ NOME_SALA                    <chr> "CINE COMPANY JAGUARIUNA", "CINE COMPANY …
## $ REGISTRO_SALA                <dbl> 5003332, 5003331, 5003401, 5003402, 50034…
## $ CNPJ_SALA                    <chr> "10.615.866/0001-60", "10.615.866/0001-60…
## $ ASSENTOS_SALA                <dbl> 162, 162, 402, 370, 245, 332, 210, 137, 1…
## $ ASSENTOS_CADEIRANTES         <dbl> NA, NA, 8, 8, 5, 5, 4, 3, 3, 6, 5, 5, 5, …
## $ ASSENTOS_MOBILIDADE_REDUZIDA <dbl> NA, NA, 5, 4, 3, 3, 3, 1, 1, 4, 3, 3, 3, …
## $ ASSENTOS_OBESIDADE           <dbl> NA, NA, 5, 4, 3, 3, 3, 1, 1, 4, 3, 3, 3, …
## $ ACESSO_ASSENTOS_COM_RAMPA    <chr> "NÃO", "NÃO", "SIM", "SIM", "SIM", "SIM",…
## $ ACESSO_SALA_COM_RAMPA        <chr> "NÃO", "NÃO", "NÃO", "NÃO", "NÃO", "NÃO",…
## $ BANHEIROS_ACESSIVEIS         <chr> "NÃO", "NÃO", "SIM", "SIM", "SIM", "SIM",…
## $ NOME_COMPLEXO                <chr> "02 P D & ARAUJO EMPRESA CINEMATOGRAFICA …
## $ REGISTRO_COMPLEXO            <dbl> 19955, 19955, 20449, 20449, 20449, 20449,…
## $ MUNICIPIO_COMPLEXO           <chr> "JAGUARIÚNA", "JAGUARIÚNA", "SÃO CAETANO …
## $ CEP_COMPLEXO                 <chr> "13820-000", "13820-000", "09531-190", "0…
## $ UF_COMPLEXO                  <chr> "SP", "SP", "SP", "SP", "SP", "SP", "SP",…
## $ COMPLEXO_ITINERANTE          <chr> "NÃO", "NÃO", "NÃO", "NÃO", "NÃO", "NÃO",…
## $ OPERACAO_USUAL               <chr> "COMERCIAL", "COMERCIAL", "COMERCIAL", "C…
## $ NOME_EXIBIDOR                <chr> "02 P D & ARAUJO EMPRESA CINEMATOGRAFICA …
## $ REGISTRO_EXIBIDOR            <dbl> 19954, 19954, 1843, 1843, 1843, 1843, 184…
## $ CNPJ_EXIBIDOR                <chr> "10.615.866/0001-60", "10.615.866/0001-60…
## $ NOME_GRUPO_EXIBIDOR          <chr> "NÃO PERTENCE A NENHUM GRUPO EXIBIDOR", "…

Tratamento de NA’s

Aqui vamos ver como está a situação dos dados quanto a presença de NA’s.

# 1. Calcular percentual de NA por coluna em cada mês
na_pct_por_mes <- lista_meses_combinados %>%
  map_dfr(
    ~ colMeans(is.na(.x)) * 100,  # colMeans = média lógica, vira % de NA
    .id = "Mes"
  )

# 2. Transformar para formato longo (tidy)
na_pct_long <- na_pct_por_mes %>%
  pivot_longer(-Mes, names_to = "Coluna", values_to = "Pct_NA")

# 3. Criar o heatmap
ggplot(na_pct_long, aes(x = Mes, y = Coluna, fill = Pct_NA)) +
  geom_tile(color = "white") +
  scale_fill_gradient(
    low = "#FFFFFF",
    high = "#0D47A1",    # sua cor primária
    name = "% NA"
  ) +
  labs(
    title = "Percentual de valores NA por coluna e mês",
    x = "Mês",
    y = "Coluna"
  ) +
  theme_minimal() +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1)
  )

Observa-se uma maior concentração de valores ausentes nas colunas PAIS_OBRA e TITULO_BRASIL. No caso de PAIS_OBRA, a ausência é esperada, pois esse campo não é preenchido quando o item exibido pertence às categorias “Mostra e Festivais”, “Shows e Musicais” ou “Eventos Esportivos”. Nessas situações, o país de produção não se aplica.

DT::datatable(
      lista_meses_combinados[["2024-01"]] %>% 
        filter(is.na(PAIS_OBRA)) %>% 
        slice(526:530) %>%
        select(DATA_EXIBICAO, TITULO_ORIGINAL, TITULO_BRASIL, PAIS_OBRA),
      extensions = "Scroller",
      options = list(
        deferRender = TRUE,
        scrollX = TRUE,
        scrollY = 300,
        scroller = TRUE
      ),
      rownames = FALSE
    )

Para evitar que esses casos apareçam como valores faltantes nas análises — o que poderia sugerir erro de preenchimento — optou-se por recodificar esses NA específicos como “Não se aplica”, preservando a interpretação correta do dado.

lista_meses_combinados_tratados <- lista_meses_combinados %>%
   map(~.x %>%
        mutate(
          PAIS_OBRA = ifelse(
            TITULO_ORIGINAL %in% c("Mostras e Festivais", "Shows e Musicais", "Eventos Esportivos"),
            "Não se aplica",
            PAIS_OBRA
          )
        )
    )

DT::datatable(
      lista_meses_combinados_tratados[["2024-01"]] %>% 
        filter(TITULO_ORIGINAL %in% c("Mostras e Festivais", "Shows e Musicais", "Eventos Esportivos")) %>% 
        slice(526:530) %>%
        select(DATA_EXIBICAO, TITULO_ORIGINAL, TITULO_BRASIL, PAIS_OBRA),
      extensions = "Scroller",
      options = list(
        deferRender = TRUE,
        scrollX = TRUE,
        scrollY = 300,
        scroller = TRUE
      ),
      rownames = FALSE
    )

No caso de TITULO_BRASIL, os valores ausentes ocorrem principalmente porque, para filmes nacionais, apenas a coluna TITULO_ORIGINAL é utilizada, deixando TITULO_BRASIL em branco. Além disso, esse campo também não é preenchido quando o conteúdo exibido pertence às categorias “Mostra e Festivais”, “Shows e Musicais” ou “Eventos Esportivos”.

DT::datatable(
      lista_meses_combinados[["2024-01"]] %>% 
        filter(is.na(TITULO_BRASIL)) %>% 
        slice(1:10) %>%
        select(DATA_EXIBICAO, TITULO_ORIGINAL, TITULO_BRASIL, PAIS_OBRA),
      extensions = "Scroller",
      options = list(
        deferRender = TRUE,
        scrollX = TRUE,
        scrollY = 300,
        scroller = TRUE
      ),
      rownames = FALSE
    )

Para esse caso, vamos simplesmente repetir o Título Original do filme para a coluna TITULO_BRASIL, já que utilizaremos ela para as análises.

lista_meses_combinados_tratados <- lista_meses_combinados_tratados %>%
  map(~.x %>%
        mutate(
          # Preenche TITULO_BRASIL com TITULO_ORIGINAL se for NA
          TITULO_BRASIL = if_else(is.na(TITULO_BRASIL), TITULO_ORIGINAL, TITULO_BRASIL)
        )
    )

DT::datatable(
      lista_meses_combinados_tratados[["2024-01"]] %>% 
        filter(PAIS_OBRA == "BRASIL") %>% 
        slice(2:6) %>%
        select(DATA_EXIBICAO, TITULO_ORIGINAL, TITULO_BRASIL, PAIS_OBRA),
      extensions = "Scroller",
      options = list(
        deferRender = TRUE,
        scrollX = TRUE,
        scrollY = 300,
        scroller = TRUE
      ),
      rownames = FALSE
    )

Tratamento de Datas e Horários

Como mencionado anteriormente, a coluna SESSAO armazena tanto a data quanto o horário da sessão em formato de texto. Nesta etapa, extraímos apenas o horário para manter na coluna SESSAO, enquanto a data é preservada na coluna DATA_EXIBICAO. Em seguida, ambas são convertidas para formatos apropriados: DATA_EXIBICAO para o tipo Date e SESSAO para o tipo hms.

lista_meses_combinados_tratados <- lista_meses_combinados_tratados %>%
  map(~.x %>%
        mutate(
          # Trata SESSAO para extrair apenas o horário (HH:mm:ss)
          SESSAO = str_extract(SESSAO, "\\d{2}:\\d{2}:\\d{2}$"),
          DATA_EXIBICAO = as.Date(DATA_EXIBICAO, format = "%d/%m/%Y"),
          SESSAO = as_hms(SESSAO)
        )
  )

Tratamento de Categorias

Nesta etapa, convertemos essas colunas para factor, já que representam variáveis categóricas e devem ser tratadas como tal nas análises subsequentes.

lista_meses_combinados_tratados <- lista_meses_combinados_tratados %>%
  map(~.x %>%
        mutate(
          across(
            c(
              TITULO_ORIGINAL, TITULO_BRASIL, PAIS_OBRA, AUDIO, LEGENDADA,
              MUNICIPIO_SALA_COMPLEXO, UF_SALA_COMPLEXO
            ),
            factor
          )
        )
  )

Visualização Pós-Tratamento

Após os tratamentos realizados:

colSums(is.na(lista_meses_combinados_tratados[["2024-01"]]))

##           DATA_EXIBICAO                  SESSAO         TITULO_ORIGINAL 
##                       0                       0                       0 
##           TITULO_BRASIL                 CPB_ROE                   AUDIO 
##                       0                       0                       0 
##               LEGENDADA               PAIS_OBRA           REGISTRO_SALA 
##                       0                       0                       0 
##               NOME_SALA                 PUBLICO MUNICIPIO_SALA_COMPLEXO 
##                       0                       0                       0 
##        UF_SALA_COMPLEXO  RAZAO_SOCIAL_EXIBIDORA          CNPJ_EXIBIDORA 
##                       0                       0                       0

DT::datatable(
      lista_meses_combinados_tratados[["2024-01"]] %>%
        slice(1:10),
      extensions = "Scroller",
      options = list(
        deferRender = TRUE,
        scrollX = TRUE,
        scrollY = 300,
        scroller = TRUE
      ),
      rownames = FALSE
    )

Tratamento de NA’s

Aqui apresentamos as colunas que apresentam NA’s e suas quantidades.

df_salas_na <- df_salas %>%
  summarise(across(everything(), ~ sum(is.na(.)))) %>%
  pivot_longer(everything(),
               names_to = "variavel",
               values_to = "n_na") %>%
  filter(n_na > 0)   # << filtra só colunas com NA

ggplot(df_salas_na, aes(x = reorder(variavel, n_na), y = n_na)) +
  geom_col(fill = "#1E88E5") +
  coord_flip() +
  labs(
    title = "Quantidade de valores ausentes por variável — df_salas",
    x = "Variável",
    y = "Nº de valores ausentes"
  ) +
  theme_minimal(base_size = 12)

As colunas ASSENTOS_MOBILIDADE_REDUZIDA, ASSENTOS_OBESIDADE e ASSENTOS_CADEIRANTES apresentam valores ausentes representando ausência de assentos, sendo preenchidas com NA em vez de 0. Portanto, substituímos os NA por 0 nessas variáveis.

df_salas_filtrado <- df_salas %>%
  mutate(
    across(
      c(ASSENTOS_CADEIRANTES, ASSENTOS_MOBILIDADE_REDUZIDA, ASSENTOS_OBESIDADE),
      ~replace_na(.x, 0)
    )
  )

Para os demais casos de valores ausentes, não identificamos uma relação direta — tratam-se simplesmente de informações que não foram fornecidas. Além disso, as linhas que apresentam esses NAs são, em grande parte, as mesmas, o que impede a obtenção de informações relevantes a partir delas.

DT::datatable(
      df_salas_filtrado %>% 
        filter(is.na(REGISTRO_SALA)) %>% 
        slice(6:10),
      extensions = "Scroller",
      options = list(
        deferRender = TRUE,
        scrollX = TRUE,
        scrollY = 300,
        scroller = TRUE
      ),
      rownames = FALSE
    )

Por esse motivo, optamos por excluir essas observações do conjunto de dados.

df_salas_filtrado <- df_salas_filtrado %>%
  filter(!is.na(REGISTRO_SALA))

Conversão para fatores

Aqui é selecionado um conjunto de colunas que representam informações categóricas e as converte para o tipo factor, garantindo que essas variáveis sejam tratadas como categorias. Isso padroniza a estrutura do dataframe e facilita análises estatísticas, modelagem e visualizações que dependem de variáveis categóricas bem definidas.

df_salas_filtrado <- df_salas_filtrado %>%
  mutate(
    across(
      c(
        UF_COMPLEXO, ACESSO_ASSENTOS_COM_RAMPA,
        ACESSO_SALA_COM_RAMPA, BANHEIROS_ACESSIVEIS,
        MUNICIPIO_COMPLEXO, COMPLEXO_ITINERANTE, OPERACAO_USUAL
      ),
      factor
    )
  )

Visualização Pós-Tratamento

Após os tratamentos realizados:

colSums(is.na(df_salas_filtrado))

##                    NOME_SALA                REGISTRO_SALA 
##                            0                            0 
##                    CNPJ_SALA                ASSENTOS_SALA 
##                            0                            0 
##         ASSENTOS_CADEIRANTES ASSENTOS_MOBILIDADE_REDUZIDA 
##                            0                            0 
##           ASSENTOS_OBESIDADE    ACESSO_ASSENTOS_COM_RAMPA 
##                            0                            0 
##        ACESSO_SALA_COM_RAMPA         BANHEIROS_ACESSIVEIS 
##                            0                            0 
##                NOME_COMPLEXO            REGISTRO_COMPLEXO 
##                            0                            0 
##           MUNICIPIO_COMPLEXO                 CEP_COMPLEXO 
##                            0                            0 
##                  UF_COMPLEXO          COMPLEXO_ITINERANTE 
##                            0                            0 
##               OPERACAO_USUAL                NOME_EXIBIDOR 
##                            0                            0 
##            REGISTRO_EXIBIDOR                CNPJ_EXIBIDOR 
##                            0                            0 
##          NOME_GRUPO_EXIBIDOR 
##                            0

DT::datatable(
      df_salas_filtrado,
      extensions = "Scroller",
      options = list(
        deferRender = TRUE,
        scrollX = TRUE,
        scrollY = 300,
        scroller = TRUE
      ),
      rownames = FALSE
    )

## Warning in instance$preRenderHook(instance): It seems your data is too big for
## client-side DataTables. You may consider server-side processing:
## https://rstudio.github.io/DT/server.html