Análisis exploratorio e intervalos de confianza - Netflix
Maria Camila Echeverry Cárcamo
1. Introducción
En este trabajo se realiza un análisis exploratorio de la base de datos de títulos disponibles en Netflix. Se analizan las principales características de las variables, su distribución y algunos valores descriptivos.
Posteriormente, se construyen e interpretan cuatro intervalos de confianza con un nivel de confianza del 95%, utilizando diferentes variables de la base de datos.
2. Análisis exploratorio de datos
2.1 Carga y descripción de la base de datos
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.2.1 ✔ readr 2.2.0
## ✔ forcats 1.0.1 ✔ stringr 1.6.0
## ✔ ggplot2 4.0.3 ✔ tibble 3.3.1
## ✔ lubridate 1.9.5 ✔ tidyr 1.3.2
## ✔ purrr 1.2.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorsnetflix <- read_csv("netflix_titles.csv")## Rows: 8807 Columns: 12
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (11): show_id, type, title, director, cast, country, date_added, rating,...
## dbl (1): release_year
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.head(netflix)## # A tibble: 6 × 12
## show_id type title director cast country date_added release_year rating
## <chr> <chr> <chr> <chr> <chr> <chr> <chr> <dbl> <chr>
## 1 s1 Movie Dick Jo… Kirsten… <NA> United… September… 2020 PG-13
## 2 s2 TV Show Blood &… <NA> Ama … South … September… 2021 TV-MA
## 3 s3 TV Show Ganglan… Julien … Sami… <NA> September… 2021 TV-MA
## 4 s4 TV Show Jailbir… <NA> <NA> <NA> September… 2021 TV-MA
## 5 s5 TV Show Kota Fa… <NA> Mayu… India September… 2021 TV-MA
## 6 s6 TV Show Midnigh… Mike Fl… Kate… <NA> September… 2021 TV-MA
## # ℹ 3 more variables: duration <chr>, listed_in <chr>, description <chr>dim(netflix)## [1] 8807 12names(netflix)## [1] "show_id" "type" "title" "director" "cast"
## [6] "country" "date_added" "release_year" "rating" "duration"
## [11] "listed_in" "description"str(netflix)## spc_tbl_ [8,807 × 12] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ show_id : chr [1:8807] "s1" "s2" "s3" "s4" ...
## $ type : chr [1:8807] "Movie" "TV Show" "TV Show" "TV Show" ...
## $ title : chr [1:8807] "Dick Johnson Is Dead" "Blood & Water" "Ganglands" "Jailbirds New Orleans" ...
## $ director : chr [1:8807] "Kirsten Johnson" NA "Julien Leclercq" NA ...
## $ cast : chr [1:8807] NA "Ama Qamata, Khosi Ngema, Gail Mabalane, Thabang Molaba, Dillon Windvogel, Natasha Thahane, Arno Greeff, Xolile "| __truncated__ "Sami Bouajila, Tracy Gotoas, Samuel Jouy, Nabiha Akkari, Sofia Lesaffre, Salim Kechiouche, Noureddine Farihi, G"| __truncated__ NA ...
## $ country : chr [1:8807] "United States" "South Africa" NA NA ...
## $ date_added : chr [1:8807] "September 25, 2021" "September 24, 2021" "September 24, 2021" "September 24, 2021" ...
## $ release_year: num [1:8807] 2020 2021 2021 2021 2021 ...
## $ rating : chr [1:8807] "PG-13" "TV-MA" "TV-MA" "TV-MA" ...
## $ duration : chr [1:8807] "90 min" "2 Seasons" "1 Season" "1 Season" ...
## $ listed_in : chr [1:8807] "Documentaries" "International TV Shows, TV Dramas, TV Mysteries" "Crime TV Shows, International TV Shows, TV Action & Adventure" "Docuseries, Reality TV" ...
## $ description : chr [1:8807] "As her father nears the end of his life, filmmaker Kirsten Johnson stages his death in inventive and comical wa"| __truncated__ "After crossing paths at a party, a Cape Town teen sets out to prove whether a private-school swimming star is h"| __truncated__ "To protect his family from a powerful drug lord, skilled thief Mehdi and his expert team of robbers are pulled "| __truncated__ "Feuds, flirtations and toilet talk go down among the incarcerated women at the Orleans Justice Center in New Or"| __truncated__ ...
## - attr(*, "spec")=
## .. cols(
## .. show_id = col_character(),
## .. type = col_character(),
## .. title = col_character(),
## .. director = col_character(),
## .. cast = col_character(),
## .. country = col_character(),
## .. date_added = col_character(),
## .. release_year = col_double(),
## .. rating = col_character(),
## .. duration = col_character(),
## .. listed_in = col_character(),
## .. description = col_character()
## .. )
## - attr(*, "problems")=<pointer: 0x62dcba583dd0>2.2 Tipos de variables
tabla_tipos <- data.frame(
Variable = c(
"show_id", "type", "title", "director", "cast", "country",
"date_added", "release_year", "rating", "duration",
"listed_in", "description"
),
Tipo_de_variable = c(
"Cualitativa nominal",
"Cualitativa nominal",
"Cualitativa nominal",
"Cualitativa nominal",
"Cualitativa nominal",
"Cualitativa nominal",
"Cualitativa temporal",
"Cuantitativa discreta",
"Cualitativa ordinal",
"Cuantitativa discreta",
"Cualitativa nominal",
"Cualitativa nominal"
)
)
tabla_tipos## Variable Tipo_de_variable
## 1 show_id Cualitativa nominal
## 2 type Cualitativa nominal
## 3 title Cualitativa nominal
## 4 director Cualitativa nominal
## 5 cast Cualitativa nominal
## 6 country Cualitativa nominal
## 7 date_added Cualitativa temporal
## 8 release_year Cuantitativa discreta
## 9 rating Cualitativa ordinal
## 10 duration Cuantitativa discreta
## 11 listed_in Cualitativa nominal
## 12 description Cualitativa nominal2.3 Datos faltantes
datos_faltantes <- data.frame(
Variable = names(netflix),
Datos_faltantes = colSums(is.na(netflix))
)
datos_faltantes## Variable Datos_faltantes
## show_id show_id 0
## type type 0
## title title 0
## director director 2634
## cast cast 825
## country country 831
## date_added date_added 10
## release_year release_year 0
## rating rating 4
## duration duration 3
## listed_in listed_in 0
## description description 02.4 Variables cuantitativas
Para analizar la duración de las películas y el número de temporadas
de las series, se transformó la variable duration en dos
variables numéricas.
netflix$duration_min <- ifelse(
netflix$type == "Movie",
as.numeric(gsub("[^0-9]", "", netflix$duration)),
NA
)
netflix$seasons <- ifelse(
netflix$type == "TV Show",
as.numeric(gsub("[^0-9]", "", netflix$duration)),
NA
)
resumen_numerico <- data.frame(
Variable = c("release_year", "duration_min", "seasons"),
Mínimo = c(
min(netflix$release_year, na.rm = TRUE),
min(netflix$duration_min, na.rm = TRUE),
min(netflix$seasons, na.rm = TRUE)
),
Q1 = c(
quantile(netflix$release_year, 0.25, na.rm = TRUE),
quantile(netflix$duration_min, 0.25, na.rm = TRUE),
quantile(netflix$seasons, 0.25, na.rm = TRUE)
),
Mediana = c(
median(netflix$release_year, na.rm = TRUE),
median(netflix$duration_min, na.rm = TRUE),
median(netflix$seasons, na.rm = TRUE)
),
Media = c(
mean(netflix$release_year, na.rm = TRUE),
mean(netflix$duration_min, na.rm = TRUE),
mean(netflix$seasons, na.rm = TRUE)
),
Q3 = c(
quantile(netflix$release_year, 0.75, na.rm = TRUE),
quantile(netflix$duration_min, 0.75, na.rm = TRUE),
quantile(netflix$seasons, 0.75, na.rm = TRUE)
),
Máximo = c(
max(netflix$release_year, na.rm = TRUE),
max(netflix$duration_min, na.rm = TRUE),
max(netflix$seasons, na.rm = TRUE)
),
`Desv. Est.` = c(
sd(netflix$release_year, na.rm = TRUE),
sd(netflix$duration_min, na.rm = TRUE),
sd(netflix$seasons, na.rm = TRUE)
)
)
resumen_numerico## Variable Mínimo Q1 Mediana Media Q3 Máximo Desv..Est.
## 1 release_year 1925 2013 2017 2014.180198 2019 2021 8.819312
## 2 duration_min 3 87 98 99.577187 114 312 28.290593
## 3 seasons 1 1 1 1.764948 2 17 1.5827522.5 Variables cualitativas
tabla_type <- data.frame(
Categoría = names(table(netflix$type)),
Frecuencia = as.vector(table(netflix$type)),
Porcentaje = round(
as.vector(prop.table(table(netflix$type))) * 100, 2
)
)
tabla_type## Categoría Frecuencia Porcentaje
## 1 Movie 6131 69.62
## 2 TV Show 2676 30.38rating_limpio <- netflix$rating[
!netflix$rating %in% c("66 min", "74 min", "84 min")
]
tabla_rating <- data.frame(
Categoría = names(table(rating_limpio)),
Frecuencia = as.vector(table(rating_limpio)),
Porcentaje = round(
as.vector(prop.table(table(rating_limpio))) * 100, 2
)
)
tabla_rating## Categoría Frecuencia Porcentaje
## 1 G 41 0.47
## 2 NC-17 3 0.03
## 3 NR 80 0.91
## 4 PG 287 3.26
## 5 PG-13 490 5.57
## 6 R 799 9.08
## 7 TV-14 2160 24.55
## 8 TV-G 220 2.50
## 9 TV-MA 3207 36.44
## 10 TV-PG 863 9.81
## 11 TV-Y 307 3.49
## 12 TV-Y7 334 3.80
## 13 TV-Y7-FV 6 0.07
## 14 UR 3 0.032.6 Gráficos
Año de lanzamiento
hist(
netflix$release_year,
main = "Distribución del año de lanzamiento",
xlab = "Año de lanzamiento",
ylab = "Frecuencia"
)
Duración de las películas
hist(
netflix$duration_min,
main = "Distribución de la duración de las películas",
xlab = "Duración (minutos)",
ylab = "Frecuencia"
)
Número de temporadas
hist(
netflix$seasons,
main = "Distribución del número de temporadas",
xlab = "Número de temporadas",
ylab = "Frecuencia"
)
Tipo de contenido
barplot(
table(netflix$type),
main = "Distribución por tipo de contenido",
xlab = "Tipo de contenido",
ylab = "Frecuencia"
)
Clasificación
barplot(
sort(table(rating_limpio), decreasing = TRUE),
main = "Distribución por clasificación",
xlab = "Clasificación",
ylab = "Frecuencia",
las = 2
)
3. Intervalos de confianza
3.1 Intervalo de confianza para la media poblacional
Se estima la duración promedio de las películas disponibles en la base de datos.
ic_media <- t.test(
netflix$duration_min,
conf.level = 0.95
)
ic_media##
## One Sample t-test
##
## data: netflix$duration_min
## t = 275.54, df = 6127, p-value < 2.2e-16
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
## 98.86872 100.28565
## sample estimates:
## mean of x
## 99.57719El intervalo de confianza obtenido es de 98,87 a 100,29 minutos, con una media muestral de 99,58 minutos.
Interpretación: Con un nivel de confianza del 95%, se estima que la duración promedio de las películas se encuentra entre 98,87 y 100,29 minutos.
3.2 Intervalo de confianza para una proporción poblacional
Aquí vamos a calcular el intervalo para la proporción de títulos que corresponden a películas.
Para estimar la proporción de películas dentro de los títulos de Netflix, se utiliza un nivel de confianza del 95%.
x <- sum(netflix$type == "Movie")
n <- sum(!is.na(netflix$type))
ic_proporcion <- prop.test(
x = x,
n = n,
conf.level = 0.95
)
ic_proporcion##
## 1-sample proportions test with continuity correction
##
## data: x out of n, null probability 0.5
## X-squared = 1354.6, df = 1, p-value < 2.2e-16
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
## 0.6864043 0.7057252
## sample estimates:
## p
## 0.6961508La muestra contiene 6131 películas de un total de 8807 títulos, lo que corresponde a una proporción muestral de aproximadamente 69,62%.
El intervalo de confianza del 95% para la proporción poblacional se encuentra entre 68,64% y 70,57%.
Interpretación: Con un nivel de confianza del 95%, se estima que la proporción poblacional de títulos de Netflix que corresponden a películas se encuentra entre 68,64% y 70,57%.
3.3 Intervalo de confianza para la diferencia de dos medias
Para comparar la duración promedio de las películas con clasificación R y PG-13, se construye un intervalo de confianza del 95%.
peliculas_R <- netflix$duration_min[netflix$rating == "R"]
peliculas_PG13 <- netflix$duration_min[netflix$rating == "PG-13"]
ic_diferencia_medias <- t.test(
peliculas_R,
peliculas_PG13,
conf.level = 0.95
)
ic_diferencia_medias##
## Welch Two Sample t-test
##
## data: peliculas_R and peliculas_PG13
## t = -1.4856, df = 998.65, p-value = 0.1377
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -3.7375854 0.5167624
## sample estimates:
## mean of x mean of y
## 106.7202 108.3306La duración promedio de las películas con clasificación R fue de 106,72 minutos, mientras que la duración promedio de las películas con clasificación PG-13 fue de 108,33 minutos.
El intervalo de confianza del 95% para la diferencia entre las medias se encuentra entre -3,74 y 0,52 minutos.
Interpretación: Con un nivel de confianza del 95%, la diferencia entre las duraciones promedio de las películas con clasificación R y PG-13 se encuentra entre -3,74 y 0,52 minutos. Como el intervalo incluye el valor 0, los datos no permiten establecer una diferencia estadísticamente significativa entre las dos medias.
3.4 Intervalo de confianza para la diferencia de dos proporciones
Para comparar dos proporciones poblacionales, se analiza la proporción de títulos clasificados como TV-MA y TV-14.
x1 <- sum(netflix$rating == "TV-MA", na.rm = TRUE)
x2 <- sum(netflix$rating == "TV-14", na.rm = TRUE)
n1 <- sum(!is.na(netflix$rating))
n2 <- n1
ic_diferencia_proporciones <- prop.test(
x = c(x1, x2),
n = c(n1, n2),
conf.level = 0.95
)
ic_diferencia_proporciones##
## 2-sample test for equality of proportions with continuity correction
##
## data: c(x1, x2) out of c(n1, n2)
## X-squared = 293.26, df = 1, p-value < 2.2e-16
## alternative hypothesis: two.sided
## 95 percent confidence interval:
## 0.1053375 0.1325360
## sample estimates:
## prop 1 prop 2
## 0.3643076 0.2453709La proporción de títulos con clasificación TV-MA fue de 36,43%, mientras que la proporción de títulos con clasificación TV-14 fue de 24,54%.
El intervalo de confianza del 95% para la diferencia entre ambas proporciones se encuentra entre 10,53% y 13,25%.
Interpretación: Con un nivel de confianza del 95%, la diferencia entre las proporciones de títulos clasificados como TV-MA y TV-14 se encuentra entre 10,53 y 13,25 puntos porcentuales. Como el intervalo no incluye el valor 0, existe evidencia de una diferencia entre ambas proporciones.
4. Conclusiones
El análisis exploratorio permitió identificar que las películas representan la mayor parte del catálogo analizado, con 69,62% de los títulos, mientras que los programas de televisión representan el 30,38%. Esto muestra que, dentro de los datos estudiados, Netflix tiene una mayor presencia de películas que de series.
En cuanto a la duración de las películas, el intervalo de confianza indica que la duración promedio se encuentra entre 98,87 y 100,29 minutos, con un nivel de confianza del 95%. En el contexto del catálogo analizado, esto significa que una película típica de Netflix tiene una duración cercana a los 100 minutos.
Para la proporción de películas, el intervalo de confianza se ubicó entre 68,64% y 70,57%. Esto indica que, considerando la población representada por los datos analizados, aproximadamente siete de cada diez títulos corresponden a películas.
Al comparar las películas con clasificación R y PG-13, el intervalo para la diferencia de medias fue de -3,74 a 0,52 minutos. Como el intervalo incluye el valor 0, los datos analizados no permiten establecer una diferencia estadísticamente significativa entre la duración promedio de las películas con estas dos clasificaciones. En términos del catálogo, las películas R y PG-13 presentan duraciones promedio bastante similares.
Finalmente, la diferencia entre las proporciones de títulos clasificados como TV-MA y TV-14 presentó un intervalo de confianza entre 10,53 y 13,25 puntos porcentuales. Al no incluir el valor 0, los resultados proporcionan evidencia de una diferencia entre ambas proporciones. En el catálogo analizado, los títulos clasificados como TV-MA representan una proporción mayor que los clasificados como TV-14, con una diferencia estimada de alrededor de 10 a 13 puntos porcentuales.