LBB Data Visualization
Rifky Novrian Kahar
2021-04-03
1 Overview
Halo, Berikut adalah Rmd yang saya buat sebagai tugas LBB Algoritma Data Science. Kali ini saya menggunakan dataset dari file USvideos.csv yang ada pada materi Data Visualization. Dataset ini berisi informasi video trending youtube US pada tahun 2017. Saya akan mencoba menggali beberapa insight dari data tsb dan memvisualisasikannya kedalam bentuk plot
2 Pre-Processing
Yang pertama, saya akan membaca dataset tersebut untuk dimasukkan kedalam dataframe menggunakan fungsi read.csv
df_youtube <- read.csv("data_input/USvideos.csv")
str(df_youtube)## 'data.frame': 13400 obs. of 12 variables:
## $ trending_date : chr "17.14.11" "17.14.11" "17.14.11" "17.14.11" ...
## $ title : chr "WE WANT TO TALK ABOUT OUR MARRIAGE" "The Trump Presidency: Last Week Tonight with John Oliver (HBO)" "Racist Superman | Rudy Mancuso, King Bach & Lele Pons" "Nickelback Lyrics: Real or Fake?" ...
## $ channel_title : chr "CaseyNeistat" "LastWeekTonight" "Rudy Mancuso" "Good Mythical Morning" ...
## $ category_id : int 22 24 23 24 24 28 24 28 1 25 ...
## $ publish_time : chr "2017-11-13T17:13:01.000Z" "2017-11-13T07:30:00.000Z" "2017-11-12T19:05:24.000Z" "2017-11-13T11:00:04.000Z" ...
## $ views : int 748374 2418783 3191434 343168 2095731 119180 2103417 817732 826059 256426 ...
## $ likes : int 57527 97185 146033 10172 132235 9763 15993 23663 3543 12654 ...
## $ dislikes : int 2966 6146 5339 666 1989 511 2445 778 119 1363 ...
## $ comment_count : int 15954 12703 8181 2146 17518 1434 1970 3432 340 2368 ...
## $ comments_disabled : logi FALSE FALSE FALSE FALSE FALSE FALSE ...
## $ ratings_disabled : logi FALSE FALSE FALSE FALSE FALSE FALSE ...
## $ video_error_or_removed: logi FALSE FALSE FALSE FALSE FALSE FALSE ...Data tersebut berisi kolom-kolom dengan deskripsi :
- trending_date: tanggal trending
- title: judul video
- channel_title: nama channel Youtube
- category_id: kategori video
- publish_time: tanggal upload video
- views: jumlah views
- likes: jumlah likes
- dislikes: jumlah dislikes
- comment_count: jumlah komentar
- comment_disabled: apakah kolom komentar tidak diaktifkan
- rating_disabled: apakah rating video tidak diaktifkan
- video_error_or_removed: apakah video dihapus
Lalu merubah tipe data pada kolom yang masih belum sesuai. Kolom yang akan dirubah adalah : - trending_date, dari karakter menjadi date - category_id, dari integer menjadi kategori dengan cara mapping id kategori dengan deskripsi kategorinya. - publish_time, dari karakter menjadi datetime
Kemudian pastikan supaya tidak ada missing value dalam dataframe, bisa menggunakan fungsi summary
summary(df_youtube)## trending_date title channel_title category_id
## Min. :2017-11-14 Length:13400 Length:13400 Length:13400
## 1st Qu.:2017-11-30 Class :character Class :character Class :character
## Median :2017-12-17 Mode :character Mode :character Mode :character
## Mean :2017-12-17
## 3rd Qu.:2018-01-03
## Max. :2018-01-21
## publish_time views likes
## Min. :2008-04-05 18:22:40 Min. : 687 Min. : 0
## 1st Qu.:2017-11-25 20:52:30 1st Qu.: 91096 1st Qu.: 1987
## Median :2017-12-13 02:23:04 Median : 309796 Median : 8907
## Mean :2017-11-18 18:46:37 Mean : 1234583 Mean : 45662
## 3rd Qu.:2017-12-27 14:00:03 3rd Qu.: 996668 3rd Qu.: 29376
## Max. :2018-01-21 05:44:30 Max. :149376127 Max. :3093544
## dislikes comment_count comments_disabled ratings_disabled
## Min. : 0 Min. : 0.0 Mode :logical Mode :logical
## 1st Qu.: 85 1st Qu.: 283.8 FALSE:13172 FALSE:13341
## Median : 322 Median : 1017.5 TRUE :228 TRUE :59
## Mean : 3352 Mean : 5982.4
## 3rd Qu.: 1113 3rd Qu.: 3362.2
## Max. :1674420 Max. :1361580.0
## video_error_or_removed
## Mode :logical
## FALSE:13399
## TRUE :1
##
##
## Jika diperhatikan, data masih berisi informasi video yang trending setiap harinya sehingga satu judul dapat muncul berulang kali dengan jumlah views yang semakin bertambah. Kita hanya memerlukan informasi kapan sebuah video trending sehingga akan diambil 1 data saja yang pertama kali muncul dengan fungsi match dan unique.
vids.unik <- df_youtube[ match(x = unique(df_youtube$title), table = df_youtube$title), ]3 Data Wrangling
Karena data sudah bersih, tahap selanjutnya Data Wrangling. Kita akan tentukan dulu beberapa business questionnya untuk digali yaitu :
- Top 10 channel yang videonya paling sering trending
vids_agg <- aggregate(title ~ channel_title, vids.unik, length)
vids_10 <- head(vids_agg[order (-vids_agg$title),],10)
vids_10## channel_title title
## 1019 Refinery29 31
## 1226 The Tonight Show Starring Jimmy Fallon 30
## 1354 Vox 29
## 1241 TheEllenShow 28
## 881 Netflix 27
## 889 NFL 25
## 390 ESPN 24
## 607 Jimmy Kimmel Live 24
## 1200 The Late Show with Stephen Colbert 22
## 683 Late Night with Seth Meyers 21- Kategori video yang paling banyak ditonton
vids_vw <- aggregate(views ~ category_id, vids.unik, sum)
vids_5 <- head(vids_vw[order(-vids_vw$views),],5)
vids_5## category_id views
## 4 Entertainment 445350694
## 8 Music 386197869
## 2 Comedy 179900099
## 7 Howto and Style 110259469
## 5 Film and Animation 77476128- Pola hubungan views dari comment_per_view dan likes_per_view untuk kategori channel yang paling banyak ditonton
vids_subset <- vids.unik[vids.unik$category_id %in% c("Entertainment","Music","Comedy","Howto and Style","Film and Animation"),]
vids_subset$like_per_view <- round(vids_subset$likes/vids_subset$views,3)
vids_subset$comment_per_view <- round(vids_subset$comment_count/vids_subset$views,3)4 Data Visualization
Sampai di tahap terakhir, dimana data yang sudah diperoleh dari proses wrangling sebelumnya akan divisualisasikan kedalam ggplot
options(scipen = 999)library(tidyverse)
vids_10 %>%
ggplot(aes(x=reorder(channel_title,title), y=title, fill = channel_title) ) +
geom_bar(stat="identity",show.legend = FALSE) +
coord_flip() +
labs( x="Channel Title",
y="Trending Videos",
title = "US Trending Videos",
subtitle = "Top 10 Channels With Most Trending Videos"
) +
theme(
plot.title = element_text(color = "#696969", size = 16),
plot.subtitle = element_text(face = "italic")
)
vids_5 %>%
ggplot(aes(x=reorder(category_id,-views), y=views, fill=category_id ) ) +
geom_col(stat="identity",show.legend = FALSE) +
geom_text(aes(label = format(views, big.mark = ",",
scientific = FALSE) ),
vjust = -0.5,
size = 3,
colour = "Red")+
scale_y_continuous(labels = scales::comma)+
labs( x="Category",
y="Views",
title = "US Trending Videos",
subtitle = "Top 5 Most Watched Video Categories"
) +
theme(
plot.title = element_text(color = "#696969", size = 16),
plot.subtitle = element_text(face = "italic")
)
library(hrbrthemes)
ggplot(vids_subset, aes(x=comment_per_view, y=like_per_view, color=category_id)) +
geom_point(size=2) +
theme_ipsum()+
labs(x="comment per view",
y="like per view",
title = "US Trending Videos",
subtitle = "Comment per View and Like per View from Most Viewed Video Categories") +
theme(
plot.title = element_text(color = "#696969", size = 16),
plot.subtitle = element_text(face = "italic", size =10)
)