Análise das participações em filmes do Nicolas Cage (Agrupamento)

Olá a todos :) O intuito desse post é explorar as técnicas de agrupamento nos dados dos filmes em que uma determinada celebridade participou, por esse motivo decidi usar como exemplo o ator Nicolas Cage, pois acredito que ele trabalhou nos mais diversos dos mais variados e inusitados gêneros de filmes.

require(tidyverse, warn.conflicts = F)
require(here)
library(dplyr)
library(corrplot)
library(gridExtra)
library(GGally)
library(knitr)
library(plotly)

filmes = read_csv(
    here("data/nicolas_cage.csv"),
    col_types = cols(
      rating = col_double(),
      audience_score = col_double(),
      title = col_character(),
      credit = col_character(),
      box_office = col_double(),
      year = col_double()
    )
)

Vamos analisar quais colunas temos nos dados refentes aos filmes do Nicolas.

• Tomatometer: Essa métrica é baseada nas opiniões de centenas de críticos de cinema e televisão - é uma medida confiável de recomendação crítica para milhões de fãs.
• Audience Score: Percentual de usuários que votaram positivamente um determinado filme.
• Title: Dispensa comentário, é o nome do filme.
• Credit: Personagem que o ator buscado participou no filme.
• Box Office: Bilheteria do filme.
• Year: Data de lançamento do filme.

Oque queremos entender aqui é se podemos agrupar os filmes do Nicolas Cage em grupos que façam sentido, grupos que expressem quais filmes foram os mais bem avaliados ou com maior bilheteria.

filmes %>% 
    ggplot(aes(x = year, y = box_office)) + 
    geom_point(size = 4, color = '#C4961A') + 
    labs(
        x = ('Ano'),
        y = ('Bilheteria')
    ) +
    scale_y_log10()

Na visualização acima usamos a escala logarítmica pois as bilheterias possuem valores muito dispersos e dessa maneira podemos visualizar melhor os dados. Por exemplo, podemos observar que existe uma concentração maior de filmes que estão entre as escalas de multiplicador 10 a 100.

filmes %>% 
    ggplot(aes(x = box_office)) + 
    geom_histogram(binwidth = 15, fill = paleta[2], color = "black") + 
    geom_rug(size = .5) +   
    labs(
        x = ('Bilheteria')
    )

Neste próximo gráfico podemos ver melhor a informação dita acima, no eixo y, temos a quantidade de filmes que tiveram a participação do Nicolas Cage, onde, há uma concentração maior no filmes entre 0 a 100 milhões, mais precisamente entre 0 a 50 milhões, conseguimos aqui, aguçar um pouco nossa visão sobre os dados.

filmes %>% 
    ggplot(aes(x = rating)) + 
    geom_histogram(binwidth = 10, boundary = 0, fill = paleta[3], color = "black") + 
    geom_rug(size = .5) 

O gráfico acima é um histograma que nos ajuda a visualizar as notas dos filmes do Nico, oque é interessante, pois o mesmo já fez filmes de todos os tipos, jeitos e maneiras, oque pode ter influenciado na nota mediana dos seus filmes.

mean(filmes$rating)

[1] 54.98039

Como dito, é um cara bem na média.

Que tal, tentarmos inserir a bilheteria dos filmes e os ratings de cada um deles em um algorítimo de clustering e tentar entender quais grupos podemos identificar?

data <- filmes %>%
            select(rating, box_office)

# Normalization
dataNorm <- as.data.frame(scale(data))

# Original data
p1 <- ggplot(data, aes(x=box_office, y=rating)) +
  geom_point() +
  labs(title="Original data") +
  theme_bw()

# Normalized data 
p2 <- ggplot(dataNorm, aes(x=box_office, y=rating)) +
  geom_point() +
  labs(title="Normalized data") +
  theme_bw()

# Subplot
grid.arrange(p1, p2, ncol=2)

Primeiramente precisamos normalizar nossos dados numéricos, avaliação e bilheteria, para que eles pertençam as mesmas escalas. Acima podemos comparar graficamente os dados orignais e os dados normalizados.

# Execution of k-means with k=2
set.seed(1234)
filmes_k2 <- kmeans(dataNorm, centers=5)

Agora, vamos primeiramente instanciar nosso algorítimo de agrupamente tentando fazer com que ele identifique para nós, dois grupos!

# Clustering 
graph <- filmes %>% 
    ggplot(aes(label = title, x = rating, y = box_office, colour = filmes_k2$cluster)) + 
    geom_point(size = 2, colour = filmes_k2$cluster) + 
labs(
        x = "Avaliação",
        y = "Bilheteria"
    )
    
ggplotly(graph)

No gráfico acima podemos visualizar os 5 grupos escolhidos pelo algorítmo, algo interessante e que eu queria ver desde o início da análise era se os filmes da lenda do tesouro perdido foram agrupados no mesmo grupo, e por minha felicidade foram sim! Estão presentes no grupo azul escuro, sendo dois filmes com uma das maiores bilheterias, aliás! o grupo azul escuro são os de bilheteria maior/boa aceitação. Em contrapartida, o grupo preto teve as melhores notas mas com um baixa bilheteria =/, vou procurar assisti-los em outro momento rs.