Explorar datos de Películas
Rubén Pizarro Gurrola
22/2/2022
Objetivo
Explorar datos de películas
Descripción
- Cargar librerías
- Cargar datos
- Explorar datos
- Visualizar datos
Marco teórico
La exploración de datos es un primer paso del análisis de datos que se utiliza para conocer y visualizar datos y descubrir conocimientos desde el mismo inicio o identificar áreas o patrones para profundizarlos más adelante.
Desarrollo
Cargar librerías
library(ggplot2) # Visualizar gráficas
library(readr) # Leer datos
library(dplyr) # Filtrar agrupar resumir datosCargar datos
datos <- read.csv("https://raw.githubusercontent.com/rpizarrog/Analisis-Inteligente-de-datos/main/datos/movies-db.csv", stringsAsFactors = TRUE )
datos## name year length_min genre
## 1 Toy Story 1995 81 Animation
## 2 Akira 1998 125 Animation
## 3 The Breakfast Club 1985 97 Drama
## 4 The Artist 2011 100 Romance
## 5 Modern Times 1936 87 Comedy
## 6 Fight Club 1999 139 Drama
## 7 City of God 2002 130 Crime
## 8 The Untouchables 1987 119 Drama
## 9 Star Wars Episode IV 1977 121 Action
## 10 American Beauty 1999 122 Drama
## 11 Room 2015 118 Drama
## 12 Dr. Strangelove 1964 94 Comedy
## 13 The Ring 1998 95 Horror
## 14 Monty Python and the Holy Grail 1975 91 Comedy
## 15 High School Musical 2006 98 Comedy
## 16 Shaun of the Dead 2004 99 Horror
## 17 Taxi Driver 1976 113 Crime
## 18 The Shawshank Redemption 1994 142 Crime
## 19 Interstellar 2014 169 Adventure
## 20 Casino 1995 178 Biography
## 21 The Goodfellas 1990 145 Biography
## 22 Blue is the Warmest Colour 2013 179 Romance
## 23 Black Swan 2010 108 Thriller
## 24 Back to the Future 1985 116 Sci-fi
## 25 The Wave 2008 107 Thriller
## 26 Whiplash 2014 106 Drama
## 27 The Grand Hotel Budapest 2014 100 Crime
## 28 Jumanji 1995 104 Fantasy
## 29 The Eternal Sunshine of the Spotless Mind 2004 108 Drama
## 30 Chicago 2002 113 Comedy
## 31 Jumangi 2020 120 Action
## average_rating cost_millions foreign age_restriction
## 1 8.3 30.0 0 0
## 2 8.1 10.4 1 14
## 3 7.9 1.0 0 14
## 4 8.0 15.0 1 12
## 5 8.6 1.5 0 10
## 6 8.9 63.0 0 18
## 7 8.7 3.3 1 18
## 8 7.9 25.0 0 14
## 9 8.7 11.0 0 10
## 10 8.4 15.0 0 14
## 11 8.3 13.0 1 14
## 12 8.5 1.8 1 10
## 13 7.3 1.2 1 18
## 14 8.3 0.4 1 18
## 15 5.2 4.2 0 0
## 16 8.0 6.1 1 18
## 17 8.3 1.3 1 14
## 18 9.3 25.0 0 16
## 19 8.6 165.0 0 10
## 20 8.2 50.0 0 18
## 21 8.7 25.0 0 14
## 22 7.8 4.5 1 18
## 23 8.0 13.0 0 16
## 24 8.5 19.0 0 0
## 25 7.6 5.5 1 16
## 26 8.5 3.3 1 12
## 27 8.1 25.5 0 14
## 28 6.9 65.0 0 12
## 29 8.3 20.0 0 14
## 30 7.2 45.0 0 12
## 31 8.0 50.0 0 12Explorar datos
head()
head(datos, 10)## name year length_min genre average_rating cost_millions
## 1 Toy Story 1995 81 Animation 8.3 30.0
## 2 Akira 1998 125 Animation 8.1 10.4
## 3 The Breakfast Club 1985 97 Drama 7.9 1.0
## 4 The Artist 2011 100 Romance 8.0 15.0
## 5 Modern Times 1936 87 Comedy 8.6 1.5
## 6 Fight Club 1999 139 Drama 8.9 63.0
## 7 City of God 2002 130 Crime 8.7 3.3
## 8 The Untouchables 1987 119 Drama 7.9 25.0
## 9 Star Wars Episode IV 1977 121 Action 8.7 11.0
## 10 American Beauty 1999 122 Drama 8.4 15.0
## foreign age_restriction
## 1 0 0
## 2 1 14
## 3 0 14
## 4 1 12
## 5 0 10
## 6 0 18
## 7 1 18
## 8 0 14
## 9 0 10
## 10 0 14tail()
tail(datos, 10)## name year length_min genre
## 22 Blue is the Warmest Colour 2013 179 Romance
## 23 Black Swan 2010 108 Thriller
## 24 Back to the Future 1985 116 Sci-fi
## 25 The Wave 2008 107 Thriller
## 26 Whiplash 2014 106 Drama
## 27 The Grand Hotel Budapest 2014 100 Crime
## 28 Jumanji 1995 104 Fantasy
## 29 The Eternal Sunshine of the Spotless Mind 2004 108 Drama
## 30 Chicago 2002 113 Comedy
## 31 Jumangi 2020 120 Action
## average_rating cost_millions foreign age_restriction
## 22 7.8 4.5 1 18
## 23 8.0 13.0 0 16
## 24 8.5 19.0 0 0
## 25 7.6 5.5 1 16
## 26 8.5 3.3 1 12
## 27 8.1 25.5 0 14
## 28 6.9 65.0 0 12
## 29 8.3 20.0 0 14
## 30 7.2 45.0 0 12
## 31 8.0 50.0 0 12summary()
Estadísticos descriptivos
summary(datos)## name year length_min genre
## Akira : 1 Min. :1936 Min. : 81.0 Drama :7
## American Beauty : 1 1st Qu.:1988 1st Qu.: 99.5 Comedy :5
## Back to the Future : 1 Median :1999 Median :113.0 Crime :4
## Black Swan : 1 Mean :1996 Mean :116.9 Action :2
## Blue is the Warmest Colour: 1 3rd Qu.:2009 3rd Qu.:123.5 Animation:2
## Casino : 1 Max. :2020 Max. :179.0 Biography:2
## (Other) :25 (Other) :9
## average_rating cost_millions foreign age_restriction
## Min. :5.20 Min. : 0.40 Min. :0.0000 Min. : 0.0
## 1st Qu.:7.95 1st Qu.: 3.75 1st Qu.:0.0000 1st Qu.:12.0
## Median :8.30 Median : 13.00 Median :0.0000 Median :14.0
## Mean :8.10 Mean : 23.19 Mean :0.3871 Mean :12.9
## 3rd Qu.:8.50 3rd Qu.: 25.25 3rd Qu.:1.0000 3rd Qu.:16.0
## Max. :9.30 Max. :165.00 Max. :1.0000 Max. :18.0
## str()
Estructura de los datos
str(datos)## 'data.frame': 31 obs. of 8 variables:
## $ name : Factor w/ 31 levels "Akira","American Beauty",..: 30 1 22 21 15 10 8 28 19 2 ...
## $ year : int 1995 1998 1985 2011 1936 1999 2002 1987 1977 1999 ...
## $ length_min : int 81 125 97 100 87 139 130 119 121 122 ...
## $ genre : Factor w/ 12 levels "Action","Adventure",..: 3 3 7 10 5 7 6 7 1 7 ...
## $ average_rating : num 8.3 8.1 7.9 8 8.6 8.9 8.7 7.9 8.7 8.4 ...
## $ cost_millions : num 30 10.4 1 15 1.5 63 3.3 25 11 15 ...
## $ foreign : int 0 1 0 1 0 0 1 0 0 0 ...
## $ age_restriction: int 0 14 14 12 10 18 18 14 10 14 ...Visualiza datos
Variable de interés foreign, (idioma)
Convertir la variable foreign a datos tipo factor o categórico.
datos$foreign <- as.factor(as.character(datos$foreign))Visualizar frecuencia de foreign (idioma) con ggplot()
ggplot(data = datos) +
geom_bar(aes(x = foreign))
Visualizar frecuencia de foreign (idioma) con barplot()
La función barplot() no requiere la librería ggplot2 como sucede con la función ggplot() anterior, sin embargo requiere de datos sumarizados o resumidos.
Agrupar datos con funciones de dplyr
resumen <- datos %>%
group_by(foreign) %>%
summarise(frecuencia = n())
resumen## # A tibble: 2 x 2
## foreign frecuencia
## <fct> <int>
## 1 0 19
## 2 1 12barplot()
barplot(height = resumen$frecuencia, names.arg = resumen$foreign)
Variable de interés genre (genero)
La variable genre ya es tipo character y tipo factor, es decir se puede contar su frecuencia
ggplot(data = datos) +
geom_bar(aes(x = genre))
Visualizar frecuencia de foreign (idioma) con barplot()
La función barplot() no requiere la librería ggplot2 como sucede con la función ggplot() anterior, sin embargo requiere de datos sumarizados o resumidos.
Agrupar datos con funciones de dplyr
resumen <- datos %>%
group_by(genre) %>%
summarise(frecuencia = n())
resumen## # A tibble: 12 x 2
## genre frecuencia
## <fct> <int>
## 1 Action 2
## 2 Adventure 1
## 3 Animation 2
## 4 Biography 2
## 5 Comedy 5
## 6 Crime 4
## 7 Drama 7
## 8 Fantasy 1
## 9 Horror 2
## 10 Romance 2
## 11 Sci-fi 1
## 12 Thriller 2barplot()
barplot(height = resumen$frecuencia, names.arg = resumen$genre)
Interpretación
El conjunto de datos contiene observaciones relacionadas con características de películas, el data.frame de datos tiene 31 observaciones y diez variables.
Existe 19 películas en idioma inglés y 12 en idioma extranjero difenrete al inglés.
Con respecto a la variable género de película, el género que más existe es el de drama con siete observaciones y el que menos predomina es el de aventura y ciencia ficción con uno respectiamente.
Los estadísticos descriptivos arrojan que el valor medio de minutos de todas las películas es de 116.90 minutos, el valor medio del costo de las películas es de 23.193548.