Caso 1 Explorar datos de Películas
Carlos Daniel Reyes Valenzuela
2022-08-31
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)Cargar 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 × 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 × 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
Los datos obtenidos del archivo muestran información relacionada con varias películas, esta tabla o data.frame contiene 31 registros y diez campos.
Respecto a la restricción de edades, 3 peliculas no tienen, 4 son de diez años, 5 de doce años, 9 tres de catorce años, 3 de dieciseis años y 7 de dieciocho años.
Dentro del rango de clasificación o rating, la pelicula de “The Shawshank Redemption” del género de crimen tiene la clasificación mas alta de 9.3, mientras que la mas baja es “High School Musical” con 5.2 del género de comedia.
En la parte de estadísticos descriptivos, se tiene que el valor de la dispersión del año es de 17.586346, y la dispersion de las clasificaciones es de 0.734847.
El caso muestra la posibilidad de amplias conclusiones respecto a qué le podemos atribuir a los resultados de sus datos, los campos pueden llegar a indicar una razón, idea o algo que tengan en común los datos para que arrojen dichos resultados.
Podemos comparar diferentes campos, como llegar a la conclusion de porqué ciertas películas de cierto género tienen menos exito que otras o que incluso siendo del mismo género tienen mas éxito. Tambíen, dependiendo de la duración, el cósto de producción y la clasificación tendrían algo que ver o no.
Finalmente, en base a la descripción de los datos podemos encontrar valores tanto grandes como pequeños, y así concluir cúal podría ser la razón de éxito de una película, promedio de interés por la pelicula o tambíen el efecto de ser extrangera o no.