Explorar datos de Peliculas en R
Emilio Martínez Aguilar
2022-09-01
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
El conjunto de datos que se presenta contiene una variedad de películas con sus respectivas características para conocer con gran detalle cuál es su posición en comparación con las demás. A continuación se hara un breve repaso de los puntos que se consideraron de mayor importancia.
El Rating de las películas fue uno de los principales factores que han influído en el análisis de las mismas, donde el valor máximo obtenido es 9,2 y el mínimo es 5,3. Por otro lado, según los datos el rating promedio por película es de 8.10 aproximadamente. Todo esto tomando en cuenta de que se hubo realizado en base a las 31 observaciones que se sucitaron y que los valores tienden a desviarse muy poco del valor medio.
En mi opinión, este puede ser un valor de gran importancia para determinar cuál es el género que mayor rating produce, y por lo tanto, mayor impacto en los factores económicos e incluso criticos del producto como tal. Yo pienso que para una industria como la del cine, siempre será importante conocer los resultados entorno al rating de las películas actuales, saber qué es lo que esta de moda y de esta forma actuar en respuesta a ello lo antes posible, básicamente el principio muy conocido de adaptarse al cambio.
En la última parte se presenta una gráfica con unos resultados bastante interesantes, ya que muestra el género que predomina en las películas que se analizaron, siendo este el “Drama”, seguido de la “Comedia” y después el “Crimen”. Esto, a mi parecer, claramente indica que las películas tienden a tener más este tipo de géneros porque han tomado en cuenta el recibimiento que han tenido, por ejemplo, a través del rating que se le ha dado. Otro de los puntos que me gustaría tocar es el apartado visual de los datos y su conceptualización, es decir, que me parece muy útil la forma en la que se presentan los resultados, detallada pero sencilla de comprender al mismo tiempo, y eso es realmente apreciable tanto para quien no forma parte del contexto de la apicación, pero más aún para aquellos análistas de datos que pueden llegar a compartir la información con otros de su campo.