Spis treści:

Eksploracja danych z bibliotekami dplyr, tidyr oraz stringr
- Podzbiory kolumn
- Filtrowanie wierszy
- Operatory logiczne, algebra Boola, prawa de Morgana
- Tworzenie nowych kolumn (1x Challenge)
- Wartości brakujące
- Manipulowanie tekstem (3x Challenge)
- Agregacja danych (1x Challenge)
- Tabele przestawne, dane w formacie long oraz wide
- Łączenie tabel

Przydatne materiały:
- dplyr cheatsheet
- tidyr cheatsheet
- stringr cheatsheet
- ggplot2 cheatsheet
- A. Kassambara - Guide to Create Beautiful Graphics in R.

Dane pochodzą ze strony https://flixgem.com/ (wersja zbioru danych z dnia 12 marca 2021). Dane zawierają informacje na temat 9425 filmów i seriali dostępnych na Netlix.

CHALLENGE 1: Jaki jest najstarszy film Woody’ego Allena dostępny na Netflixie?

dane %>%
  group_by(Title)%>%
  filter(Director == "Woody Allen", Series.or.Movie == "Movie") %>%
  mutate(Release = Release.Date %>% as.Date(format = '%m/%d/%Y')) %>%
  select(Title, Release) %>%
  arrange(Release)%>%
  head()

## # A tibble: 6 × 2
## # Groups:   Title [6]
##   Title                                                               Release   
##   <chr>                                                               <date>    
## 1 Everything You Always Wanted to Know About Sex But Were Afraid to … 1972-08-06
## 2 Sleeper                                                             1973-12-17
## 3 Love and Death                                                      1975-07-18
## 4 A Midsummer Nights Sex Comedy                                       1982-07-16
## 5 Manhattan Murder Mystery                                            1993-08-18
## 6 Scoop                                                               2006-07-28

#Najstarszym filmem jest “Everything You Always Wanted to Know About Sex But Were Afraid to Ask”.

CHALLENGE 2: Jakie są trzy najwyżej oceniane komedie dostępne w języku polskim?

dane %>%
  filter(Genre %>% str_detect("Comedy")) %>%
  filter(Languages %>% str_detect('Polish')) %>%
  arrange(-IMDb.Score) %>%
  select(Title, IMDb.Score) %>%
  top_n(3)

## Selecting by IMDb.Score

##                    Title IMDb.Score
## 1                   Rake        8.5
## 2             Teddy Bear        8.2
## 3 Trois Couleurs - Blanc        7.6

CHALLENGE 3: Dla produkcji z lat 2019 oraz 2020 jaki jest średni czas między premierą a pojawieniem się na Netflixie?

dane$Release.Date <- as.Date(dane$Release.Date, format = "%m/%d/%Y")
dane$Netflix.Release.Date <- as.Date(dane$Netflix.Release.Date, format = "%m/%d/%Y")

dane %>%
  drop_na(Release.Date, Netflix.Release.Date) %>% 
  mutate(Rok = lubridate::year(Release.Date),
         Roznica = Netflix.Release.Date - Release.Date) %>%
  filter(Rok %>% between(2019,2020)) %>%
  group_by(Rok) %>%
  summarize(Srednia = mean(Roznica) %>% round(0))%>%
  print()

## # A tibble: 2 × 2
##     Rok Srednia 
##   <dbl> <drtn>  
## 1  2019 152 days
## 2  2020  31 days

CHALLENGE 4: Jakie są najpopularniejsze tagi dla produkcji dostępnych w języku polskim?

dane %>%
   filter(Languages %>% 
         str_detect('Polish')) %>%
  separate_rows(Tags, sep = ',') %>%
  group_by(Tags = tolower(Tags)) %>%
  summarise(Suma = n()) %>% top_n(10) %>%
  select(Tags, Suma)%>%
  arrange(desc(Suma))%>%
  print()

## Selecting by Suma

## # A tibble: 10 × 2
##    Tags                       Suma
##    <chr>                     <int>
##  1 dramas                       50
##  2 polish movies                29
##  3 polish dramas                17
##  4 movies based on books        15
##  5 tv dramas                    15
##  6 international dramas         14
##  7 international movies         13
##  8 polish tv shows              13
##  9 comedies                     12
## 10 movies based on real life    11

## Selecting by Suma

CHALLENGE 5: Jakie są średnie oceny filmów wyprodukowanych w poszczególnych dekadach (tzn. lata 60, 70, 80, 90 etc.)?

dane$Release.Date <- as.Date(dane$Release.Date, format = "%m/%d/%Y")
dane %>% 
  mutate(rok = lubridate::year(Release.Date), decade = floor(rok/10)*10) %>% 
  group_by(decade) %>% 
  filter(decade %in% c('1960', '1970', '1980', '1990', '2000', '2010', '2020'))%>%
  summarize(avg_imdb_score = mean(IMDb.Score, na.rm = TRUE) %>% round(2))%>%
  print()

## # A tibble: 7 × 2
##   decade avg_imdb_score
##    <dbl>          <dbl>
## 1   1960           7.46
## 2   1970           7.33
## 3   1980           7.11
## 4   1990           6.88
## 5   2000           6.85
## 6   2010           6.94
## 7   2020           7.04