Classificação de Séries IMDb
Visualização de dados da base dados do IMDb com a linguagem R
IMDb é uma maior referência para filmes, série, atores, diretores... podemos entender e visualizar na sua base toda a história de sua indústria cinematográfica a partir de Passage de Venus de 1874 por Pierre Jules César Janssen até os não lançados em pré-produção.
Atualizada diariamente Base de dados possuem uma Estrutura fácil de entender
Esse artigo foi utilizado os arquivos
- title.ratings.tsv.gz: Classificação dos títulos feitos para os usuários
- title.episode.tsv.gz: Classificação dos episódios das séries feitos para os usuários
- title.basics.tsv.gz*`: Nome dos títulos
Ambiente
Para preparar o ambiente informei o diretório de trabalho indicado pelo '.' e limpei todas as variáveis de ambiente após pesquisar todas pelo .
setwd('.')
rm(list=ls())Classificação de Episódios
Carregar a fonte de dados de classificações e episódios
ratings = read.table(gzfile("title.ratings.tsv.gz"), header = TRUE)
episode = read.table(gzfile("title.episode.tsv.gz"), header = TRUE)Depois de carregadas foram necessárias algumas manipulações preparar o data.frame
# Unir os data.frames de episódios e classificações
episodeRating <- cbind(episode[match(ratings$tconst, episode$tconst),], ratings)
# Remover episódios sem indicação de títulos
episodeRating <- episodeRating[!is.na(episodeRating$parentTconst),]
# Remover episódios sem númeração de temporada
episodeRating <- episodeRating[(episodeRating$seasonNumber != '\\N'),]
# Remover episódios com 50 ou menos classificações
episodeRating <- episodeRating[(episodeRating$numVotes > 50),]
# Ordenar por episódios
episodeRating <- episodeRating[order(episodeRating$seasonNumber, episodeRating$episodeNumber),]
# Converter os episódios e temporadas em números
episodeRating$seasonNumber <- as.integer(as.character(episodeRating$seasonNumber))
episodeRating$episodeNumber <- as.integer(as.character(episodeRating$episodeNumber))Separando somente as colunas para manipulação
# Somente as colunas de identificação do título e a classificação média
meanRating <- episodeRating[,c('parentTconst', 'averageRating')]
# Agregar as classificações por título aplicação de médias
meanRating <- aggregate(averageRating ~ parentTconst, meanRating, mean)
# Ordenar de forma decrescente as classificações
meanRating <- meanRating[order(-meanRating$averageRating),]Separando as séries pela classificação pela Curva ABC onde a proporção de 20%, 30%, 50% dos melhores
nrow <- nrow(meanRating)
limitA <- nrow*0.2
limitB <- nrow*0.5
mediaCurvaA <- mean(meanRating[1:limitA,]$averageRating)
mediaCurvaB <- mean(meanRating[limitA:limitB,]$averageRating)
mediaCurvaC <- mean(meanRating[limitB:nrow,]$averageRating)Para fins de exemplo foi escolhi o My Little Poney: Friendship is Magic com o código tt1751105, por quê? Me pareceu divertido
# My Little Poney: Friendship is Magic
codSerie <- 'tt1751105'
# Cálculo da média da série
mediaSerie <- meanRating[meanRating$parentTconst == codSerie,]$averageRating
# Filtar os episódios da série e remover atributos duplicados
episodeRatingSerie = episodeRating[episodeRating$parentTconst == codSerie, -5]Tratar os dados organizando gerando um número sequencial de episódios (Ex. "0102" segunda a primeira temporada, "0312" décimo segundo da terceira temporada) e ordenando pela sequência
# Organizar e ordenar episodios por sequência
library(stringr)
episodeRatingSerie$episodeNumber <- str_pad(episodeRatingSerie$episodeNumber, 2, pad = "0")
episodeRatingSerie$seasonNumber <- str_pad(episodeRatingSerie$seasonNumber, 2, pad = "0")
episodeRatingSerie$episode <- paste(episodeRatingSerie$seasonNumber,
episodeRatingSerie$episodeNumber, sep = "")
# Ordenar
episodeRatingSerie <- episodeRatingSerie[order(episodeRatingSerie$episode),]
episodeRatingSerie$ordemEpisode <- seq(1,nrow(episodeRatingSerie))Gerar e visualizar as classificações geradas
# Definir cores as linhas
rainbow <- rainbow(3)
# Geração de gráfico por episódios
library(ggplot2)
ggplot(episodeRatingSerie, aes(x = ordemEpisode, y = averageRating)) +
labs(x = "Episódio", y = "Média de pontuação") +
geom_line(color=rainbow[1]) +
geom_segment(color=rainbow[2], size=0.8,
aes(x=1, xend=nrow(episodeRatingSerie), y=mediaSerie, yend=mediaSerie), alpha = 0.5) +
theme_minimal()
Inclusão de comparações
Gerar um data frame com a média por temporada de todas as séries
mediaTemporada = aggregate(episodeRatingSerie$averageRating,
by=list(Category=episodeRatingSerie$seasonNumber), mean)
mediaTemporada$Category = as.integer(mediaTemporada$Category)
colnames(mediaTemporada) <- c('seasonNumber', 'averageRating')Gerar e visualizar as comparações geradas
# Definir cores as linhas
rainbow <- rainbow(5)
# Geração de gráfico comparação de temporadas das séries
ggplot(mediaTemporada, aes(x=seasonNumber, y=averageRating)) +
labs(x = "Temporada", y = "Média de pontuação") +
geom_line(color=rainbow[1]) +
geom_segment(color=rainbow[2], size=1,
aes(x=1, xend=nrow(mediaTemporada), y=mediaSerie, yend=mediaSerie), alpha = 0.5) +
geom_segment(color=rainbow[3], size=1,
aes(x=1, xend=nrow(mediaTemporada), y=mediaCurvaA, yend=mediaCurvaA), alpha=0.5) +
geom_segment(color=rainbow[4], size=1,
aes(x=1, xend=nrow(mediaTemporada), y=mediaCurvaB, yend=mediaCurvaB), alpha=0.5) +
geom_segment(color=rainbow[5], size=1,
aes(x=1, xend=nrow(mediaTemporada), y=mediaCurvaC, yend=mediaCurvaC), alpha=0.5) +
geom_text(aes(x=1.1, y=mediaSerie, label='Série'),
hjust=0, vjust=0.55, size=4, colour='red') +
geom_text(aes(x=1.1, y=mediaCurvaA, label='A'),
hjust=0, vjust=0.55, size=4, colour='red') +
geom_text(aes(x=1.1, y=mediaCurvaB, label='B'),
hjust=0, vjust=0.55, size=4, colour='red') +
geom_text(aes(x=1.1, y=mediaCurvaC, label='C'),
hjust=0, vjust=0.55, size=4, colour='red') +
theme_minimal()
Comparação entre Séries
Para dar continuidade selecionei minhas séries favoritas
Séries para ser comparadas:
- tt0407362 : Battlestar Galactica
- tt0903747 : Breaking Bad
- tt0944947 : Game of Thrones
- tt0411008 : Lost
- tt0141842 : The Sopranos
Para realizar a leitura temos de mudar algumas coisas, quote, limitador de texto, padrão é o "'" e comment.char, reconhecedor de comentários, é o "#", mas alguns nomes possuem eles sendo necessário configurar para ignorar essas entradas
# Importar títulos das séries
titles = read.table(gzfile("title.basics.tsv.gz"), sep="\t", quote="", comment.char="", header=TRUE)
# Listagem das séries
codSeries <- c('tt0407362', 'tt0903747', 'tt0944947', 'tt0411008', 'tt0141842')# Carregar pontuação da série
grupoSeries <- episodeRating[episodeRating$parentTconst %in% codSeries,]
grupoSeries <- aggregate(grupoSeries$averageRating,
by=list(seasonNumber=grupoSeries$seasonNumber,
parentTconst=grupoSeries$parentTconst), mean)
colnames(grupoSeries)[3] <- 'averageRating'
# Capturar somente as colunas títulos das séries
titlesSeries <- titles[titles$tconst %in% as.factor(codSeries), c('tconst', 'primaryTitle')]
grupoSeries <- cbind(titlesSeries[match(grupoSeries$parentTconst, titlesSeries$tconst),], grupoSeries)ggplot(grupoSeries, aes(x=seasonNumber, y=averageRating)) +
labs(x = "Temporada", y = "Média de pontuação", colour = "Séries") +
geom_line(aes(group = primaryTitle, colour = primaryTitle)) +
theme_minimal()
# Quais as melhores de todos os tempos
melhoresSeries <- head(meanRating)
melhoresTitles <- titles[titles$tconst %in% as.factor(melhoresSeries$parentTconst),
c('tconst', 'primaryTitle')]
melhoresSeries <- cbind(melhoresTitles[match(melhoresSeries$parentTconst, melhoresTitles$tconst),],
melhoresSeries)
print(melhoresSeries)## tconst primaryTitle parentTconst averageRating
## 381214 tt0396991 LazyTown tt0396991 10.000000
## 2535133 tt2973110 BK Comedy Series tt2973110 10.000000
## 386084 tt0401969 Playing It Straight tt0401969 9.975000
## 3213875 tt4517806 Furusato-Time tt4517806 9.950000
## 2332879 tt2487370 Whose Line Is It Anyway? tt2487370 9.947059
## 183451 tt0190196 Romper Room and Friends tt0190196 9.900000Mas tudo isso pode significar nada, por essas classificações esta é a melhor série já produzida
