-
Notifications
You must be signed in to change notification settings - Fork 2
/
Copy pathanalysis.R
430 lines (298 loc) · 17.5 KB
/
analysis.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
#====================================================================================================================================================================================
#====================================================================================================================================================================================
# Imports
install.packages("readr")
install.packages("dplyr")
install.packages("stringr")
install.packages("ggplot2")
install.packages("reshape2")
install.packages("PCAmixdata")
install.packages("FactoMineR")
install.packages("factoextra")
install.packages("missMDA")
install.packages("corrplot")
library(PCAmixdata)
library(readr)
library(dplyr)
library(stringr)
library(ggplot2)
library(reshape2)
library(FactoMineR)
library(factoextra)
library(missMDA)
library(corrplot)
netflix_titles <- read_csv("netflix_titles.csv",
col_types = cols(date_added = col_date(format = "%B %d, %Y")))
disney_plus_titles <- read_csv("disney_plus_titles.csv",
col_types = cols(date_added = col_date(format = "%B %d, %Y")))
amazon_prime_titles <- read_csv("amazon_prime_titles.csv",
col_types = cols(date_added = col_date(format = "%B %d, %Y")))
#====================================================================================================================================================================================
#====================================================================================================================================================================================
# ANALYSE NETFLIX
# Transformation des durées des films en nombre (en enlevant le " min")
netflix_movie <- subset(netflix_titles,type =="Movie")
netflix_movie$duration <- gsub(" min","",as.character(netflix_movie$duration))
netflix_movie$duration
netflix_movie$duration <- as.double(netflix_movie$duration)
summary(netflix_movie$duration)
# Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
# 3.00 87.00 98.00 99.58 114.00 312.00 3
#-----------------------------------------------------------------------------------------------------------------------
#-----------------------------------------------------------------------------------------------------------------------
# Transformation des durées des séries en nombre de saisons (en enlevant le " min")
netflix_serie <- subset(netflix_titles,type =="TV Show")
netflix_serie$duration <- gsub(" Season","",as.character(netflix_serie$duration))
netflix_serie$duration <- gsub("s","",as.character(netflix_serie$duration))
netflix_serie$duration
netflix_serie$duration <- as.double(netflix_serie$duration)
summary(netflix_serie)
# Min. 1st Qu. Median Mean 3rd Qu. Max.
# 1.000 1.000 1.000 1.765 2.000 17.000
# On crée un camembert
options(digits=2)
percent1 <- length(netflix_serie$duration)
percent2 <- length(netflix_movie$duration)
total = length(netflix_titles$duration)
percents = round(100*c(percent1,percent2)/total,2)
lbl = c(paste('TV SHOW,',percents[1],"%"), paste('MOVIE,',percents[2],"%"))
pie(percents,labels=lbl,main="Proportions de films et de séries TV sur Netflix", col=c('#FFD07F','#E26A2C'))
attach(netflix_movie$release_year)
## --- Analyse des années de parutions
# Créer un dataframe pour chaque type de données : total, films et séries
## Remarques : On enlève 2021 car on n'a pas assez de données
df = data.frame(subset(subset(netflix_movie,release_year <=2020),release_year >=2000))
df2 = data.frame(subset(subset(netflix_serie,release_year <=2020),release_year >=2000))
df3 = data.frame(subset(subset(netflix_titles,release_year <=2020),release_year >=2000))
x1 <- 2000:2020
data <- data.frame(table(df$release_year))
data2 <- data.frame(table(df2$release_year))
data3 <- data.frame(table(df3$release_year))
plot(2000:2020,
data3[,2],
type = "l",
# Set line type to line
lwd = 1,
xlab="Année de parution",
ylab="Effectif",
main="Polygone d'effectif des films et séries en fonction de parution")
lines(2000:2020,
data2[,2],
type = "l",
lwd = 1)
lines(2000:2020,
data[,2],
type = "l",
lwd = 1)
polygon(c(2000,2000:2020,2020) ,c(0,data3[,2],0),col = rgb(29, 53, 87,max = 255, alpha = 100))
polygon(c(2000,2000:2020,2020) ,c(0,data[,2],0),col = rgb(69, 123, 157,max = 255, alpha = 100))
polygon(c(2000,2000:2020,2020) ,c(0,data2[,2],0),col = rgb(168, 218, 220,max = 255, alpha = 100))
legend(2000,1100, legend=c( "Total","Films", "Série"),lwd=10,
col=c(rgb(29, 53, 87,max = 255, alpha = 100), rgb(69, 123, 157,max = 255, alpha = 100), rgb(168, 218, 220,max = 255, alpha = 100)), lty=1:2, cex=0.8)
netflix_movie$date_added =format(netflix_movie$date_added,'%Y')
## --- Analyse des années d'ajouts
# Créer un dataframe pour chaque type de données : total, films et séries
## Remarques : On enlève 2021 car on n'a pas assez de données
netflix_movie$date_added =format(netflix_movie$date_added,'%Y')
netflix_serie$date_added =format(netflix_serie$date_added,'%Y')
netflix_titles$date_added =format(netflix_titles$date_added,'%Y')
df = data.frame(subset(subset(netflix_movie,date_added <=2020),date_added >=2013))
df2 = data.frame(subset(subset(netflix_serie,date_added <=2020),date_added >=2013))
df3 = data.frame(subset(subset(netflix_titles,date_added <=2020),date_added >=2013))
data <- data.frame(table(df$date_added))
data2 <- data.frame(table(df2$date_added))
data3 <- data.frame(table(df3$date_added))
x1 <- 2013:2020
plot(x1,
data3[,2],
type = "l",
lwd = 1,
xlab="Année de parution",
ylab="Effectif",
main="Polygone d'effectif des films et séries en fonction de leur année d'ajout")
lines(x1,
data2[,2],
type = "l",
lwd = 1)
lines(x1,
data[,2],
type = "l",
lwd = 1)
polygon(c(2000,x1,2020) ,c(0,data3[,2],0),col = rgb(29, 53, 87,max = 255, alpha = 100))
polygon(c(2000,x1,2020) ,c(0,data[,2],0),col = rgb(69, 123, 157,max = 255, alpha = 100))
polygon(c(2000,x1,2020) ,c(0,data2[,2],0),col = rgb(168, 218, 220,max = 255, alpha = 100))
legend(2013,2000, legend=c( "Total","Films", "Série"),lwd=10,
col=c(rgb(29, 53, 87,max = 255, alpha = 100), rgb(69, 123, 157,max = 255, alpha = 100), rgb(168, 218, 220,max = 255, alpha = 100)), lty=1:2, cex=0.8)
hist(table(netflix_serie$rating))
netflix_serie$rating <- gsub("84 min","",as.character(netflix_serie$rating))
netflix_serie$rating <- gsub("74 min","",as.character(netflix_serie$rating))
netflix_serie$rating <- gsub("84 min","",as.character(netflix_serie$rating))
table(netflix_serie$rating)
barplot(table(netflix_serie$rating), main="Répartition des séries sur Netflix en fonction des ratings")
hist(table(netflix_movie$rating))
netflix_movie$rating <- gsub("66 min","",as.character(netflix_movie$rating))
netflix_movie$rating <- gsub("84 min","",as.character(netflix_movie$rating))
netflix_movie$rating <- gsub("74 min","",as.character(netflix_movie$rating))
table(netflix_movie$rating)
barplot(table(netflix_movie$rating), main="Répartition des films sur Netflix en fonction des ratings")
#Audience visée des films
netflixPublicCibleFilms <- netflix_movie
netflixPublicCibleFilms$rating <- gsub("TV-14|PG-13","Teens",as.character(netflixPublicCibleFilms$rating))
netflixPublicCibleFilms$rating <- gsub("TV-PG|PG|TV-Y7-FV|TV-Y7","Older kids",as.character(netflixPublicCibleFilms$rating))
netflixPublicCibleFilms$rating <- gsub("TV-Y|TV-G|G","Kids",as.character(netflixPublicCibleFilms$rating))
netflixPublicCibleFilms$rating <- gsub("TV-MA|NR|UR|NC-17|R","Adults",as.character(netflixPublicCibleFilms$rating))
# Catégories uniques -> dans les films proposés, netflix cherche à avoir un catalogue diversifié, ayant des catégories pour tous les types de publics
unique(na.omit(autre$rating))
barplot(main="Audience Visée des films selon la tranche d'âge",xlab="Tranche d'âge", ylab="Nombre de films", tail(sort(table(autre$rating),decreasing=FALSE),n=4))
#Audience visée des séries
autreSerie <- netflix_serie
autreSerie$rating <- gsub("TV-14|PG-13","Teens",as.character(autreSerie$rating))
autreSerie$rating <- gsub("TV-PG|PG|TV-Y7-FV|TV-Y7","Older kids",as.character(autreSerie$rating))
autreSerie$rating <- gsub("TV-Y|TV-G|G","Kids",as.character(autreSerie$rating))
autreSerie$rating <- gsub("TV-MA|NR|UR|NC-17|R","Adults",as.character(autreSerie$rating))
# Catégories uniques -> dans les séries aussi, netflix cherche à avoir un catalogue diversifié
unique(na.omit(autreSerie$rating))
barplot(main="Audience Visée des séries selon la tranche d'âge",xlab="Tranche d'âge", ylab="Nombre de séries", tail(sort(table(autreSerie$rating),decreasing=FALSE),n=4),col=c("green","yellow","orange","red"))
# Voir les pays avec le plus de films.
x <- netflix_titles
for (i in 1:length(netflix_titles$country))
{
y <- str_split(netflix_titles$country[i],",", simplify = TRUE)
netflix_titles$country[i] <- y[1,1]
}
barplot(main="TOP 10 des pays sur Netflix",ylab="Nombre de pays",xlab="Pays de production",head(sort(table(netflix_titles$country),decreasing=TRUE),n=10))
# Test de Shapiro
# Trier les Na pour les mettre en bas du tableau, et on les supprime
ShapiroTest <- netflix_movie[order(netflix_movie$duration),]
ShapiroTest <- head(ShapiroTest,-3)
shuffled_data = ShapiroTest[sample(1:nrow(ShapiroTest)),]
shuffled_data <- head(shuffled_data,-1200)
barplot(table(shuffled_data$duration))
# On s'attend à une loi distribuée normalement au vu du graphique
shapiro.test(shuffled_data$duration)
# ---
# W = 1, p-value <2e-16
# Non symétrique, distribution qui s'écarte trop de la moyenne à gauche --> Distribution non normale
#====================================================================================================================================================================================
#====================================================================================================================================================================================
# ANALYSE Amazon Prime
# Transformation des durées des films en nombre (en enlevant le " min")
amazon_movie <- subset(amazon_prime_titles,type =="Movie")
amazon_movie$duration <- gsub(" min","",as.character(amazon_movie$duration))
amazon_movie$duration
amazon_movie$duration <- as.double(amazon_movie$duration)
summary(amazon_movie$duration)
# Min. 1st Qu. Median Mean 3rd Qu. Max.
# 0 75 91 91 106 601
#-----------------------------------------------------------------------------------------------------------------------
#-----------------------------------------------------------------------------------------------------------------------
#Audience visée des films
amazonPublicCible <- amazon_movie
amazonPublicCible$rating <- gsub("13+","Teens",as.character(amazonPublicCible$rating), fixed=TRUE)
amazonPublicCible$rating <- gsub("16+","Older Teens",as.character(amazonPublicCible$rating), fixed=TRUE)
amazonPublicCible$rating <- gsub("7+","Older kids",as.character(amazonPublicCible$rating),fixed=TRUE)
amazonPublicCible$rating <- gsub("18+","Adults",as.character(amazonPublicCible$rating), fixed=TRUE)
amazonPublicCible$rating <- gsub("TV-14|PG-13","Teens",as.character(amazonPublicCible$rating))
amazonPublicCible$rating <- gsub("AGES_16_|16","Older Teens",as.character(amazonPublicCible$rating))
amazonPublicCible$rating <- gsub("TV-PG|PG|TV-Y7-FV|TV-Y7","Older kids",as.character(amazonPublicCible$rating))
amazonPublicCible$rating <- gsub("TV-MA|NR|UR|NC-17|R|UNRATED|NOT_RATE|AGES_18_|18+","Adults",as.character(amazonPublicCible$rating))
amazonPublicCible$rating <- gsub("TV-Y|TV-G|ALL_AGES|ALL|G","Kids",as.character(amazonPublicCible$rating))
# Catégories uniques ->
unique(na.omit(amazonPublicCible$rating))
barplot(main="Audience visée des films selon la tranche d'âge, Amazon",
xlab="Tranche d'âge",
ylab="Nombre de films",
sort(table(amazonPublicCible$rating),
decreasing=FALSE))
# Test de Shapiro Amazon
barplot(table(amazon_movie$duration))
shuffled_data2 = amazon_movie[sample(1:nrow(amazon_movie)),]
shuffled_data2 <- head(shuffled_data2,-3000)
shapiro.test(shuffled_data2$duration)
# La durée des films sur amazon ne peut suivre une loi normale, rejet de l'hypothèse
summary(amazon_movie$duration)
summary(netflix_movie$duration)
# Test de Wilcoxon #Trouver les raisons
wilcox.test(amazon_movie$duration,netflix_movie$duration)
# W = 2e+07, p-value <2e-16
var.test(amazon_movie$duration,netflix_movie$duration,alternative = "greater")
#====================================================================================================================================================================================
#====================================================================================================================================================================================
# ANALYSE Disney+
# Transformation des durées des films en nombre (en enlevant le " min")
disney_movie <- subset(disney_plus_titles,type =="Movie")
disney_movie$duration <- gsub(" min","",as.character(disney_movie$duration))
disney_movie$duration
disney_movie$duration <- as.double(disney_movie$duration)
summary(disney_movie$duration)
# Min. 1st Qu. Median Mean 3rd Qu. Max.
# 1 44 85 72 98 183
#-----------------------------------------------------------------------------------------------------------------------
#-----------------------------------------------------------------------------------------------------------------------
#Audience visée des films
disneyPublicCible <- disney_movie
disneyPublicCible$rating <- gsub("TV-14|PG-13","Teens",as.character(disneyPublicCible$rating))
disneyPublicCible$rating <- gsub("TV-PG|PG|TV-Y7-FV|TV-Y7","Older kids",as.character(disneyPublicCible$rating))
disneyPublicCible$rating <- gsub("TV-Y|TV-G|G","Kids",as.character(disneyPublicCible$rating))
disneyPublicCible$rating <- gsub("TV-MA|NR|UR|NC-17|R","Adults",as.character(disneyPublicCible$rating))
# Catégories uniques -> on peut voir qu'il n'y a pas de film dont l'audience visée est des adultes, disney+ semble donc avoir pour public cible
# les enfant et les adolescents principalement, cette plateforme ne souhaite pas de film qui ne s'adresseraient qu'aux personnes adultes.
unique(na.omit(disneyPublicCible$rating))
barplot(main="Audience visée des films selon la tranche d'âge, Disney+",xlab="Tranche d'âge", ylab="Nombre de films", sort(table(disneyPublicCible$rating),decreasing=FALSE), col=c("green","orange","yellow"))
tmdb_5000_movies <- read_csv("tmdb_5000_movies.csv",
col_types = cols(budget = col_number(),
popularity = col_number(), release_date = col_date(format = "%Y-%m-%d"),
revenue = col_number(), runtime = col_number(),
vote_average = col_number(), vote_count = col_number()))
tmdb_5000_movies$release_date =as.Date(tmdb_5000_movies$release_date,"%Y")
usef_table = tmdb_5000_movies[,c(1,9,11,13,14,19,20)]
usef_table$budget = as.numeric(usef_table$budget)
usef_table$popularity = as.numeric(usef_table$popularity)
usef_table$revenue = as.numeric(usef_table$revenue)
usef_table$runtime = as.numeric(usef_table$runtime)
usef_table$vote_average = as.numeric(usef_table$vote_average)
usef_table$vote_count= as.numeric(usef_table$vote_count)
class(usef_table$vote_average)
typeof(usef_table$vote_average)
usef_table <- data.frame(usef_table)
typeof(usef_table)
for (i in 1:length(usef_table$production_countries)){
y <- str_split(usef_table$production_countries[i],",", simplify = TRUE)
usef_table$production_countries[i] <- y[1,1]
}
coloration = data.frame(head(sort(table(usef_table$production_countries),decreasing=TRUE),n=4))
for (i in 1:length(usef_table$production_countries)){
if (usef_table$production_countries[i] %in% coloration$Var1){
}else{
usef_table$production_countries[i]="autre"
}
}
ACP <- PCA(data.frame(tmdb_5000_movies[,c(1,9,13,14,19,20)]), graph=FALSE)
round(ACP$eig,digit=2)
fviz_pca_ind(ACP, col.ind=usef_table$production_countries, label="none", legend.title="Pays", addEllipses = TRUE)
barplot(ACP$eig[,1], main ="Eigen values", names.arg=1:nrow(ACP$eig), xlab="Numero de la composante", ylab="Valeur propre")
abline(h=1,col=2, lwd=2)
# Eigenvalue Proportion Cumulative
# dim 1 3.27 54.4 54
# dim 2 1.15 19.1 74
# dim 3 0.71 11.9 85
# dim 4 0.45 7.6 93
# dim 5 0.26 4.3 97
# dim 6 0.16 2.7 100
# D'après le critère de Kaiser, seuls les axes 1 et 2 sont intéressants à retenir.
# Le premier explique 54.4% de l'inertie, tandis que le deuxième explique seulement 19.1%
#Ainsi en considérant le plan 1,2; on récupère 73.5 % de l'information.
fviz_pca_var(ACP)
# COMMENTAIRES
table(usef_table$production_countries)
var <- get_pca_var(ACP)
corrplot(var$cos2, is.corr=TRUE, method="shade")
COL1(sequential = c("Oranges", "Purples", "Reds", "Blues", "Greens",
"Greys", "OrRd", "YlOrRd", "YlOrBr", "YlGn"), n = 200)
mcor <- cor(na.omit(data.frame(usef_table[,c(1,2,4,5,6,7)])))
corrplot(mcor, type="lower", tl.col="black", method = "shade",col=COL1("OrRd"), title="Heatmap des corrélations entre les données quantitatives des films")
ACP$ind
barplot(table(round(usef_table$runtime)))
fviz_contrib(ACP,choice="var", axes=1)
fviz_contrib(ACP,choice="var", axes=2)
ACP$var$cos2