Топ фильмов IMDb
Киноиндустрия занимает важное место в мировой индустрии развлечений и продолжает активно развиваться. Успех фильмов формируется под влиянием различных факторов, таких как жанр, продолжительность, возрастная классификация, режиссёр, актёрский состав, а также отклик аудитории, выраженный через рейтинги и количество голосов. Анализ этих характеристик позволяет выявить закономерности, связанные с популярностью и оценкой фильмов зрителями.
Визуальное оформление
При офрмлении визуализаций я буду использовать фирменный стиль IMDb
Источник данных
Для анализа данных будет использован датасет, содержащий информацию о 5000 фильмах с наивысшими рейтингами на сайте IMDb, размещённый на платформе Kaggle
Перед началом анализа требуется провести дополнительную фильтрацию и сортировку данных с целью повышения их качества и удобства для последующей обработки. На данном этапе будут выявлены и устранены возможные пропуски, а также приведены к единому формату ключевые параметры датасета. Это позволит обеспечить корректность анализа и достоверность полученных результатов.
Были выявлены и удалены строки с аномальными значениями в признаке runtime, которые не соответствовали формату продолжительности фильма. Кроме того, признаки runtime и gross_earn были очищены от нечисловых символов и приведены к числовым типам данных, что позволяет использовать их в статистическом анализе и визуализациях.
Также была выполнена сортировка данных по убыванию рейтинга фильмов и переопределение индексов, что упростило дальнейшую работу с датасетом. В результате проведённых преобразований был получен очищенный и структурированный набор данных, пригодный для последующего разведочного анализа.
Неграфический и графический анализ количественных признаков
Сначала мы взяли столбец с доходами фильмов и сохранили его отдельно, чтобы с ним было удобнее работать. Потом посмотрели на максимальные и минимальные значения и заметили, что есть фильмы с доходом 0, поэтому мы их исключили, чтобы не искажать результаты.
Дальше мы посчитали средний доход и медиану, чтобы понять, какой доход типичен для фильма, и посмотрели на разные процентили — это помогает увидеть, как распределены доходы и где сосредоточено большинство фильмов.
В итоге, с помощью функции describe () мы получили сводную статистику: минимальные и максимальные доходы, среднее, стандартное отклонение и квартильные значения — то есть полный портрет распределения доходов фильмов.»
Если мы попробуем построиить диаграмму «ящик с усами» с помощью метода boxplot (). Мы увидим, диаграмма пустая. Это связано с наличием пропущенных значений по признаку. Очистим клонку от пустых значений с помощью dropna и попробуем заново построить «ящик с усами»
Попробуем построить гистограмму с помощью метода hist (), чтобы посмотреть на распределение признака.
Гистограмма показывает, достаточно большой размах в данных, что подтверждается и показателями описательной статистики (min и max). Ограничем графический анализ 10 процентилем снизу и 90 процентилем сверху, тем самым обработав часть выбросов, и заново построим гистограмму передав в нее параметр bins=20 для лучшей визуализации
Выводы
Размах значений оказался очень большим от 0 до 936 у.е
Нулевых значений не так много. Можно их исключить из анализа.
Если вы хотите знать, какой доход имеют большинство фильмов, вы можете посмотреть на медиану (50-й процентиль).
Если вам интересно, какой доход имеют самые успешные 10% фильмов, вы можете посмотреть на 90-й процентиль.
Пример
Представьте, что у вас есть 100 фильмов, и вы хотите понять, как распределены их доходы. Процентили помогут вам увидеть: 10% фильмов зарабатывают меньше 0.797. 25% фильмов зарабатывают меньше 7.0. 50% фильмов зарабатывают меньше 28.345. 75% фильмов зарабатывают меньше 63.04. 90% фильмов зарабатывают меньше 121.968
Ящик с усами не дает полного понятия о распределении признака поэтому использовали гистограмму, далее обработав часть выбросов и увелича кол-во интервалов можем лучше провести анализ распределения признака.
Неграфический и графический анализ категориальных признаков
Сейчас мы посмотрим на признак certificate, который показывает возрастную классификацию фильмов по стандартам BBFC. Сначала с помощью метода describe () мы получили сводную информацию: сколько всего записей, сколько уникальных категорий и какое значение встречается чаще всего.
Затем мы посмотрели на все уникальные категории с помощью unique (), чтобы понять, какие сертификаты вообще встречаются в данных.
Дальше мы посчитали, сколько раз встречается каждая категория с помощью value_counts (). И чтобы потом красиво построить столбчатую диаграмму, мы отсортировали результаты по возрастанию: так самые популярные сертификаты будут отображаться сверху, а менее частые — внизу.
То есть мы не просто смотрим на числа, а сразу готовим данные для наглядного и понятного графика.
Построим горизонтальную столбчатую диаграмму с помощью метода barh ()
Выделим топ-5 классов, по которым больше всего фильмов и сохраним результат в переменную certificate_counts_top_5
P. S. При анализе категориальных признаков если категорий не больше 5, то предпочтительна круговая диаграмма, в ином случае — столбчатая
Вывод
Количество уникальных значений: признак имеет 15 уникальных значений, что говорит о достаточно разнообразных категориях.
Наиболее часто встречающееся значение: чаще всего встречается значение 15, оно встречается 1843 раза, то есть почти в половине случаев.
Распределение значений: выделяются 5 крупных значений, которые встречаются значительно чаще остальных, остальные значения встречаются гораздо реже.
Графический анализ: столбчатая и круговая диаграммы показывают, что сертификат 15 занимает почти половину всех крупных сертификатов, что наглядно демонстрирует его доминирующее положение среди категорий.
Анализ взаимосвязи количественного и категориального признаков
Дальше мы решили посмотреть, как отличаются доходы фильмов в зависимости от класса сертификата. Для этого сначала мы сгруппировали данные по признаку certificate и посчитали медианный доход для каждого класса. Это позволило понять, какой доход является типичным внутри каждой категории.
Затем мы расширили анализ и рассчитали описательные статистики доходов в разрезе классов с помощью метода describe (). Так мы увидели не только медиану, но и средние значения, разброс, минимумы и максимумы по каждому сертификату.
После этого мы попытались визуализировать распределения доходов с помощью диаграммы «ящик с усами». Однако график получился малоинформативным: из-за большого количества классов и наличия выбросов его было сложно интерпретировать.
Чтобы упростить анализ, мы посчитали, сколько раз встречается каждый класс, и увидели, что крупных классов всего 8. Поэтому мы решили ограничиться только ими. Мы сохранили список топ-8 сертификатов и отфильтровали исходный датасет, оставив только фильмы с этими классами.
Построим диаграмму «ящик с усами» с помощью метода boxplot (), передав в качестве x — значения классов, а в качестве y — доход с фильмов, при этом ограничив значение оси y на отметке 250 с помощью функции plt.axis () и параметров ymin и ymax
На графиках видно что фильмы с определенной сетрификацией получают разные сборы например фильмы с сертификатом U собирают больше всего но у 12А больше выбросов и фильмов которые собрали огромное количество денег
Заключение
После проведённого анализа я могу сделать вывод, что он помог мне лучше понять закономерности в мире кино. Я увидел, какие классы фильмов и рейтинги чаще всего встречаются среди самых успешных, какие фильмы приносят высокий доход, а какие — менее прибыльны. Всё это помогает мне, как любителю кино, понять предпочтения зрителей, оценить популярность разных категорий фильмов и просто интересно увидеть цифры, подтверждающие мои впечатления о том, какие фильмы «выстреливают» в прокате.
Описание применения генеративной модели
Я использовала ChatGPT и Gemini для написания кода для обработки и визуализации данных. Ссылки: chatgpt.com и gemini.google.com
