20210421_netflix_tidytuesday.R

#' Author: Bea
#' Subject: Tidytuesday de 20 de abril de 2021

library(magrittr, include.only = "%>%")
library(ggplot2)

# Import ----------------------------------------------------------------------
netflix <-
  readr::read_csv(
    'https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2021/2021-04-20/netflix_titles.csv'
  )


# Tidy -------------------------------------------------------------------------

netflix %>% dplyr::glimpse()

# Rows: 7,787
# Columns: 12
# $ show_id      <chr> "s1", "s2", "s3", "s4", "s5", "s6", "s7", "s8", "s9"…
# $ type         <chr> "TV Show", "Movie", "Movie", "Movie", "Movie", "TV S…
# $ title        <chr> "3%", "7:19", "23:59", "9", "21", "46", "122", "187"…
# $ director     <chr> NA, "Jorge Michel Grau", "Gilbert Chan", "Shane Acke…
# $ cast         <chr> "João Miguel, Bianca Comparato, Michel Gomes, Rodolf…
# $ country      <chr> "Brazil", "Mexico", "Singapore", "United States", "U…
# $ date_added   <chr> "August 14, 2020", "December 23, 2016", "December 20…
# $ release_year <dbl> 2020, 2016, 2011, 2009, 2008, 2016, 2019, 1997, 2019…
# $ rating       <chr> "TV-MA", "TV-MA", "R", "PG-13", "PG-13", "TV-MA", "T…
# $ duration     <chr> "4 Seasons", "93 min", "78 min", "80 min", "123 min"…
# $ listed_in    <chr> "International TV Shows, TV Dramas, TV Sci-Fi & Fant…
# $ description  <chr> "In a future where the elite inhabit an island parad…


netflix_clean <- netflix %>%
  # Transformar em data: date_added
  dplyr::mutate(date_added = readr::parse_date(date_added, format = "%B %d, %Y"))  %>%
  # Separar a coluna listed_in - 3 categorias
  tidyr::separate(
    listed_in,
    sep = ",",
    into =  paste0("listed_in_", rep(1:3)),
    fill = "right"
  ) %>%
  # Transformar em número: duration. Separei em 2 variáveis:
  # duration_seasons para séries
  # duration_minutes para filmes
  dplyr::mutate(
    duration_seasons = dplyr::case_when(type == "TV Show" ~ readr::parse_number(duration)),
    duration_minutes = dplyr::case_when(type == "Movie" ~ readr::parse_number(duration))
  ) %>%
  # Altera a ordem da base, deixa todos os duration juntos
  dplyr::relocate(duration_seasons, duration_minutes, .after = duration) %>%
  # Remove espaços desnecessários criados ao separar o conteúdo de listed_in
  dplyr::mutate(dplyr::across(tidyselect::starts_with("listed_in_"), stringr::str_trim))


# Visualize --------------------------------------------------------------------


## Filme ou série? O que tem mais no catálogo?---------

netflix_clean %>%
  # dplyr::group_by(type) %>%
  ggplot() +
  geom_bar(aes(x = type), fill = "#e50815", alpha = 0.8) +
  theme_bw() +
  labs(x = "Tipo", y = "Quantidade de itens")

# Catálogo da netflix tem muito mais filmes do que séries!


## Quantas temporadas as séries costumam durar? -------------

netflix_clean %>%
  dplyr::filter(type == "TV Show") %>%
  ggplot() +
  geom_bar(aes(x = duration_seasons), fill = "#e50815", alpha = 0.8) +
  theme_bw() +
  labs(x = "Número de temporadas", y = "Quantidade de séries") +
  scale_x_continuous(breaks = 1:15)

# A maioria das séries da netflix tem 1 temporada.
# 75% das séries possui até 2 temporadas.
# a série mais longa é Grays Anatomy, com 16 temporadas!


## Quanto tempo os filmes costumam durar? -----

netflix_clean %>%
  dplyr::filter(type == "Movie") %>%
  ggplot() +
  geom_density(
    aes(x = duration_minutes),
    fill = "#e50815",
    alpha = 0.8,
    bins = 100
  ) +
  theme_bw() +
  labs(x = "Minutos", y = "Quantidade de Filmes") +
  scale_x_continuous(breaks = seq(from = 0, to = 360, by = 30))

# A maioria dos filmes tem entre ~1h20 e 2h
# o "filme" mais longo é na verdade um episódio de série: Black Mirror: Bandersnatch


## Em qual ano o conteúdo foi produzido? -------

netflix_clean %>%
  dplyr::count(release_year) %>%
  ggplot() +
  geom_col(aes(x = release_year, y = n), fill = "#e50815",
           alpha = 0.8) +
  theme_bw() +
  labs(x = "Ano de lançamento", y = "Quantidade de Filmes/Séries")

# Os anos em que foi lançado a maioria dos itens da Netflix são
# entre 2016 e 2020. O catálogo é bem atual!

## Em qual ano o item foi adicionado no catálogo?  ------

netflix_clean %>%
  dplyr::mutate(mes_ano = lubridate::floor_date(date_added, unit = "year")) %>%
  dplyr::count(mes_ano) %>%
  ggplot() +
  geom_col(aes(x = mes_ano, y = n), fill = "#e50815",
           alpha = 0.8) +
  theme_bw() +
  labs(x = "Ano de adição ao catálogo", y = "Quantidade de Filmes/Séries") +
  scale_x_date(breaks = "2 years", date_labels = "%Y")

# A netflix começou a adicionar itens no catálogo em 2008!
# O ano em que a netflix mais adicionou conteúdo foi 2019.



## Quais são as categorias em que a Netflix mais investe? --------

netflix_clean %>%
  tidyr::pivot_longer(
    cols = c("listed_in_1", "listed_in_2", "listed_in_3"),
    values_to = "listed_in"
  ) %>%
  dplyr::mutate(
    listed_in = stringr::str_replace_all(listed_in, "TV Shows|Movies|TV|'", ""),
    listed_in = stringr::str_trim(listed_in),
    listed_in = dplyr::case_when(
      listed_in %in% c("Anime Features",  "Anime Series") ~ "Anime",
      listed_in %in% c("Children & Family",  "Kids") ~ "Children & Family | Kids",
      listed_in %in% c("Stand-Up Comedy",  "Stand-Up Comedy & Talk Shows") ~ "Stand-Up Comedy & Talk Shows",
      
      TRUE ~ listed_in
    )
  ) %>%
  dplyr::count(listed_in) %>%
  tidyr::drop_na(listed_in) %>%
  dplyr::filter(listed_in != "") %>%
  dplyr::mutate(
    listed_in = forcats::fct_lump(listed_in, 10, w = n),
    listed_in = forcats::fct_reorder(listed_in, n)
  ) %>%
  ggplot() +
  geom_col(aes(y = listed_in, x = n), fill = "#e50815", alpha = 0.8) +
  theme_bw() +
  labs(y = "Categoria", x = "Quantidade de ocorrência")

# Netflix investe bastante no catálogo internacional
# Principais categorias (fora internacional): Dramas, comédias, infantil


# Quais são os principais países em que são produzidos conteúdos?

netflix_clean %>%
  # Separar a coluna country
  tidyr::separate(
    country,
    sep = ",",
    into =  paste0("country_", rep(1:15)),
    fill = "right",
    remove = FALSE
  ) %>%
  dplyr::mutate(dplyr::across(tidyselect::starts_with("country_"), stringr::str_trim)) %>%
  tidyr::pivot_longer(
    cols = tidyselect::starts_with("country_"),
    values_drop_na = TRUE,
    names_to = "order_country",
    values_to = "countries"
  ) %>%
  dplyr::count(countries) %>% View()
dplyr::mutate(
  countries = forcats::fct_lump(countries, 10, w = n),
  countries = forcats::fct_reorder(countries, n)
) %>%
  ggplot() +
  geom_col(aes(y = countries, x = n), fill = "#e50815", alpha = 0.8) +
  theme_bw() +
  labs(y = "País", x = "Quantidade de ocorrência")

# O principal (de muito longe) país que produz conteúdos pra netflix é os EUA,
# seguido pela India (com muita diferença).
# Brasil não está no TOP 10!