MAT306 - Laboratorio N°03¶

Objetivo: Aplicar técnicas avanzadas de manipulación y análisis de datos con pandas sobre un conjunto real de datos de contenido de Netflix, reforzando buenas prácticas y métodos eficientes sin recurrir a groupby, merge, pivot, ni join.

Dataset:

Trabajaremos con el archivo netflix_titles.csv, que contiene información sobre los títulos disponibles en la plataforma Netflix hasta el año 2021.

Variable	Clase	Descripción
show_id	caracter	Identificador único del título en el catálogo de Netflix.
type	caracter	Tipo de contenido: 'Movie' o 'TV Show'.
title	caracter	Título del contenido.
director	caracter	Nombre del director (puede ser nulo).
cast	caracter	Lista de actores principales (puede ser nulo).
country	caracter	País o países donde se produjo el contenido.
date_added	fecha	Fecha en la que el título fue agregado al catálogo de Netflix.
release_year	entero	Año de lanzamiento original del título.
rating	caracter	Clasificación por edad (por ejemplo: 'PG-13', 'TV-MA').
duration	caracter	Duración del contenido (minutos o número de temporadas para series).
listed_in	caracter	Categorías o géneros en los que está clasificado el contenido.
description	caracter	Breve sinopsis del contenido.

In [ ]:

import pandas as pd

# Cargar datos
df = pd.read_csv('https://raw.githubusercontent.com/fralfaro/MAT306/main/docs/labs/data/netflix_titles.csv')
df.head()

import pandas as pd # Cargar datos df = pd.read_csv('https://raw.githubusercontent.com/fralfaro/MAT306/main/docs/labs/data/netflix_titles.csv') df.head()

Out[ ]:

	show_id	type	title	director	cast	country	date_added	release_year	rating	duration	listed_in	description
0	s1	Movie	Dick Johnson Is Dead	Kirsten Johnson	NaN	United States	September 25, 2021	2020	PG-13	90 min	Documentaries	As her father nears the end of his life, filmm...
1	s2	TV Show	Blood & Water	NaN	Ama Qamata, Khosi Ngema, Gail Mabalane, Thaban...	South Africa	September 24, 2021	2021	TV-MA	2 Seasons	International TV Shows, TV Dramas, TV Mysteries	After crossing paths at a party, a Cape Town t...
2	s3	TV Show	Ganglands	Julien Leclercq	Sami Bouajila, Tracy Gotoas, Samuel Jouy, Nabi...	NaN	September 24, 2021	2021	TV-MA	1 Season	Crime TV Shows, International TV Shows, TV Act...	To protect his family from a powerful drug lor...
3	s4	TV Show	Jailbirds New Orleans	NaN	NaN	NaN	September 24, 2021	2021	TV-MA	1 Season	Docuseries, Reality TV	Feuds, flirtations and toilet talk go down amo...
4	s5	TV Show	Kota Factory	NaN	Mayur More, Jitendra Kumar, Ranjan Raj, Alam K...	India	September 24, 2021	2021	TV-MA	2 Seasons	International TV Shows, Romantic TV Shows, TV ...	In a city of coaching centers known to train I...

Parte 1: Limpieza y preparación¶

1. Revisar y describir el dataset:

   • ¿Cuántas filas y columnas tiene?
   • ¿Qué tipos de datos hay?
   • ¿Cuántos valores nulos hay por columna?

2. Transformar la columna date_added a tipo fecha.

3. Crear columnas auxiliares con assign:

   • Año (year_added)
   • Mes (month_added)

In [ ]:

#FIXME

#FIXME

Parte 2: Técnicas avanzadas de pandas¶

4. Utilizar .loc para seleccionar películas (type == 'Movie') que fueron agregadas después del año 2018.

5. Utilizar str.contains() y str.extract():

   • Filtrar títulos que contienen la palabra 'love' (sin distinguir mayúsculas/minúsculas).
   • Extraer la duración en minutos para las películas desde la columna duration.

6. Aplicar explode() sobre la columna listed_in para obtener una fila por cada género.

7. Obtener un top 10 de géneros más frecuentes utilizando value_counts().

8. Aplicar where() y mask() para marcar las películas de más de 120 minutos como contenido largo en una nueva columna.

9. Utilizar .loc para filtrar películas que cumplen con:

   • Más de 100 minutos de duración.
   • Rating igual a 'R'.
   • País igual a 'United States'.

10. Utilizar .style para formatear visualmente el top 10 de películas más largas.

In [ ]:

#FIXME

#FIXME

Pregunta Desafío¶

11. ¿Cuáles son las combinaciones más frecuentes de género y rating en el dataset? (Sugerencia: utilizar value_counts con subset=["genre", "rating"] después de aplicar explode()).

Bonus: Análisis de duplicados y limpieza¶

12. ¿Existen películas con el mismo nombre (title) pero con distinto año de lanzamiento (release_year)?
13. ¿Cuántos títulos únicos hay en total en la columna title?

In [ ]:

#FIXME

#FIXME