Algoritmo de recomendación de películas

Realizado en el marco del Curso Ingenias DataScience - 2023

Integrantes:

Luciana Carvajal (LucianaCarvajal)
Leila Luna Ameneiro (L-Ameneiro)

Objetivo

Buscamos desarrollar un algoritmo de recomendación por similitud entre productos audiovisuales, utilizando elementos en común tales como el género, la trama, el elenco y el director o directora.

Para eso contamos con datasets de películas disponibles en las plataformas Amazon Prime, DisneyPlus y Netflix.

Directorios

En /datasets se encuentran los datasets primarios utilizados así como los generados a partir de la limpieza y procesamiento de datos.

En /notebooks se encuentran los siguientes archivos:

• EDA inicial: Se lleva el análisis exploratorio de datos. Se decide comenzar con un sólo dataset: correspondiente a la plataforma amazon. Se verifican cantidad de columnas y filas, tipo de estructura de datos de dataframe. Se verifica si hay filas duplicadas, tipos de columnas, primeras y ultimas 10 filas del dataset. Se indaga sobre estadísticas de la columna:release_year.
  Se explora y visualizan los datos faltantes. Posteriormente se estudian las peliculas y los TV show (series) de forma separada para generar gráficos de visualización.
  Se realizan cambios en la columna duration para unificar la unidad de medida.
  En el dataset amazon, se observa que hay columnas con datos que están separados por comas, que requerirán un tratameinto especial.
  Se importan los demás dataset, se crea la columna plataforma y concatenan los mismos.
  Finalmente, del análisis exploratorio de los datos inicial, se consluye con que los datasets elegidos serán: Amazon Prime, DisneyPlus y Netflix. Se excluirá a Hulu, ya que no es una plataforma de uso en Argentina. Por otra parte, se determina que se tomarán como objeto de estudio en este análisis sólo a las películas, excluyéndose a las series. Se importan los demás conjuntos de datos, se crea la columna plataforma y concatenan los mismos.
  

• Análisis y procesamiento: En esta ya está definido el dataframe final, que se formó de la concatenación de los datasets, que contiene solamente películas; denominados: amazon, disney y nexflix. Se realiza el análisis del data set peliculas, renombrando las columnas en idioma español, para facilitar su uso. Se exploran los datos nulos y se visualizan. Posteriormente se procede a la eliminación de las columnas que no serán objeto de estudio de esta análisis. Se explora y visualizan los datos faltantes. Posteriormente se estudian las películas y los programas de televisión (series) de forma separada para generar gráficos de visualización. Se realizan cambios en la columna de duración para unificar la unidad de medida.
  Se procesa la columa director, permitiendo clasificar las películas según si contaron uno o más directores.
  Se proceso la columna listado_en, permitiendo obtener el género principal de cada película para posterior análisis.
  Se cruzan datos con otros datasets de actores que han recibidos premios Oscar y de actores que han recibido premios Golden Globe, con el objetivo de generar features útiles para el modelado.
  Se calculan los puntajes promedio para cada película, asignados por un gran número de usuarios.
  

• Modelado: Se busca generar un modelo de regresión lineal que prediga el puntaje promedio recibido por una película en base a las siguientes features:

  • si en el elenco hay alguna actriz o actor que haya recibido un Premio Oscar
  • si en el elenco hay alguna actriz o actor que haya recibido un Premio Golden Globe
  • si la película fue dirigida por uno o más directores/as

Diccionario de dataset inicial:

Este diccionario corresponde a la etapa EDA-INICIAL.

• show_id: Identificador único de cada serie o película. Posterioremente se denominará "id".
  
• type: Indica si se trata de una serie ("TV Show") o de una película ("Movie"). Posteriormente se denominará "tipo".
  
• title: Corresponde al nombre de la serie o película. Posteriormente se denominará "titulo"
  
• director: Hace referencia a la persona encargada de dirigir la película o serie.
  
• cast: Enlista a los actores que forman parte de la película, El listado incluye los nombres de los actores separados por comas. Posteriormente se denominará "elenco".
  
• country: Lugar (país) de producción. Posteriormente se denominará "pais".
  
• date_added: fecha en que se agregó a la plataforma. Posteriormente se denominará "fecha_agregado".
  
• release_year: Representa el año de producción. Posterioemente de denominará "anio".
  
• rating: Clasifica a las producciones de acuerdo a la edad mínima o público recomendado.Cabe aclarar que según los medios o los países, el significado puede varias, por lo que a continuación se detalla cada código. Posteriormente de denominará "calificacion".
  7+: No recomendada para menores de 7 años.
  13+: No recomendada para menores de 13 años.
  16+: No recomendada para menores de 16 años.
  18+: No recomendada para menores de 18 años.
  ALL: Apropiado para todas las edades.
  R: Restringido y para mayores de 18 años.
  
  PG-13: Guía paternal estricta, algunos materiales pueden ser inapropiados para niños menores de 13 años.
  
  PG: Guía paternal sugerida (con supervisión de los padres), algunos materiales pueden no ser adecuados para niños.
  NR:(Sin clasificación). Películas que no fueron clasificadas por el comité (las causas varían, aunque por lo general sucede con producciones que no llegaron a salas comerciales en su momento o que se estrenaron previo a la existencia de los sistemas de clasificación).
  TV-14: Para mayores de 14 años. Se requiere la compañía de padres.
  TV-PG: Guía paternal extricta.
  
  TV-NR:(Sin clasificación). Películas que no fueron clasificadas por el comité (las causas varían, aunque por lo general sucede con producciones que no llegaron a salas comerciales en su momento o que se estrenaron previo a la existencia de los sistemas de clasificación).
  G: Todas las edades, aptas para todo público.
  TV-G: Se refiere a programación apta para todas las edades.
  TV-MA: Para programas dirigidos para adultos, por lo que podrían ser inapropiados para menores de 17 años
  TV-Y: Programación dirigida a un público muy joven, de edades entre dos a seis años.
  TV-Y7: Producciones dirigidas a niños de siete años en adelante. En algunos casos se asigna al final el descriptivo FV (TV-Y7 FV) para aludir a contenido de violencia de fantasía.
  UNRATED: Película no clasificada o es una versión sin editar de una película ya calificada. Las versiones sin cortes o extendidas de películas que tienen esta calificación, también contienen avisos que advierten que esa versión de la película contiene imágenes que difieren del original y podrían no ser aptas para menores.
  NC-17: No se admiten niños menores de 17 años.
  AGES_18_: Para mayores de 18 años.
  NOT_RATE: Película no clasificada o es una versión sin editar de una película ya calificada. Las versiones sin cortes o extendidas de películas que tienen esta calificación, también contienen avisos que advierten que esa versión de la película contiene imágenes que difieren del original y podrían no ser aptas para menores.
  AGES_16_: Para mayores de 16 años.
  16: Para mayores de 16 años.
  ALL_AGES: Esta clasificación es para programación que es apropiada para todas las edades.
  
• duration: Tiempo desde el comienzo y el fin de la película o serie. La unidad de medida del tiempo será en minutos para las películas y temporadas para series. Posteriormente se denominará "duracion".
  
• listed_in: Géneros y denominación de la clasificación según la plataforma en la que aparece listada la serie o película. Posteriormente se denominará "listado_en".
  
• description: Breve explicación en idioma ingles de la trama de la serie o película. Posteriormente se denominará "descripción".
  
• plataforma: Indica a que plataforma pertenece la película.