실전 프로젝트 : 태블로 영화 추천 대시보드 만들기 (2)

실전 프로젝트 : What's Next?

컬럼 정보

분석에 사용될 컬럼

• vote_average, vote_count, release_date, revenue, runtime, adult, budget, original_language, poster_path, genres, production_companies, production_countries, spoken_languages, keywords
• id(기본키) - 영화 제목이 같지만, 고유한 id가 부여되어 영화를 구분할 수 있게 해줌.
• status - 데이터 전처리 과정에서 '개봉(released)' 상태의 영화를 골라내기 위해 사용 후 삭제

데이터를 어떻게 가공해 활용할지?

✅ 코로나 전후 비교 → 시간선 설정

• 2023 9월 이후 데이터가 이전과 비교해 많이 적음을 확인 → 최초 게시일 이후 업데이트가 제대로 이루어지고 있는 것 같지 않다고 생각. (이 부분을 어떻게 할 것인지 확인.)
• 코로나 전후로 그룹을 나눠 각각 어떤 장르가 인기가 많았는지 확인해보자.

✅ 주 사용 언어별 선호도 (revenue, vote_count, vote_average)

✅ 제작사 활용 아이디어

• 어떤 제작사가 인기가 많고, 그 제작사에서 어떤 영화가 제일 인기있었는지?
• 년도별로 어떤 제작사가 가장 인기있었는지?
• 어떤 제작사가 가장 예산을 많이 들였는지 그 영화가 뭔지?

✅ ROI 분석

어떤 장르가 수익성이 좋은지? (예산대비) → 가성비가 좋은 장르!

✅ Top N + 연도별

•  역대 예산 topN
• 연도별 평점 top N 영화

✅ 여름에 호러영화는 정말 잘 나가는가?

✅ 투표수는 많은데 매출은 적은 진흙속 진주를 찾자

전처리

데이터 필터링

1. 원본 데이터 (1,059,590)

2. 사용하지 않는 컬럼 및 중복행 삭제 (1,059,202)

3. 2000년 1월 1일 ~ 2023년 9월 30일 개봉작만 선택(587,498)

• 수집된 데이터의 최소값은 (1800-01-01)이었고, 최댓값은 (2099-11-18)이었음.
• kaggle에 데이터가 매일 실시간으로 업데이트 되는 구조였는데 데이터의 무결성이 검증된 최초 업로드 시점인 2023-09-30으로 기간을 설정함
• 또한 개봉되지 않은 작품의 평점은 일반 대중의 평점이 아니거나 이상치라고 판단, '개봉작(released)'만 선택

4. 주요 지표 컬럼들의 결측치 삭제(186,099) - title, release_date, genres, production_countries, production_companies

5. 이상치 삭제(160,706)

• vote_count가 0인데, vote_average가 0이 아닌 경우 삭제 
• 러닝타임이 0분에서 240분(4시간) 사이인 데이터만 필터링

6. Poster_Path 컬럼의 결측치 제거 (145,052) - poster_path 컬럼을 이용, 이미지 데이터를 불러오기 위해 결측치를 제거함

데이터 가공

• 이미지 데이터를 불러오기 위해 poster_path 컬럼에 base URL 추가

#URL 연결을 위한 prefix 추가
prefix = 'https://image.tmdb.org/t/p/w1280'
df5['poster_path'] = prefix + df5['poster_path'].astype(str)

• 장르 및 제작사 분석을 위해 대표 장르, 제작사 추출해 컬럼 생성

def select_main(df, column, new_column):
    df[new_column] = df[column].apply(lambda x: x.split(',')[0].strip())
    return df.shape[0]

# select main genre
select_main(df5, 'genres', 'main_genre')

# select main production
select_main(df5, 'production_companies', 'main_production')