Saltar a contenido

🎬 Explorando Netflix: descubriendo los patrones detrás de tus series y películas favoritas

Contexto

Trabajamos con un catálogo público de 6.234 títulos de Netflix (películas y series) para comprender composición del catálogo, tendencias temporales, distribución geográfica y perfiles de audiencias por rating. El dataset contiene 12 columnas (metadatos como type, title, director, cast, country, date_added, release_year, rating, duration, listed_in, etc.) sin variables numéricas de desempeño (views).

Objetivos

  • Realizar un EDA reproducible en Colab: ingesta, chequeos, limpieza mínima y visualizaciones.
  • Documentar calidad de datos (faltantes, duplicados, rangos) y registrar artefactos.
  • Cuantificar mix de catálogo, tendencias y distribución por países/ratings/géneros.
  • Producir un resumen ejecutivo con insights accionables para decisiones de contenido.

Desarrollo

El analisis del dataset fue desarrollado con librerias como: pandas, numpy, matplotlib, seaborn.

El dataset es un CSV público netflix_titles.csv disponible en las referencias de este artículo.

El dataset contiene 6234 registros y 12 variables con datos de tipo numérico para show_id y release_year, el resto son de tipo object.

Se detectaron datos faltantes en varias comlumnas:

  • director contiene un 31.6% de datos faltantes.
  • cast contiene un 9.1% de datos faltantes.
  • country contiene un 7.6%.
  • date_added 0.18% y rating 0.16%.

Se encontraron 57 títulos duplicados con el mismo título(por title).

Además se identificaron outliers de texto: títulos muy largos (p99) y muy cortos (<5 chars).

El rango de publicación de las películas release_year es desde 1925–2020, con concentración fuerte desde 2015. Por ejemplo:

  • Know Your Enemy, Japan 1945
  • Let There Be Light, 1946 Movie
  • Nazi Concentration Camps, 1945 Movie

Distribución y tendencias

El catalogo de contenido es dividido en dos secciones:

  • Movies que son el 68.4% de los registros.
  • TV Shows que son el 31.6% de los registros.

Mientras que en la fecha de publicación del contenido se ve distribuido por varios años. Se ve un pico en 2018 (≈1.063), y una caída en 2020.

Además se pudieron analizar los años con más lanzamientos: Aquí tienes la tabla en formato Markdown:

Año Cantidad
2011 136
2012 183
2013 237
2014 288
2015 517
2016 830
2017 959
2018 1063
2019 843
2020 25

Luego se analizaron los países con co-producciones frecuentes: - Estados unidos: 2609 - India: 838 - UK: 601

Evidencias

  • Carga y exploración 
    url = "https://raw.githubusercontent.com/swapnilg4u/Netflix-Data-Analysis/refs/heads/master/netflix_titles.csv"
netflix = pd.read_csv(url)
netflix.shape, netflix.info(), netflix.head(3)
  • Faltantes (conteos y %)
    missing = netflix.isna().sum().sort_values(ascending=False)
missing_pct = (netflix.isna().sum()/len(netflix)*100).sort_values(ascending=False)
missing[missing>0], missing_pct[missing_pct>0]
  • Outliers / duplicados / títulos extremos 
    netflix["release_year_clean"] = pd.to_numeric(netflix["release_year"], errors="coerce")
very_old = netflix[netflix["release_year_clean"] < 1950]
dup_titles = netflix["title"].value_counts()[lambda s: s>1]
netflix["title_length"] = netflix["title"].str.len()
very_long = netflix[netflix["title_length"] > netflix["title_length"].quantile(0.99)]
very_short = netflix[netflix["title_length"] < 5]

Se puede ver el desarrollo del práctico detalladamente aquí

Reflexión

  • Qué aprendí: a mantener una línea de trazabilidad de calidad de datos (faltantes/duplicados/rangos) y a vincular métricas (mix, tiempos, países, ratings) con implicancias de negocio.
  • Decisiones de visualización: line plot para continuidad temporal (tendencias), barplot para categorías (país/ratings/géneros) y heatmaps para co-ocurrencias.
  • Limitaciones: no hay variables de audiencia/ingresos; algunos picos/caídas pueden deberse a recortes del dataset (e.g., bajo 2020).
  • Mejoras inmediatas:
  • Normalizar duration a minutos/temporadas y tratar multi-valor en country/listed_in con tablas auxiliares.
  • Corregir pie charts del dashboard si falta una coma entre argumentos (autopct=..., colors=...) y ordenar categorías para legibilidad.
  • Exportar todas las figuras con dpi>=200, bbox_inches='tight' y nombres consistentes.

Atención

  • Metadatos incompletos (director/cast/country) afectan búsqueda y recomendación.
  • Duplicados pueden sesgar conteos si no se desambiguan por (title, release_year) o ID canónico.
  • Evitar gráficos redundantes (pie + donut del mismo dato); priorizar el más legible.

📚 Referencias

  • Dataset base: Netflix Titles (CSV público).
  • Documentación: pandas (describe, dtypes, isna), seaborn (countplot, heatmap), matplotlib (savefig), buenas prácticas de EDA.