Recorrência, elenco, idade dos filmes e avaliações
Esta etapa investiga os padrões propostos no início do projeto. O recorte parte da base enriquecida e conserva apenas registros com título, data de lançamento e avaliação válidos; também exclui casos em que o lançamento aparece depois da exibição.
Os números abaixo descrevem os arquivos versionados neste repositório. A fonte de exibições é comunitária, e as avaliações do TMDB são um retrato do momento em que os dados foram coletados.
import ast
from collections import Counter
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
from sklearn.preprocessing import StandardScaler
sns.set_theme(style="whitegrid", context="notebook", palette="colorblind")
plt.rcParams["figure.figsize"] = (9, 5.2)df_raw = pd.read_csv("datasets/sdtcentury2.csv")
df = df_raw.dropna(
subset=["title", "english_title", "release_date", "vote_average"]
).copy()
df["date"] = pd.to_datetime(df["date"], errors="coerce")
df["release_date"] = pd.to_datetime(df["release_date"], errors="coerce")
df["year"] = df["date"].dt.year
df["release_year"] = df["release_date"].dt.year
df["diff"] = df["year"] - df["release_year"]
invalid_dates = df["date"].isna() | df["release_date"].isna()
future_releases = df["diff"] < 0
df = df.loc[~invalid_dates & ~future_releases].copy()
pd.DataFrame(
{
"etapa": ["Base enriquecida", "Recorte analítico"],
"registros": [len(df_raw), len(df)],
"títulos distintos": [
df_raw["title"].nunique(dropna=True),
df["title"].nunique(dropna=True),
],
}
)| etapa | registros | títulos distintos | |
|---|---|---|---|
| 0 | Base enriquecida | 8521 | 3205 |
| 1 | Recorte analítico | 7540 | 2866 |
O recorte evita tratar ausências e combinações cronologicamente impossíveis como observações válidas. Ele é usado nas seções seguintes, exceto quando a pergunta requer elenco, que tem sua própria filtragem.
df[["date", "title", "release_date", "vote_average", "cast"]].head()| date | title | release_date | vote_average | cast | |
|---|---|---|---|---|---|
| 0 | 2023-01-18 | Os Parças 2 | 2019-11-14 | 7.100 | ['Tom Cavalcante', 'Whindersson Nunes', 'Tirul... |
| 1 | 2023-03-14 | Uma Amizade Inesperada | 2020-12-17 | 6.977 | ['Hong Chau', 'Lucas Jaye', 'Brian Dennehy'] |
| 2 | 2023-03-30 | Motoqueiros Selvagens | 1970-07-08 | 5.000 | ['Tom Baker', 'William Smith', 'Carl Steppling'] |
| 3 | 2023-02-21 | Até que a Sorte nos Separe | 2012-10-05 | 6.400 | ['Leandro Hassum', 'Danielle Winits', 'Kiko Ma... |
| 4 | 2023-02-02 | Arthur: O Milionário Irresistível | 2011-04-08 | 5.601 | ['Russell Brand', 'Helen Mirren', 'Greta Gerwig'] |
top_titles = (
df["title"]
.value_counts()
.head(10)
.rename_axis("filme")
.reset_index(name="exibições")
)
top_titles| filme | exibições | |
|---|---|---|
| 0 | De Volta À Lagoa Azul | 18 |
| 1 | De Repente 30 | 18 |
| 2 | A Família Buscapé | 15 |
| 3 | Curtindo A Vida Adoidado | 14 |
| 4 | Matilda | 14 |
| 5 | Um Dia Especial | 14 |
| 6 | O Paizão | 14 |
| 7 | Táxi | 14 |
| 8 | Click | 14 |
| 9 | As Aparências Enganam | 13 |
ax = sns.barplot(
data=top_titles.sort_values("exibições"),
x="exibições",
y="filme",
color="#176b95",
)
ax.set(
title="Títulos com mais registros de exibição",
xlabel="Exibições no recorte",
ylabel=None,
)
sns.despine()
plt.tight_layout()
plt.show()
“De Repente 30” e “De Volta à Lagoa Azul” ocupam o topo deste recorte, com 18 registros cada. A contagem mede ocorrências na base depois das validações descritas acima.
cast_df = df.dropna(subset=["cast"]).copy()
cast_df["cast"] = cast_df["cast"].apply(ast.literal_eval)
all_cast = Counter(name for cast in cast_df["cast"] for name in cast)
first_credit = Counter(cast[0] for cast in cast_df["cast"] if cast)
actor_summary = pd.DataFrame(
{
"todos os créditos disponíveis": dict(all_cast.most_common(10)),
"primeiro crédito": dict(first_credit.most_common(10)),
}
).fillna("—")
actor_summary| todos os créditos disponíveis | primeiro crédito | |
|---|---|---|
| Renato Aragão | 135.0 | 135.0 |
| Eddie Murphy | 122.0 | 73.0 |
| Dedé Santana | 105.0 | — |
| Adam Sandler | 88.0 | 88.0 |
| Whoopi Goldberg | 82.0 | 67.0 |
| Jackie Chan | 78.0 | 76.0 |
| Mussum | 75.0 | — |
| Anne Hathaway | 74.0 | — |
| Steve Guttenberg | 72.0 | — |
| Tom Hanks | 66.0 | 61.0 |
| Martin Lawrence | — | 48.0 |
| Arnold Schwarzenegger | — | 48.0 |
| Michael J. Fox | — | 48.0 |
| Will Smith | — | 45.0 |
top_first_credit = pd.DataFrame(
first_credit.most_common(10),
columns=["pessoa", "exibições"],
)
ax = sns.barplot(
data=top_first_credit.sort_values("exibições"),
x="exibições",
y="pessoa",
color="#e9ad2f",
)
ax.set(
title="Pessoas mais recorrentes no primeiro crédito disponível",
xlabel="Exibições no recorte",
ylabel=None,
)
sns.despine()
plt.tight_layout()
plt.show()
Renato Aragão aparece com maior frequência tanto na soma dos créditos armazenados quanto na primeira posição dessas listas. A leitura deve considerar que o CSV guarda apenas o elenco disponível no enriquecimento, e não necessariamente os créditos completos de cada filme.
df["diff"].describe().rename(
{
"count": "registros",
"mean": "média",
"std": "desvio padrão",
"min": "mínimo",
"25%": "25%",
"50%": "mediana",
"75%": "75%",
"max": "máximo",
}
)registros 7540.000000
média 11.562334
desvio padrão 9.641111
mínimo 0.000000
25% 6.000000
mediana 9.000000
75% 14.000000
máximo 85.000000
Name: diff, dtype: float64fig, axes = plt.subplots(1, 2, figsize=(11, 4.5))
sns.histplot(data=df, x="diff", bins=35, color="#176b95", ax=axes[0])
axes[0].set(
title="Intervalo entre lançamento e exibição",
xlabel="Anos",
ylabel="Registros",
)
yearly_gap = df.groupby("year", as_index=False)["diff"].median()
sns.lineplot(data=yearly_gap, x="year", y="diff", color="#123f68", ax=axes[1])
axes[1].set(
title="Mediana do intervalo por ano de exibição",
xlabel="Ano da exibição",
ylabel="Mediana em anos",
)
sns.despine()
plt.tight_layout()
plt.show()
A mediana do recorte é de 9 anos entre lançamento e exibição. A distribuição é assimétrica e chega a intervalos muito maiores; por isso a mediana anual é mais legível do que uma média isolada.
gap_labels = ["0–5", "6–10", "11–25", "26–50", "51–100"]
df["gap_group"] = pd.cut(
df["diff"],
bins=[-1, 5, 10, 25, 50, 100],
labels=gap_labels,
)
gap_summary = (
df.groupby("gap_group", observed=True)["vote_average"]
.agg(registros="count", média="mean", mediana="median", mínimo="min", máximo="max")
.round(2)
)
gap_summary| registros | média | mediana | mínimo | máximo | |
|---|---|---|---|---|---|
| gap_group | |||||
| 0–5 | 1863 | 5.82 | 6.06 | 0.0 | 10.00 |
| 6–10 | 2593 | 6.00 | 6.10 | 0.0 | 10.00 |
| 11–25 | 2456 | 6.15 | 6.27 | 0.0 | 10.00 |
| 26–50 | 546 | 6.13 | 6.40 | 0.0 | 8.36 |
| 51–100 | 82 | 4.38 | 6.50 | 0.0 | 7.60 |
fig, axes = plt.subplots(1, 2, figsize=(12, 4.8))
sns.histplot(data=df, x="vote_average", bins=30, color="#176b95", ax=axes[0])
axes[0].set(
title="Distribuição das avaliações",
xlabel="Avaliação média no TMDB",
ylabel="Registros",
)
sns.boxplot(
data=df,
x="gap_group",
y="vote_average",
color="#dceef6",
showfliers=False,
ax=axes[1],
)
axes[1].set(
title="Avaliação por intervalo até a exibição",
xlabel="Anos entre lançamento e exibição",
ylabel="Avaliação média no TMDB",
)
sns.despine()
plt.tight_layout()
plt.show()
correlations = df[["diff", "year", "release_year", "vote_average"]].corr()
ax = sns.heatmap(
correlations,
annot=True,
fmt=".2f",
cmap="vlag",
center=0,
square=True,
)
ax.set_title("Correlação entre variáveis numéricas")
plt.tight_layout()
plt.show()
As faixas permitem comparar distribuições sem sugerir causalidade. A avaliação vem de uma fonte externa e não mede a recepção específica da exibição na televisão; a correlação apenas resume associação linear dentro deste recorte.
O notebook original testava k-means com idade e avaliação. Aqui as variáveis são padronizadas antes do ajuste, para que a escala em anos não domine a escala de avaliação. O exercício é descritivo: não prevê futuras exibições e não define categorias naturais de filmes.
cluster_data = df[["diff", "vote_average"]].dropna()
scaled = StandardScaler().fit_transform(cluster_data)
cluster_diagnostics = []
for k in range(2, 7):
model = KMeans(n_clusters=k, n_init="auto", random_state=42)
labels = model.fit_predict(scaled)
cluster_diagnostics.append(
{
"grupos": k,
"inércia": model.inertia_,
"silhouette": silhouette_score(scaled, labels),
}
)
cluster_diagnostics = pd.DataFrame(cluster_diagnostics)
cluster_diagnostics.round(3)| grupos | inércia | silhouette | |
|---|---|---|---|
| 0 | 2 | 10938.466 | 0.666 |
| 1 | 3 | 6746.482 | 0.549 |
| 2 | 4 | 4938.138 | 0.366 |
| 3 | 5 | 4280.751 | 0.320 |
| 4 | 6 | 3492.788 | 0.341 |
fig, axes = plt.subplots(1, 2, figsize=(11, 4.4))
sns.lineplot(
data=cluster_diagnostics,
x="grupos",
y="inércia",
marker="o",
color="#176b95",
ax=axes[0],
)
axes[0].set(title="Inércia por número de grupos", xlabel="Grupos", ylabel="Inércia")
sns.lineplot(
data=cluster_diagnostics,
x="grupos",
y="silhouette",
marker="o",
color="#e9ad2f",
ax=axes[1],
)
axes[1].set(
title="Separação média dos grupos",
xlabel="Grupos",
ylabel="Silhouette",
)
sns.despine()
plt.tight_layout()
plt.show()
final_model = KMeans(n_clusters=2, n_init="auto", random_state=42)
cluster_plot = cluster_data.assign(grupo=final_model.fit_predict(scaled).astype(str))
ax = sns.scatterplot(
data=cluster_plot,
x="diff",
y="vote_average",
hue="grupo",
alpha=0.55,
s=32,
)
ax.set(
title="Agrupamento exploratório: intervalo e avaliação",
xlabel="Anos entre lançamento e exibição",
ylabel="Avaliação média no TMDB",
)
ax.legend(title="Grupo")
sns.despine()
plt.tight_layout()
plt.show()
Questões sobre gênero, público-alvo e previsão de futuras exibições permanecem como trabalho futuro no escopo original do projeto.