Práctica 3 – EDA Netflix Dataset con pandas¶

📖 Tiempo de lectura: ~5 min (1,101 palabras)

Autores: G1: Joaquín Batista, Milagros Cancela, Valentín Rodríguez, Alexia Aurrecoechea, Nahuel López
Fecha: 20/08/2025
Entorno: Python + Pandas
Referencia: Tarea 3: EDA Netflix con Visualizaciones

🎯 Objetivos¶

El propósito de esta práctica es realizar un análisis exploratorio completo del dataset de Netflix siguiendo la metodología CRISP-DM. A través de visualizaciones avanzadas y técnicas de análisis de datos, se busca:

Comprender el catálogo de Netflix desde una perspectiva de negocio
Identificar patrones temporales en la producción de contenido
Analizar distribuciones geográficas y de géneros
Detectar outliers y anomalías en los datos
Crear un dashboard informativo con múltiples visualizaciones
Aplicar herramientas de profiling automático para validar hallazgos

🎬 Contexto de Negocio (CRISP-DM)¶

Problema de Negocio¶

Netflix necesita entender mejor su catálogo para tomar decisiones estratégicas sobre:

Adquisición de contenido por región y género
Estrategias de producción basadas en tendencias temporales
Optimización del catálogo según preferencias de audiencia
Expansión geográfica informada por datos

Variables Clave¶

Tipo de contenido: Movies vs TV Shows
Distribución geográfica: Países de origen
Evolución temporal: Años de lanzamiento y tendencias
Categorización: Géneros y ratings
Duración: Minutos (películas) y temporadas (series)

🔧 Requisitos y Dependencias¶

Librerías Utilizadas¶

import pandas as pd           # Manipulación de datos
import numpy as np            # Operaciones numéricas
import matplotlib.pyplot as plt  # Visualizaciones básicas
import seaborn as sns         # Visualizaciones estadísticas
from ydata_profiling import ProfileReport  # EDA automático

Dataset¶

Fuente: Netflix Titles - Kaggle
Tamaño: ~8,000+ títulos
Período: Contenido desde 1920s hasta 2021+
Cobertura: Global (múltiples países)

📊 Metodología de Análisis¶

1. Setup y Configuración¶

Configuración de estilos visuales profesionales
Importación y verificación de librerías
Establecimiento de paletas de colores consistentes

2. Carga y Exploración Inicial¶

Carga del dataset desde URL remota
Inspección de estructura y tipos de datos
Análisis de dimensiones y columnas disponibles

3. Análisis de Calidad de Datos¶

Detección de valores faltantes por columna
Visualización de patrones de missing data
Identificación de outliers temporales (fechas atípicas)
Detección de anomalías en datos categóricos

4. Análisis Exploratorio por Dimensiones¶

🎭 Análisis de Tipos de Contenido¶

Distribución Movies vs TV Shows
Gráficos de torta y barras comparativos
Análisis de proporciones y tendencias

📅 Análisis Temporal¶

Evolución del catálogo por décadas
Tendencias de producción de Movies vs TV Shows
Identificación de períodos de crecimiento

🌍 Análisis Geográfico¶

Top países productores de contenido
Distribución geográfica por tipo de contenido
Mapas de calor de producción por región

🎨 Análisis de Géneros y Ratings¶

Géneros más populares (expansión de listas)
Distribución de ratings por edad
Análisis cruzado género-rating-tipo

5. Dashboard Integrado¶

Creación de un dashboard completo que incluye:

Panel de distribuciones principales
Evolución temporal con área charts
Rankings geográficos con barras horizontales
Análisis de ratings con gráficos agrupados
Heatmap de evolución por décadas y tipo

Dashboard completo con análisis multidimensional del catálogo de Netflix

📈 Principales Hallazgos¶

Distribución de Contenido¶

68.4% del catálogo son películas
31.6% son series de TV
Crecimiento exponencial del contenido desde 2000+

Patrones Temporales¶

Boom de producción en la década 2010-2020
Pico máximo alrededor de 2017-2019
Diversificación hacia series en años recientes

Distribución Geográfica¶

Estados Unidos lidera la producción (dominancia clara)
India como segundo productor importante
Reino Unido, Canadá en posiciones relevantes

Análisis de Géneros¶

Dramas Internacionales como género predominante
Documentales con fuerte presencia
Comedias distribuidas entre movies y shows

🚀 BONUS: Profiling Automático con ydata-profiling¶

🤖 EDA Automático con ydata-profiling¶

Implementación de análisis automático usando ydata-profiling para:

Validar hallazgos manuales con análisis estadístico automático
Detectar correlaciones no evidentes
Generar reportes HTML completos y navegables
Identificar alertas de calidad de datos

Configuración y Ejecución¶

from ydata_profiling import ProfileReport

# Crear perfil completo del dataset
profile = ProfileReport(
    df, 
    title="Netflix Dataset - EDA Report",
    explorative=True,
    minimal=False
)

# Generar reporte HTML
profile.to_file("netflix_eda_report.html")

📊 Reporte Automático Generado¶

Ver Reporte Completo de EDA Automático 📈

El reporte generado incluye:

Análisis estadístico completo de todas las variables
Detección automática de outliers y valores atípicos
Matriz de correlaciones interactiva
Alertas de calidad de datos
Distribuciones detalladas por variable
Análisis de interacciones entre variables

🎨 Visualizaciones Implementadas¶

Gráficos de Distribución¶

Pie charts para proporciones de contenido
Histogramas para análisis de duración
Box plots para detección de outliers

Análisis Temporal¶

Line plots para evolución temporal
Area charts para tendencias acumulativas
Heatmaps para patrones por décadas

Análisis Geográfico¶

Bar plots horizontales para rankings de países
Stacked bars para análisis por tipo de contenido

Análisis Categórico¶

Bubble charts para géneros populares
Grouped bar plots para ratings
Correlation heatmaps para relaciones entre variables

📊 Estructura de Resultados¶

results/
├── visualizaciones/
│   ├── distribucion_contenido.png
│   ├── evolucion_temporal.png
│   ├── analisis_geografico.png
│   ├── generos_ratings.png
│   └── dashboard_completo.png
├── reportes/
│   ├── netflix_eda_report.html
│   └── estadisticas_principales.txt
└── datos_procesados/
    ├── netflix_clean.csv
    └── generos_expandidos.csv

🔍 Insights de Negocio¶

Para Estrategia de Contenido¶

Enfoque en series: Crecimiento sostenido en TV Shows
Mercados emergentes: Oportunidades en India y Asia
Géneros nicho: Documentales con alta demanda

Para Decisiones de Producción¶

Duración óptima: Películas entre 90-120 minutos
Series cortas: 1-3 temporadas tienen mejor adopción
Contenido internacional: Alta demanda y menor saturación

🤔 Reflexiones y Aprendizajes¶

Metodología¶

Importancia del análisis sistemático siguiendo CRISP-DM
Valor de múltiples perspectivas (temporal, geográfica, categórica)
Complementariedad entre análisis manual y automático

Herramientas¶

pandas: Potencia para manipulación de datos complejos
seaborn: Elegancia en visualizaciones estadísticas
ydata-profiling: Eficiencia en análisis exploratorio inicial

Insights Técnicos¶

Manejo de datos faltantes requiere estrategias específicas
Expansión de listas categóricas (géneros) revela patrones ocultos
Detección de outliers temporales es crucial en datasets históricos

🚀 Próximos Pasos¶

Análisis Avanzados Propuestos¶

Análisis de sentimientos en descripciones
Clustering de contenido por características similares
Modelos predictivos para éxito de contenido
Análisis de redes entre actores/directores

Herramientas a Explorar¶

Plotly: Visualizaciones interactivas
Folium: Mapas geográficos dinámicos
Streamlit: Dashboards web interactivos

📚 Referencias¶

📋 Notas de Implementación¶

Reproducibilidad: Todo el código está documentado y es ejecutable
Escalabilidad: Metodología aplicable a otros datasets de streaming
Profesionalismo: Siguiendo estándares de la industria para EDA
Aprendizaje: Balanceando exploración guiada con descubrimiento independiente