Популярность ≠ качество

«The Movies Dataset» (метаданные TMDB) — большой и достаточно “живой” набор данных о фильмах: в нём есть не только названия и даты релиза, но и жанры, зрительские оценки, число голосов, показатели популярности, а также финансовые метрики (бюджет и сборы). Мне было интересно взять именно эти данные, потому что в кино часто расходятся два понятия: популярность (что обсуждают и что массово смотрят) и качество/восприятие (насколько зрителям действительно понравилось). За счёт объёма и разнообразия признаков этот датасет хорошо подходит для анализа таких различий и поиска закономерностей.

В этом проекте я анализирую фильмы на основе movies_metadata.csv из Kaggle (The Movies Dataset). В ходе работы данные были очищены и подготовлены для анализа: я привела типы столбцов к корректным (даты и числа), выделила год релиза, обработала жанры и рассчитала взвешенный рейтинг, который учитывает не только среднюю оценку, но и количество голосов (чтобы отделить “случайно высокий рейтинг” от устойчивого). Далее я визуализировала результаты с помощью разных типов графиков (распределение рейтингов, сравнение жанров, связь бюджета и сборов, динамика по годам). Такой анализ позволяет увидеть, как связаны оценки, популярность и коммерческий успех, и сделать выводы о том, где “успех” действительно совпадает с “качеством”, а где — нет.

Цель визуализации: объяснить различие между рейтингом, популярностью и коммерческим успехом. Выбранные виды графиков:

1. Гистограмма рейтингов Почему: показать распределение и “типичную” оценку, а не отдельные примеры.
2. Столбчатая диаграмма (горизонтальная) + доверительные интервалы: жанры vs взвешенный рейтинг Почему: сравнение групп + честно показываем неопределённость.
3. Линейный график по годам: медианный рейтинг и количество релизов Почему: тренды/динамика во времени.

• загрузка CSV в Pandas
• удаление дубликатов
• приведение типов: дата/числа
• фильтрация строк без ключевых полей (год, оценка, число голосов)

Жанры хранятся строкой в формате JSON‑подобного списка.

Фильм с 10 голосами и оценкой 9.5 нельзя сравнивать напрямую с фильмом с 50 000 голосов и оценкой 8.1. Использован IMDb‑style weighted rating:

• R — vote_average
• v — vote_count
• C— средняя оценка по датасету
• m — порог голосов (в проекте: 90‑й перцентиль)

Цель стилизации: сделать консистентную “редакционную” инфографику: светлый фон, воздух, один акцентный цвет, аккуратные подписи. Что сделано кодом:

• единый фон и сетка
• палитра (accent + нейтральные)
• единые размеры, шрифты
• сохранение графиков в PNG для презентации

Я использовала ChatGPT как помощник:

• чтобы собрать план анализа и список подходящих графиков
• чтобы продумать единый стиль визуализации (палитра, сетка, подписи)
• чтобы сделать структуру презентации и формулировки выводов

Примеры промптов (можно вставить 2–4 штуки):

• «Предложи 4–6 разных типов графиков для анализа TMDB, чтобы был data‑story.»
• «Сделай светлый редакционный стиль для matplotlib: фон, сетка, цвета, шрифт, сохранение PNG.»
• «Как корректно сравнивать фильмы с разным числом голосов? Предложи метрику и объяснение для презентации.»
• «Сгенерируй структуру презентации: вводная, этапы, методы, выводы.»

• Большинство фильмов имеют рейтинг в узком диапазоне.
• Среднее и медиана близки, поэтому “типичный” фильм оценивают примерно одинаково.
• Это объясняет, почему для сравнения важнее дополнительные факторы (жанр, число голосов, популярность).

• Средний взвешенный рейтинг различается между жанрами.
• Доверительные интервалы показывают, что разница не всегда “абсолютна”: есть перекрытия.
• Визуально это честнее, чем просто ранжировать жанры по среднему значению.

• В среднем больший бюджет связан с большими сборами, но разброс огромный.
• Лог‑шкала нужна, потому что распределение денег крайне неравномерно (редкие блокбастеры).
• Вывод: инвестиции повышают “потолок”, но успех не гарантирован.

• Количество фильмов по годам меняется сильнее, чем медианный рейтинг.
• Рынок расширяется/сжимается, но оценки остаются относительно стабильными.
• Для выводов о “качестве эпохи” важно учитывать, что меняется объём выпуска.