Oceny filmów i ich przewidywanie

Od czego zależą oceny filmów?

Jak będzie oceniony film, który dopiero powstaje?

Dawno temu, czyli gdzieś około roku, może nawet półtora temu, zebrałem z Filmwebu prawie całą ówczesną bazę danych o filmach. Wykorzystałem biblioteki napisane w PHP korzystające z (nie)oficjalnego API Filmwebu budując skrypt, który dla kolejnych ID “produktów” (produktów, bo Filmweb ma nie tylko filmy, ale również seriale i gry) i pobierał odpowiednie informacje (do ID bodaj 770 tys.): rok produkcji filmu, jego polski i oryginalny tytuł, czas trwania, gatunki, twórców i obsadę oraz liczbę ocen i średnią ocenę (na moment pobrania danych). Powstało kilka plików CSV (pliki relacyjne) z dużą ilością danych. Dzisiaj z tego skorzystamy i pooglądamy jak zmieniał się przemysł filmowy.

Pliki zgromadzone zostały w formie CSV, po wyczyszczeniu danych wpakowałem wszystko w jeden plik z danymi. Wczytajmy sobie te dane:

library(tidyverse)
library(gridExtra)

theme_set(theme_minimal())

load("filmweb_data.rda")

library(tidyverse)

library(gridExtra)

theme_set(theme_minimal())

load("filmweb_data.rda")

Na początek zobaczymy jak zmieniają się oceny filmów w zależności od roku produkcji.

Aby dane o ocenie były wiarygodne potrzebujemy jakiejś próbki ocen – liczba oddanych głosów musi być znacząca, aby średnia była wiarygodna. Przyjmijmy, że jest to 70-percentyl (czyli będziemy brać pod uwagę tylko te filmy na które oddano “górne” 30% liczby głosów), co daje co najmniej 234 głosów.

# minimalna liczba głosów
minFilmVotes <- quantile(movies$FilmVotes, 0.7, na.rm = TRUE)

movies %>%
   filter(FilmVotes >= minFilmVotes) %>%
   ggplot() +
   geom_point(aes(filmYear, filmRate), color="lightgreen", alpha=0.1) +
   geom_smooth(aes(filmYear, filmRate), color="blue") +
   scale_x_continuous(breaks = seq(1880, 2020, 10)) +
   scale_y_continuous(breaks = 1:10, limits = c(0,10)) +
   labs(x = "Rok produkcji", y = "Ocena filmu")

# minimalna liczba głosów

minFilmVotes <- quantile(movies$FilmVotes, 0.7, na.rm = TRUE)

movies %>%

filter(FilmVotes >= minFilmVotes) %>%

ggplot() +

geom_point(aes(filmYear, filmRate), color="lightgreen", alpha=0.1) +

geom_smooth(aes(filmYear, filmRate), color="blue") +

scale_x_continuous(breaks = seq(1880, 2020, 10)) +

scale_y_continuous(breaks = 1:10, limits = c(0,10)) +

labs(x = "Rok produkcji", y = "Ocena filmu")

Po gęstości upakowania zielonych punktów widać, że produkuje się coraz więcej filmów. Jednocześnie widać też, że rozpiętość ocen dla tych filmów jest coraz większa – wiadomo, im więcej produkujesz tym większa szansa na arcydzieło jak i na babola. Trend jest jednak taki, że nowsze filmy są coraz niżej oceniane (średnio).

Zobaczmy jeszcze jak wygląda rozkład ocen – czyli jakie oceny nadawane są najczęściej (to trochę uproszczenie, bo mamy tylko ocenę średnią, ale przecież bierze się ona ze składowych):

movies %>%
   filter(FilmVotes >= minFilmVotes) %>%
   ggplot() +
   geom_histogram(aes(filmRate),
                  fill="lightgreen", color="black",
                  binwidth = 1) +
   scale_x_continuous(limits = c(0,10), breaks = 1:10) +
   labs(x = "Ocena filmu")

movies %>%

filter(FilmVotes >= minFilmVotes) %>%

ggplot() +

geom_histogram(aes(filmRate),

fill="lightgreen", color="black",

binwidth = 1) +

scale_x_continuous(limits = c(0,10), breaks = 1:10) +

labs(x = "Ocena filmu")

Najczęściej nadawaną oceną jest siódemka, następna w kolejności jest szóstka. Ocen skrajnych jest mało. I tak jest zawsze jeśli mamy tego typu skalę i dużo produktów do oceny. Co ciekawe – przy obliczaniu NPS (Net Promoter Score – wersja angielska tłumaczy jak liczy się ten wskaźnik) wartości 7 i 8 nie są brane pod uwagę.

Z czego może wynikać ta popularność szóstek i siódemek? Z kilku powodów:

oceniamy filmy, które widzieliśmy, bo przecież nie będziemy marnować czasu na gnioty i wybieramy raczej coś potencjalnie wartościowego. Taki wybór nas zadowala (ocena dobra lub bardzo dobra w skali Filmwebu) stąd najwięcej ocen 6 i 7
filmów wybitnych jest mało
gniotów jest mało, albo ich nie oglądamy (patrz punkt pierwszy)
w zestawieniu z ocenami zależnymi od roku produkcji może być trochę tak, że cenimy filmy stare, bo ktoś powiedział że to arcydzieła – nawet jeśli “Obywatel Kane” jest nudny (nie jest, jest rewelacyjny) to dajemy mu 8, 9 albo i 10 gwiazdek, bo to w końcu najlepszy film wszech czasów… według krytyków, Akademii i tak dalej, i tak dalej…
druga opcja tłumacząca wyższe oceny dla starszych filmów to sentyment – film widzieliśmy dawno, niewiele pamiętamy, a to co pamiętamy to głównie emocje wokół seansu (bo byliśmy pierwszy raz w kinie, bo byliśmy młodzi i ogólnie bardziej oceniamy młodość niż sam film)

Ja dodatkowo oceniam filmy w kontekście – przede wszystkim gatunku, ale też czasu powstania filmu i tego co twórcy mieli szansę zobaczyć wcześniej. Dlatego właśnie “Obywatel Kane” jest w mojej opinii arcydziełem – przed tym filmem nie było takiego grania światłem, nie było ujęć z podłogi, a także nie było takiego sposobu prowadzenia opowieści.

Z ciekawości policzmy coś w rodzaju wskaźnika NPS dla gatunków:

library(reshape2)

NPS <- movies %>%
   filter(FilmVotes >= minFilmVotes) %>%
   mutate(filmRate=round(filmRate)) %>%
   left_join(movie_genres, by="filmID") %>%
   filter(!is.na(genreID)) %>%
   select(genreID, filmRate) %>%
   dcast(genreID ~ filmRate, length)

NPS$Bad <- rowSums(NPS[, 2:6])/rowSums(NPS[,2:10]) # za złe oceny unajemy 1-5 włącznie
NPS$Good <- rowSums(NPS[, 9:10])/rowSums(NPS[,2:10]) # za dobre - 8-10
NPS$NPS <- 100*(NPS$Good - NPS$Bad)

NPS %>%
   select(genreID, NPS) %>%
   left_join(dict_genre, by="genreID") %>%
   arrange(NPS) %>%
   mutate(genreName = factor(genreName, levels=genreName)) %>%
   ggplot() +
   geom_bar(aes(genreName, NPS,
                fill = ifelse(NPS > 0, "good", "bad")),
            color = "black",
            stat = "identity", show.legend = FALSE) +
   geom_text(aes(genreName, y = ifelse(NPS > 0, -5, 5),
                 label = round(NPS, 1))) +
   geom_hline(yintercept = 50, color = "blue") +
   coord_flip() +
   labs(x = "Gatunek", y = "NPS") +
   scale_fill_manual(values = c("good" = "lightgreen", "bad" = "red")) +
   scale_y_continuous(breaks = seq(-100, 100, 25))

library(reshape2)

NPS <- movies %>%

filter(FilmVotes >= minFilmVotes) %>%

mutate(filmRate=round(filmRate)) %>%

left_join(movie_genres, by="filmID") %>%

filter(!is.na(genreID)) %>%

select(genreID, filmRate) %>%

dcast(genreID ~ filmRate, length)

NPS$Bad <- rowSums(NPS[, 2:6])/rowSums(NPS[,2:10]) # za złe oceny unajemy 1-5 włącznie

NPS$Good <- rowSums(NPS[, 9:10])/rowSums(NPS[,2:10]) # za dobre - 8-10

NPS$NPS <- 100*(NPS$Good - NPS$Bad)

NPS %>%

select(genreID, NPS) %>%

left_join(dict_genre, by="genreID") %>%

arrange(NPS) %>%

mutate(genreName = factor(genreName, levels=genreName)) %>%

ggplot() +

geom_bar(aes(genreName, NPS,

fill = ifelse(NPS > 0, "good", "bad")),

color = "black",

stat = "identity", show.legend = FALSE) +

geom_text(aes(genreName, y = ifelse(NPS > 0, -5, 5),

label = round(NPS, 1))) +

geom_hline(yintercept = 50, color = "blue") +

coord_flip() +

labs(x = "Gatunek", y = "NPS") +

scale_fill_manual(values = c("good" = "lightgreen", "bad" = "red")) +

scale_y_continuous(breaks = seq(-100, 100, 25))

Jak czytać ten wykres? Im dłuższy zielony pasek tym większa jest przewaga ocen dobrych nad złymi. Za oceny dobre uznajemy tutaj 8 gwiazdek i więcej, za złe – do pięciu gwiazdek włącznie. Wskaźnik NPS mówi o tym jak bardzo klienci są skłonni polecać usługę lub towar znajomym (im większy tym bardziej, wartości poniżej zera to już odradzanie; wartości powyżej 50 uznawane są jako “doskonałe”). Tutaj w jakimś uproszczeniu możemy przyjąć, że filmy przyrodnicze będą polecane (jako interesujące, z ładnymi zdjęciami – na pewno mają przewagę ocen wysokich nad niższymi), a filmy z kategorii “xxx” (też można by powiedzieć, że przyrodnicze…) będą odradzane, nie należy ich oglądać. Bo są słabo oceniane, a nie ze względu na treść.

Na koniec tych rozważań zobaczmy najlepsze filmy według roku produkcji:

movies %>%
   filter(FilmVotes >= minFilmVotes) %>%
   select(filmID, filmTitle, filmYear, filmRate) %>%
   group_by(filmYear) %>%
   mutate(filmRate_max = max(filmRate)) %>%
   ungroup() %>%
   filter(filmRate == filmRate_max) %>%
   select(filmYear, filmTitle, filmRate) %>%
   arrange(filmYear) %>%
   mutate(filmRate = round(filmRate, 2)) %>%
   knitr::kable()

movies %>%

filter(FilmVotes >= minFilmVotes) %>%

select(filmID, filmTitle, filmYear, filmRate) %>%

group_by(filmYear) %>%

mutate(filmRate_max = max(filmRate)) %>%

ungroup() %>%

filter(filmRate == filmRate_max) %>%

select(filmYear, filmTitle, filmRate) %>%

arrange(filmYear) %>%

mutate(filmRate = round(filmRate, 2)) %>%

knitr::kable()

Rok	Tytuł	Ocena
1888	Roundhay Garden Scene	7.10
1894	Kamera Edisona rejestruje kichnięcie	4.46
1895	Wjazd pociągu na stację w Ciotat	7.26
1896	Rezydencja diabła	6.39
1897	Zaczarowana gospoda	6.30
1898	Un homme de tetes	7.24
1900	Człowiek orkiestra	7.13
1901	Człowiek z gumową głową	7.17
1902	Podróż na Księżyc	7.79
1903	Napad na ekspres	7.01
1904	Podróż do krainy niemożliwości	7.14
1905	Le Diable noir	6.54
1906	Humorous Phases of Funny Faces	6.35
1908	Fantasmagoria	6.57
1910	Frankenstein	6.59
1912	Zemsta kinooperatora	7.71
1913	Student z Pragi	6.78
1914	Gertie the Dinosaur	6.45
1915	Włóczęga	7.24
1916	Nietolerancja	7.32
1917	Imigrant	7.62
1918	Pieskie życie	7.67
1919	Skarb rodu Arne	7.39
1920	Gabinet doktora Caligari	7.95
1921	Brzdąc	8.11
1922	Doktor Mabuse	8.08
1923	Jeszcze wyżej	8.02
1924	Nibelungi: Zemsta Krymhildy	8.03
1925	Gorączka złota	7.88
1926	Generał	8.04
1927	Metropolis	8.09
1928	Męczeństwo Joanny d’Arc	8.24
1929	Człowiek z kamerą filmową	8.11
1930	Błękitny anioł	7.76
1931	Światła wielkiego miasta	8.17
1932	Jestem zbiegiem	8.17
1933	Królowa Krystyna	7.80
1934	Ich noce	7.93
1935	Noc w operze	7.90
1936	Dzisiejsze czasy	8.14
1937	Bohaterowie morza	8.24
1938	Miasto chłopców	8.26
1939	Burzliwe lata dwudzieste	7.96
1940	Pożegnalny walc	8.17
1941	Małe liski	8.01
1942	Trzy kamelie	8.02
1943	Kruk	7.89
1944	Gasnący płomień	8.05
1945	Komedianci	8.14
1946	To wspaniałe życie	8.16
1947	Konik Garbusek	7.98
1948	Czerwone trzewiki	7.89
1949	Dziedziczka	8.13
1950	Bulwar Zachodzącego Słońca	8.16
1951	As w potrzasku	7.94
1952	Zakazane zabawy	8.00
1953	Cena strachu	7.98
1954	Siedmiu samurajów	8.04
1955	Rififi	8.14
1956	Między linami ringu	7.95
1957	Dwunastu gniewnych ludzi	8.64
1958	Ballada o Narayamie	8.14
1959	Darby O’Gill and the Little People	8.31
1960	Kto sieje wiatr	8.15
1961	Wyrok w Norymberdze	8.29
1962	Forever My Love	8.05
1963	Niebo i piekło	8.02
1964	Siedem dni w maju	8.22
1965	Za kilka dolarów więcej	8.09
1966	Dobry, zły i brzydki	8.23
1967	Bunt	8.30
1968	Monterey Pop	8.14
1969	Butch Cassidy i Sundance Kid	7.97
1970	Woodstock	8.13
1971	Johnny poszedł na wojnę	8.09
1972	Ojciec chrzestny	8.67
1973	Ziggy Stardust and the Spiders from Mars	8.15
1974	Ojciec chrzestny II	8.50
1975	Lot nad kukułczym gniazdem	8.54
1976	Pieśń pozostaje ta sama	8.26
1977	Biurowy romans	7.98
1978	Łowca jeleni	8.11
1979	Czas Apokalipsy	8.17
1980	Gwiezdne wojny: Część V – Imperium kontratakuje	8.14
1981	Amerykańska muzyka pop	8.17
1982	Ściana	8.15
1983	Człowiek z blizną	8.31
1984	Dawno temu w Ameryce	8.20
1985	Idź i patrz	8.14
1986	Pluton	8.16
1987	Metallica: Cliff ’Em All	8.14
1988	Dekalog V	8.14
1989	101	8.29
1990	Chłopcy z ferajny	8.33
1991	Milczenie owiec	8.26
1992	Baraka	8.20
1993	Lista Schindlera	8.39
1994	Skazani na Shawshank	8.77
1995	Siedem	8.32
1996	Kiedy nadejdzie sobota	8.36
1997	George Wallace	8.42
1998	Więzień nienawiści	8.21
1999	Zielona mila	8.64
2000	Freddie Mercury, the Untold Story	8.15
2001	Piękny umysł	8.29
2002	Władca Pierścieni: Dwie wieże	8.32
2003	Władca Pierścieni: Powrót króla	8.39
2004	Rubí… La descarada	8.56
2005	Ashes and Snow	8.25
2006	Lisiczka	8.15
2007	Punk’s Not Dead	8.25
2008	House, M.D., Season Four: New Beginnings	8.33
2009	Iron Maiden: Flight 666	8.13
2010	Incepcja	8.28
2011	Nietykalni	8.71
2012	Django	8.29
2013	Mandarynki	8.08
2014	Sól ziemi	8.35
2015	Pokój	8.01
2016	Zwierzogród	8.24

A czy z postępem technologii idzie wydłużenie czasu trwania filmu?

movies %>%
   filter(!is.na(FilmDuration)) %>%
   filter(FilmDuration <= quantile(FilmDuration, 0.999)) %>%
   ggplot() +
   geom_point(aes(filmYear, FilmDuration), color="lightgreen", alpha=0.1) +
   geom_smooth(aes(filmYear, FilmDuration), color="blue") +
   scale_x_continuous(breaks = seq(1880, 2020, 10)) +
   scale_y_continuous(breaks = seq(0, 300, 30)) +
   labs(x = "Rok", y = "Czas trwania filmu")

movies %>%

filter(!is.na(FilmDuration)) %>%

filter(FilmDuration <= quantile(FilmDuration, 0.999)) %>%

ggplot() +

geom_point(aes(filmYear, FilmDuration), color="lightgreen", alpha=0.1) +

geom_smooth(aes(filmYear, FilmDuration), color="blue") +

scale_x_continuous(breaks = seq(1880, 2020, 10)) +

scale_y_continuous(breaks = seq(0, 300, 30)) +

labs(x = "Rok", y = "Czas trwania filmu")

Dość przewidywalne wyniki, zależne początkowo od technologii (ciężki i grzejący się sprzęt, droga taśma), trochę pewnie też percepcji widzów szczególnie na początku XX wieku. Po II wojnie światowej ukonstytuowały się pewne standardy, między innymi około 90-110 minut czasu trwania filmu i tak już pozostało co czasów obecnych.

Mamy też smugi w okolicach 10 minut(etiudy), 30 minut (krótkie filmy dokumentalne) i 60 minut (festiwalowy limit 60 minut dla filmów krótkometrażowych).

Popatrzmy na to w inny sposób:

movies %>%
   filter(!is.na(FilmDuration)) %>%
   filter(FilmDuration <= quantile(FilmDuration, 0.999)) %>%
   ggplot() +
   geom_histogram(aes(FilmDuration),
                  fill="lightgreen", color="black", binwidth = 5) +
   scale_x_continuous(breaks = seq(0, 240, 15)) +
   labs(x = "Czas trwania filmu")

movies %>%

filter(!is.na(FilmDuration)) %>%

filter(FilmDuration <= quantile(FilmDuration, 0.999)) %>%

ggplot() +

geom_histogram(aes(FilmDuration),

fill="lightgreen", color="black", binwidth = 5) +

scale_x_continuous(breaks = seq(0, 240, 15)) +

labs(x = "Czas trwania filmu")

Sprawdźmy teraz czy ocena zależy od czasu trwania filmu?

movies %>%
   filter(!is.na(FilmDuration)) %>%
   filter(FilmDuration <= quantile(FilmDuration, 0.999)) %>%
   filter(FilmVotes >= minFilmVotes) %>%
   ggplot() +
   geom_point(aes(FilmDuration, filmRate), color="lightgreen", alpha=0.1) +
   geom_smooth(aes(FilmDuration, filmRate), color="blue") +
   scale_x_continuous(breaks = seq(0, 240, 15)) +
   scale_y_continuous(limits = c(0,10), breaks = 1:10) +
   labs(x = "Czas trwania filmu", y = "Ocena filmu")

movies %>%

filter(!is.na(FilmDuration)) %>%

filter(FilmDuration <= quantile(FilmDuration, 0.999)) %>%

filter(FilmVotes >= minFilmVotes) %>%

ggplot() +

geom_point(aes(FilmDuration, filmRate), color="lightgreen", alpha=0.1) +

geom_smooth(aes(FilmDuration, filmRate), color="blue") +

scale_x_continuous(breaks = seq(0, 240, 15)) +

scale_y_continuous(limits = c(0,10), breaks = 1:10) +

labs(x = "Czas trwania filmu", y = "Ocena filmu")

Widać spadek dla filmów dłuższych niż godzina (60-90 minut). Strzelam, że są to formaty telewizyjne (półtoragodzinny blok w programie – film plus reklamy), które są – nie ukrywajmy – słabszymi produkcjami niż filmy przeznaczone do dystrybucji kinowej. Aby potwierdzić taką tezę należałoby znaleźć te filmy i sprawdzić co to za gatunki… tyle tylko, że nie mamy gatunku “film telewizyjny” ;)

Zobaczmy teraz jak zmieniała się popularność poszczególnych gatunków z upływem czasu. Ważne jest to, co zaburza trochę wyniki – jeden film może należeć do kilku gatunków (na przykład niemy dramat wojenny sci-fi – #oglądałbym :-).

movies %>%
   select(filmID, filmYear) %>%
   left_join(movie_genres, by="filmID") %>%
   filter(!is.na(genreID)) %>%
   count(filmYear, genreID) %>%
   mutate(p = 100*n/sum(n)) %>%
   ungroup() %>%
   left_join(dict_genre, by="genreID") %>%
   ggplot() +
   geom_bar(aes(filmYear, p, fill=genreName),
            stat="identity", color=NA, show.legend = FALSE) +
   labs(x = "Rok", y = "Procent filmów") +
   scale_x_continuous(breaks = seq(1880, 2020, 10))

movies %>%

select(filmID, filmYear) %>%

left_join(movie_genres, by="filmID") %>%

filter(!is.na(genreID)) %>%

count(filmYear, genreID) %>%

mutate(p = 100*n/sum(n)) %>%

ungroup() %>%

left_join(dict_genre, by="genreID") %>%

ggplot() +

geom_bar(aes(filmYear, p, fill=genreName),

stat="identity", color=NA, show.legend = FALSE) +

labs(x = "Rok", y = "Procent filmów") +

scale_x_continuous(breaks = seq(1880, 2020, 10))

Statyczny wykres jest nieczytelny (przed skalę kolorów), zobaczmy wersję interaktywną – najedź na pasek, zobaczysz informacje w dymku:

&lt;br /&gt;

Popatrzmy na to sumarycznie (bez rozdzielania na poszczególne lata) – jaki jest podział procentowy filmów wyprodukowanych w XXI wieku pomiędzy gatunki? Weźmy tylko 20 najpopularniejszych gatunków:

movies %>%
   select(filmID, filmYear) %>%
   filter(filmYear >= 2000) %>%
   left_join(movie_genres, by="filmID") %>%
   filter(!is.na(genreID)) %>%
   count(genreID) %>%
   mutate(p = 100*n/sum(n)) %>%
   ungroup() %>%
   left_join(dict_genre, by="genreID") %>%
   top_n(20, wt = p) %>%
   arrange(p) %>%
   mutate(genreName = factor(genreName, levels=genreName)) %>%
   ggplot() +
   geom_bar(aes(genreName, p), stat="identity",
            fill="lightgreen", color="black") +
   geom_text(aes(genreName, p, label=paste0(round(p, 1), "%"),
                 hjust = ifelse(p > 5, 1.1, -0.2))) +
   coord_flip() +
   labs(x = "Gatunek", y = "Udział procentowy gatunku")

movies %>%

select(filmID, filmYear) %>%

filter(filmYear >= 2000) %>%

left_join(movie_genres, by="filmID") %>%

filter(!is.na(genreID)) %>%

count(genreID) %>%

mutate(p = 100*n/sum(n)) %>%

ungroup() %>%

left_join(dict_genre, by="genreID") %>%

top_n(20, wt = p) %>%

arrange(p) %>%

mutate(genreName = factor(genreName, levels=genreName)) %>%

ggplot() +

geom_bar(aes(genreName, p), stat="identity",

fill="lightgreen", color="black") +

geom_text(aes(genreName, p, label=paste0(round(p, 1), "%"),

hjust = ifelse(p > 5, 1.1, -0.2))) +

coord_flip() +

labs(x = "Gatunek", y = "Udział procentowy gatunku")

Ciekawe, ale bez odniesienia nie można wiele powiedzieć. Zobaczmy lata 1940-1970:

oraz podział przed 1940 rokiem:

Oczywiście w pierwszej połowie XX wieku dominowały filmy nieme. Ciekawy jest spory udział animacji w latach ’40-’70. W tym samym okresie widać wzrost liczby filmów wojennych i późniejszy jej spadek. Film noir istniał w latach ’40-’50. Thriller i horror zdobywają rynek w ostatnich latach, podobnie anime – nie istniało przed 2000 rokiem (albo nie załapało się do top 20). Bez względu na okres popularne są komedie i dramaty – w końcu kino to rozrywka.

Zobaczmy teraz jak zmieniał się udział filmów dziewięciu najpopularniejszych gatunków na przestrzeni lat?

movies %>%
   select(filmID, filmYear) %>%
   left_join(movie_genres, by="filmID") %>%
   filter(!is.na(genreID)) %>%
   count(filmYear, genreID) %>%
   mutate(p = 100*n/sum(n)) %>%
   ungroup() %>%
   group_by(genreID) %>%
   mutate(mp = mean(p)) %>%
   ungroup() %>%
   filter(mp >= 3.5) %>%
   left_join(dict_genre, by="genreID") %>%
   ggplot() +
   geom_area(aes(filmYear, p, fill=genreName), show.legend = FALSE) +
   facet_wrap(~genreName, ncol = 3) +
   labs(x = "Rok", y = "Udział procentowy gatunku")

movies %>%

select(filmID, filmYear) %>%

left_join(movie_genres, by="filmID") %>%

filter(!is.na(genreID)) %>%

count(filmYear, genreID) %>%

mutate(p = 100*n/sum(n)) %>%

ungroup() %>%

group_by(genreID) %>%

mutate(mp = mean(p)) %>%

ungroup() %>%

filter(mp >= 3.5) %>%

left_join(dict_genre, by="genreID") %>%

ggplot() +

geom_area(aes(filmYear, p, fill=genreName), show.legend = FALSE) +

facet_wrap(~genreName, ncol = 3) +

labs(x = "Rok", y = "Udział procentowy gatunku")

Potwierdza się to zaobserwowaliśmy wyżej przy okazji wykresów słupkowych:

film niemy się skończył
animacja popularna w latach 1930-1950 (Walt Disney?)
film dokumentalny zyskuje na popularności (a może po prostu Filmweb poszerza bazę o nowe produkcje, pomijając uzupełnianie historii?), a ogromny (jak na ten gatunek) udział w początkach historii kina to wszystkie te krótkie filmy typu “Wjazd pociągu na stację” czy “Wyjście robotników z fabryki” (oczywiście upraszczając)

Poszukajmy najlepszych filmów w poszczególnych gatunkach:

movies %>%
   filter(FilmVotes >= minFilmVotes) %>%
   select(filmID, filmTitle, filmYear, filmRate) %>%
   left_join(movie_genres, by="filmID") %>%
   filter(!is.na(genreID)) %>%
   distinct() %>%
   group_by(genreID) %>%
   mutate(filmRate_max = max(filmRate)) %>%
   ungroup() %>%
   filter(filmRate == filmRate_max) %>%
   left_join(dict_genre, by="genreID") %>%
   select(genreName, filmTitle, filmYear, filmRate) %>%
   arrange(genreName) %>%
   mutate(filmRate = round(filmRate, 2)) %>%
   knitr::kable()

movies %>%

filter(FilmVotes >= minFilmVotes) %>%

select(filmID, filmTitle, filmYear, filmRate) %>%

left_join(movie_genres, by="filmID") %>%

filter(!is.na(genreID)) %>%

distinct() %>%

group_by(genreID) %>%

mutate(filmRate_max = max(filmRate)) %>%

ungroup() %>%

filter(filmRate == filmRate_max) %>%

left_join(dict_genre, by="genreID") %>%

select(genreName, filmTitle, filmYear, filmRate) %>%

arrange(genreName) %>%

mutate(filmRate = round(filmRate, 2)) %>%

knitr::kable()

Gatunek	Tytuł	Rok	Ocena
akcja	Straż przyboczna	1961	8.08
animacja	Król Lew	1994	8.25
anime	Grobowiec świetlików	1988	8.07
biblijny	Dziesięcioro przykazań	1956	7.78
biograficzny	Nietykalni	2011	8.71
czarna komedia	Cremaster 3	2002	8.02
dla dzieci	Odwrócona góra albo film pod strasznym tytułem	2000	7.93
dokumentalizowany	Wszystko może się przytrafić	1995	8.13
dokumentalny	Sól ziemi	2014	8.35
dramat	Skazani na Shawshank	1994	8.77
dramat historyczny	Bunt	1967	8.30
dramat obyczajowy	W pogoni za szczęściem	2006	8.12
dreszczowiec	Człowiek, który się śmieje	1928	8.01
edukacyjny	Pieniądze jako dług	2006	7.44
erotyczny	Betty	1985	7.68
etiuda	Dzień babci	2015	8.00
fabularyzowany dok.	Uciekinier	2006	7.95
familijny	Darby O’Gill and the Little People	1959	8.31
fantasy	Władca Pierścieni: Powrót króla	2003	8.39
film-noir	Jestem zbiegiem	1932	8.17
gangsterski	Ojciec chrzestny	1972	8.67
groteska filmowa	Sztuka spadania	2004	7.79
historyczny	Wyrok w Norymberdze	1961	8.29
horror	Gabinet doktora Caligari	1920	7.95
karate	Czyniący cuda	1989	7.35
katastroficzny	Bez ostrzeżenia	1994	7.64
komedia	Nietykalni	2011	8.71
komedia dokumentalna	Monty Python w Hollywood	1982	8.00
komedia kryminalna	Żądło	1973	8.09
komedia obycz.	Wspomnienia Hiacynty Bukiet	1997	7.94
komedia rom.	Biurowy romans	1977	7.98
kostiumowy	Cienie zapomnianych przodków	1964	8.15
melodramat	Notre-Dame de Paris	1999	8.33
musical	Notre-Dame de Paris	1999	8.33
muzyczny	101	1989	8.29
niemy	Męczeństwo Joanny d’Arc	1928	8.24
nowele filmowe	Noc na Ziemi	1991	8.01
obyczajowy	Dzieci niebios	1997	8.07
poetycki	Ashes and Snow	2005	8.25
polityczny	George Wallace	1997	8.42
prawniczy	Zabić drozda	1962	7.93
propagandowy	The Union: The Business Behind Getting High	2007	7.94
przygodowy	Władca Pierścieni: Powrót króla	2003	8.39
przyrodniczy	Earth	2007	8.17
psychologiczny	Lot nad kukułczym gniazdem	1975	8.54
religijny	Duch	2008	7.90
romans	Światła wielkiego miasta	1931	8.17
satyra	Dr Strangelove, czyli jak przestałem się martwić i pokochałem bombę	1964	8.08
sci-fi	Incepcja	2010	8.28
sensacyjny	Gorączka	1995	8.10
sportowy	Kiedy nadejdzie sobota	1996	8.36
surrealistyczny	Incepcja	2010	8.28
szpiegowski	Północ – północny zachód	1959	7.81
sztuki walki	Ip Man	2008	7.93
thriller	Siedem	1995	8.32
western	Django	2012	8.29
wojenny	Lista Schindlera	1993	8.39
xxx	Kaligula	1979	6.09

Wiemy już jak wygląda popularność poszczególnych gatunków, jak zmieniała się ocena wszystkich filmów w czasie, a czy takie same zmiany są w ramach gatunków? Przygotujemy fukncję, która po podaniu w parametrze nazwy gatunku narysuje nam stosowny wykres:

RatesByGenre <- function(gatunek) {
   # ID gatunku
   gatunek_id <- dict_genre %>%
      filter(genreName == gatunek) %>%
      .[1, 1] %>%
      as.integer()
   
   # lista filmów gatunku
   movies_ids <- movie_genres %>%
      filter(genreID == gatunek_id) %>%
      select(filmID) %>%
      .$filmID
   
   plot <- movies %>%
      filter(filmID %in% movies_ids,
             FilmVotes >= minFilmVotes) %>%
      ggplot() +
      geom_point(aes(filmYear, filmRate), color="lightgreen", alpha=0.3) +
      geom_smooth(aes(filmYear, filmRate), color="blue") +
      labs(title=paste("Oceny filmów z gatunku:", gatunek),
           x="Rok", y="Ocena filmu") +
      scale_x_continuous(breaks = seq(1880, 2020, 10)) +
      scale_y_continuous(breaks = 1:10, limits = c(0,10))
   
   return(plot)
}

RatesByGenre <- function(gatunek) {

# ID gatunku

gatunek_id <- dict_genre %>%

filter(genreName == gatunek) %>%

.[1, 1] %>%

as.integer()

# lista filmów gatunku

movies_ids <- movie_genres %>%

filter(genreID == gatunek_id) %>%

select(filmID) %>%

.$filmID

plot <- movies %>%

filter(filmID %in% movies_ids,

FilmVotes >= minFilmVotes) %>%

ggplot() +

geom_point(aes(filmYear, filmRate), color="lightgreen", alpha=0.3) +

geom_smooth(aes(filmYear, filmRate), color="blue") +

labs(title=paste("Oceny filmów z gatunku:", gatunek),

x="Rok", y="Ocena filmu") +

scale_x_continuous(breaks = seq(1880, 2020, 10)) +

scale_y_continuous(breaks = 1:10, limits = c(0,10))

return(plot)

}

Teraz z wykorzystaniem tej funkcji zobaczmy czy thrillery są coraz lepsze czy coraz gorsze?

RatesByGenre("thriller")

1	RatesByGenre("thriller")

Coraz więcej i coraz gorzej… niestety. To pewnie dlatego nic nie jest w stanie mnie zaskoczyć. A najlepsze filmy z tego gatunku to:

RatesByGenre("thriller")$data %>%
   select(filmTitle, filmYear, filmRate) %>%
   top_n(10, wt = filmRate) %>%
   arrange(desc(filmRate)) %>%
   mutate(filmRate = round(filmRate, 2))

RatesByGenre("thriller")$data %>%

select(filmTitle, filmYear, filmRate) %>%

top_n(10, wt = filmRate) %>%

arrange(desc(filmRate)) %>%

mutate(filmRate = round(filmRate, 2))

Tytuł	Rok	Ocena
Siedem	1995	8.32
Podziemny krąg	1999	8.30
Incepcja	2010	8.28
Milczenie owiec	1991	8.26
Siedem dni w maju	1964	8.22
Wyspa tajemnic	2010	8.16
Prestiż	2006	8.13
Dziura	1960	8.12
Noc i miasto	1950	8.10
Doktor Mabuse	1922	8.08

Większość już widziałem (poza ostatnimi trzema i “Siedem dni w maju”). Rzeczywiście “Siedem” jest chyba najlepszy, a “Incepcji” do thrillerów bym nie zaliczał.

Zobaczmy to samo dla kilku innych gatunków:

Tytuł	Rok	Ocena
Gabinet doktora Caligari	1920	7.95
Palacz zwłok	1968	7.94
Furman śmierci	1921	7.94
Kara no Kyokai: Satsujin Kosatsu (Go)	2009	7.89
Lśnienie	1980	7.86
Sleepy Hollow: Behind the Legend	2000	7.83
Kara no Kyokai: Tsukaku Zanryu	2008	7.82
Czarownice	1922	7.82
Kobieta-diabeł	1964	7.81
Nosferatu – symfonia grozy	1922	7.79

Tytuł	Rok	Ocena
Skazani na Shawshank	1994	8.77
Nietykalni	2011	8.71
Ojciec chrzestny	1972	8.67
Zielona mila	1999	8.64
Rubí… La descarada	2004	8.56
Forrest Gump	1994	8.55
Lot nad kukułczym gniazdem	1975	8.54
Ojciec chrzestny II	1974	8.50
George Wallace	1997	8.42
Lista Schindlera	1993	8.39

Tytuł	Rok	Ocena
Nietykalni	2011	8.71
Forrest Gump	1994	8.55
Życie jest piękne	1997	8.38
Zwierzogród	2016	8.24
Światła wielkiego miasta	1931	8.17
Dzisiejsze czasy	1936	8.14
The Trailer Park Boys Christmas Special	2004	8.11
Piętro wyżej	1937	8.11
Brzdąc	1921	8.11
Skeczu z papugą nie będzie	1989	8.08

A na koniec coś, dla czego (oprócz kotów) powstał internet – pornoski:

Wiele ich nie ma, trzymają stały poziom. 10 najlepszych pornosów to:

Tytuł	Rok	Ocena
Kaligula	1979	6.09
Alicja w Krainie Czarów	1976	5.84
Dziura w sercu	2004	5.58
Romans	1999	5.41
The Raspberry Reich	2004	5.22
Q	2011	5.13
Anatomia piekła	2004	4.88
Destricted	2006	4.81
Srpski film	2010	4.71
Głębokie gardło	1972	4.70

Teraz przygotujmy podobną funkcję, ale przyglądać będziemy się dokonaniom poszczególnych twórców (lub aktorów – nie bierzemy w poniższej funkcji pod uwagę roli w jakiej występuje dana osoba – czy jest reżyserem czy aktorem).

RatesByPerson <- function(osoba) {
   # ID osoby
   person_id <- persons %>%
      filter(personName == osoba) %>%
      .[1, 1] %>%
      as.integer()
   
   # lista filmów z osobą
   movies_ids <- persons_in_movies %>%
      filter(personID == person_id) %>%
      select(filmID) %>%
      .$filmID
   
   plot <- movies %>%
      filter(filmID %in% movies_ids,
             FilmVotes >= minFilmVotes) %>%
      ggplot() +
      geom_point(aes(filmYear, filmRate), color="darkgreen") +
      geom_smooth(aes(filmYear, filmRate), color="blue", se = FALSE) +
      labs(title=paste("Oceny filmów z:", osoba),
           x="Rok", y="Ocena filmu") +
      scale_x_continuous(breaks = seq(1880, 2020, 10)) +
      scale_y_continuous(breaks = 1:10, limits = c(0,10))
   
   return(plot)
}

RatesByPerson <- function(osoba) {

# ID osoby

person_id <- persons %>%

filter(personName == osoba) %>%

.[1, 1] %>%

as.integer()

# lista filmów z osobą

movies_ids <- persons_in_movies %>%

filter(personID == person_id) %>%

select(filmID) %>%

.$filmID

plot <- movies %>%

filter(filmID %in% movies_ids,

FilmVotes >= minFilmVotes) %>%

ggplot() +

geom_point(aes(filmYear, filmRate), color="darkgreen") +

geom_smooth(aes(filmYear, filmRate), color="blue", se = FALSE) +

labs(title=paste("Oceny filmów z:", osoba),

x="Rok", y="Ocena filmu") +

scale_x_continuous(breaks = seq(1880, 2020, 10)) +

scale_y_continuous(breaks = 1:10, limits = c(0,10))

return(plot)

}

Na początek mój ulubiony reżyser (i scenarzysta, i aktor) – Woody Allen:

RatesByPerson("Woody Allen")

1	RatesByPerson("Woody Allen")

i jego (lub z nim) najlepsze filmy:

RatesByPerson("Woody Allen")$data %>%
    select(filmTitle, filmYear, filmRate) %>%
    top_n(10, wt = filmRate) %>%
    arrange(desc(filmRate)) %>%
    mutate(filmRate = round(filmRate, 2))

RatesByPerson("Woody Allen")$data %>%

select(filmTitle, filmYear, filmRate) %>%

top_n(10, wt = filmRate) %>%

arrange(desc(filmRate)) %>%

mutate(filmRate = round(filmRate, 2))

Tytuł	Rok	Ocena
Zelig	1983	7.86
Annie Hall	1977	7.85
Miłość i śmierć	1975	7.85
Manhattan	1979	7.83
Chwilami życie bywa znośne	2009	7.75
Zagraj to jeszcze raz, Sam	1972	7.69
Tajemnica morderstwa na Manhattanie	1993	7.69
Stanley Kubrick: Życie w Obrazach	2001	7.68
Hannah i jej siostry	1986	7.62
Bierz forsę i w nogi	1969	7.55

Osobiście bardziej cenię “Annie Hall”, ale pierwsza czwórka to rzeczywiście szczyt formy Allena. Jak widać są to lata ’70, później było z górki (ale nie tak bardzo).

Poptarzmy też na innych reżyserów – Oliver Stone zalicza coraz gorsze filmy:

Tytuł	Rok	Ocena
Człowiek z blizną	1983	8.31
Pluton	1986	8.16
JFK	1991	7.74
Urodzeni mordercy	1994	7.67
The Doors	1991	7.62
Pomiędzy niebem a ziemią	1993	7.61
Midnight Express	1978	7.60
Salwador	1986	7.58
Wall Street	1987	7.57
Bez granic	2003	7.45

Zaś Tarantino trzyma równy poziom:

Tytuł	Rok	Ocena
Pulp Fiction	1994	8.39
Django	2012	8.29
Wściekłe psy	1992	7.98
Bękarty wojny	2009	7.95
Niezupełnie Hollywood	2008	7.68
Nienawistna ósemka	2015	7.65
Prawdziwy romans	1993	7.52
Cztery pokoje	1995	7.51
Sin City – Miasto grzechu	2005	7.47
Kill Bill 2	2004	7.42

Podobnie było z Kubrickiem:

Tytuł	Rok	Ocena
Dr Strangelove, czyli jak przestałem się martwić i pokochałem bombę	1964	8.08
Full Metal Jacket	1987	8.03
Ścieżki chwały	1957	8.02
Mechaniczna pomarańcza	1971	7.93
Barry Lyndon	1975	7.92
Lśnienie	1980	7.86
2001: Odyseja kosmiczna	1968	7.71
Zabójstwo	1956	7.61
Lolita	1962	7.41
Spartakus	1960	7.29

Jeśli nie widzieliście “Zabójstwa” w reżyserii tego pana to koniecznie musicie nadrobić – film z połowy lat ’50, a wyprzedził to co oglądamy teraz o jakieś 40-50 lat. Geniusz.

Zobaczmy na dwie aktorskie gwiazdy drugiej połowy XX wieku:

Tytuł	Rok	Ocena
Ojciec chrzestny II	1974	8.50
Chłopcy z ferajny	1990	8.33
Dawno temu w Ameryce	1984	8.20
Kasyno	1995	8.12
Łowca jeleni	1978	8.11
Gorączka	1995	8.10
Przebudzenia	1990	8.05
Misja	1986	7.98
Uśpieni	1996	7.96
9/11	2002	7.96

Tytuł	Rok	Ocena
Ojciec chrzestny	1972	8.67
Ojciec chrzestny II	1974	8.50
Człowiek z blizną	1983	8.31
Gorączka	1995	8.10
Zapach kobiety	1992	8.10
Ojciec chrzestny III	1990	8.03
Życie Carlita	1993	7.99
Adwokat diabła	1997	7.95
Donnie Brasco	1997	7.85
Serpico	1973	7.75

Teraz zajmiemy się przewidywaniami. To najciekawsza rzecz w dzisiejszym wpisie. Poniższa funkcja znajduje wszystkie filmy z podaną osobą w określonej roli i zwraca średnią ocen filmów oraz wykres ze średnią. Dzięki temu możemy skomponować dowolną grupę twórców i na podstawie średnich ocen z dotychczasowych dokonań poszczególnych osób policzyć średnią wynikową dla tak “przygotowanego” filmu.

GetMovieMean <- function(osoba_name, osoba_rola) {

   id_osoby <- persons %>%
      filter(personName == osoba_name) %>%
      .[1,1] %>%
      as.integer()
   
   id_roli <- dict_roles %>%
      filter(roleName == osoba_rola) %>%
      .[1,1] %>%
      as.integer()

   movie_list <- persons_in_movies %>%
      filter(personID == id_osoby, roleID == id_roli) %>%
      select(filmID)
   
   movie_list <- inner_join(movie_list, movies, by="filmID")
   
   movie_mean <- mean(movie_list$filmRate, na.rm=TRUE)
   
   plot <- movie_list %>%
      ggplot() +
      geom_point(aes(filmYear, filmRate), color="lightgreen") +
      geom_smooth(aes(filmYear, filmRate), color="blue", se = FALSE) +
      labs(title = paste0(osoba_rola, ": ", osoba_name),
           subtitle = paste("Średnia", round(movie_mean, 2)),
           x = "Rok produkcji",
           y = "Średnia ocena") +
      scale_x_continuous(breaks = seq(1880, 2020, 10)) +
      scale_y_continuous(breaks = 1:10, limits = c(0,10))
   
   return(list(movie_mean, plot))
}

GetMovieMean <- function(osoba_name, osoba_rola) {

id_osoby <- persons %>%

filter(personName == osoba_name) %>%

.[1,1] %>%

as.integer()

id_roli <- dict_roles %>%

filter(roleName == osoba_rola) %>%

.[1,1] %>%

as.integer()

movie_list <- persons_in_movies %>%

filter(personID == id_osoby, roleID == id_roli) %>%

select(filmID)

movie_list <- inner_join(movie_list, movies, by="filmID")

movie_mean <- mean(movie_list$filmRate, na.rm=TRUE)

plot <- movie_list %>%

ggplot() +

geom_point(aes(filmYear, filmRate), color="lightgreen") +

geom_smooth(aes(filmYear, filmRate), color="blue", se = FALSE) +

labs(title = paste0(osoba_rola, ": ", osoba_name),

subtitle = paste("Średnia", round(movie_mean, 2)),

x = "Rok produkcji",

y = "Średnia ocena") +

scale_x_continuous(breaks = seq(1880, 2020, 10)) +

scale_y_continuous(breaks = 1:10, limits = c(0,10))

return(list(movie_mean, plot))

}

Sprawdźmy jaki wynik da wymyślony film:

reżyseria Quentin Tarantino
zdjęcia Emmanuel Lubezki
scenariusz Charlie Kaufman
obsada: Jack Nicholson, Leonardo DiCaprio, Cate Blanchett, Charlize Theron

(powyższe nazwiska to osoby z top w poszczególnych kategoriach według Filmwebu)

# przygotowanie obsady i twórców:
movie_cast <- data.frame(matrix(c("Quentin Tarantino", "reżyser",
                                  "Charlie Kaufman", "scenarzysta",
                                  "Emmanuel Lubezki", "zdjęcia",
                                  "Jack Nicholson", "aktor",
                                  "Leonardo DiCaprio", "aktor",
                                  "Cate Blanchett", "aktor",
                                  "Charlize Theron", "aktor"),
                                ncol = 2, byrow = TRUE),
                         stringsAsFactors = FALSE)

# dla każdego wiersza tabeli wywołaj funkcję biorącą średnie
t <- mapply(GetMovieMean, movie_cast$X1, movie_cast$X2)

# przygotowanie obsady i twórców:

movie_cast <- data.frame(matrix(c("Quentin Tarantino", "reżyser",

"Charlie Kaufman", "scenarzysta",

"Emmanuel Lubezki", "zdjęcia",

"Jack Nicholson", "aktor",

"Leonardo DiCaprio", "aktor",

"Cate Blanchett", "aktor",

"Charlize Theron", "aktor"),

ncol = 2, byrow = TRUE),

stringsAsFactors = FALSE)

# dla każdego wiersza tabeli wywołaj funkcję biorącą średnie

t <- mapply(GetMovieMean, movie_cast$X1, movie_cast$X2)

Wypadkowa ocena końcowa:

mean(unlist(t[1, ]))

1	mean(unlist(t[1, ]))

7.040453

A wszystkie wykresy historii ocen poszczególnych osób:

grid.arrange(arrangeGrob(grobs=t[2,], ncol = 2))

1	grid.arrange(arrangeGrob(grobs=t[2,], ncol = 2))

Wychodzi jakiś tam wynik (całkiem niezły – średnia 7.04 plus twórcy i obsada zachęciłaby do oglądania). A co się stanie, jak wymienimy scenarzystę? Niech Tarantino napisze również scenariusz:

movie_cast <- data.frame(matrix(c("Quentin Tarantino", "reżyser",
                                  "Quentin Tarantino", "scenarzysta",
                                  "Emmanuel Lubezki", "zdjęcia",
                                  "Jack Nicholson", "aktor",
                                  "Leonardo DiCaprio", "aktor",
                                  "Cate Blanchett", "aktor",
                                  "Charlize Theron", "aktor"),
                                ncol = 2, byrow = TRUE),
                         stringsAsFactors = FALSE)

t <- mapply(GetMovieMean, movie_cast$X1, movie_cast$X2)
mean(unlist(t[1, ]))

movie_cast <- data.frame(matrix(c("Quentin Tarantino", "reżyser",

"Quentin Tarantino", "scenarzysta",

"Emmanuel Lubezki", "zdjęcia",

"Jack Nicholson", "aktor",

"Leonardo DiCaprio", "aktor",

"Cate Blanchett", "aktor",

"Charlize Theron", "aktor"),

ncol = 2, byrow = TRUE),

stringsAsFactors = FALSE)

t <- mapply(GetMovieMean, movie_cast$X1, movie_cast$X2)

mean(unlist(t[1, ]))

Widzimy, że średnia 7.1 jest wyższa. Czyli jeszcze bardziej zachęca :)

Teraz weźmy hipotetyczny polski film – znowu nazwiska dobrane według top Filmwebu:

movie_cast <- data.frame(matrix(c("Wojciech Smarzowski", "reżyser",
                                  "Krzysztof Kieślowski", "scenarzysta",
                                  "Piotr Sobociński Jr.", "zdjęcia",
                                  "Tomasz Kot", "aktor",
                                  "Janusz Gajos", "aktor",
                                  "Maja Ostaszewska", "aktor",
                                  "Agata Kulesza", "aktor"),
                                ncol = 2, byrow = TRUE),
                         stringsAsFactors = FALSE)

t <- mapply(GetMovieMean, movie_cast$X1, movie_cast$X2)
mean(unlist(t[1, ]))

movie_cast <- data.frame(matrix(c("Wojciech Smarzowski", "reżyser",

"Krzysztof Kieślowski", "scenarzysta",

"Piotr Sobociński Jr.", "zdjęcia",

"Tomasz Kot", "aktor",

"Janusz Gajos", "aktor",

"Maja Ostaszewska", "aktor",

"Agata Kulesza", "aktor"),

ncol = 2, byrow = TRUE),

stringsAsFactors = FALSE)

t <- mapply(GetMovieMean, movie_cast$X1, movie_cast$X2)

mean(unlist(t[1, ]))

6.62 to niewiele, nawet jak na polskie warunki. Widocznie ktoś tutaj zaniża wynik:

grid.arrange(arrangeGrob(grobs=t[2,], ncol = 2))

1	grid.arrange(arrangeGrob(grobs=t[2,], ncol = 2))

Tomasz Kot jest temu winny – miał w swojej karierze kilka słabych filmów (ten dołek po 2010), chociaż to świetny aktor.

Sprawdźmy jak nasze przewidywania sprawdzają się w przypadku nowego filmu. Weźmy jakiś film z 2016 roku, którego nie mamy w danych, a który ma już ocenę – na przykład ostatni Allen. Znamy obsadę, zobaczymy czy ta prosta metoda się sprawdza. Ten film to Śmietanka towarzyska. Co wiemy o twórcach i obsadzie? Scenariusz i reżyseria – Woody Allen, zdjęcia – Vittorio Storaro, obsada: Jesse Eisenberg, Kristen Stewart, Steve Carell, Blake Lively.

Uzupełniając odpowiednio dane i wywołując GetMovieMean() otrzymamy przewidywaną średnią ocenę 6.63, zaś na Filmwebie jest to aktualnie 6.3 (sam dałem 5 gwiazdek z komentarzem “Allen ma już swoje lata. Jessie pasuje, są żarty o Żydach, jest sposób opowiadania jak zawsze, ale nie ma pazura. Pretensjonalne w sumie”). Nasz wynik jest wyższy (te 0.3 punktu to całkiem sporo, chociaż z drugiej strony jest to tylko 3% skali 0-10).

Taki uproszczony model ma jedną podstawową wadę: nie bierze pod uwagę ostatnich dokonań osoby (czy jest na fali i w świetnej formie czy też “skończył się i utył”), a całą historię. Nie bierzemy też pod uwagę oceny osoby w filmie a ocenę całego filmu. Zdażają się przypadki kiedy dobra obsada jest zmarnowana przez słaby scenariusz albo kiepską reżyserię. Wtedy nawet dobry aktor nie uciągnie całego filmu – tak jest w przypadku wspomnianego już Tomasza Kota w jakichś “Jak się pozbyć cellulitu” czy też w filmach, którym osobiście dałem “jedynkę” (a rzadko to robię): “Wyjazdach integracyjnych” i “Ciacho”.

Jak można ulepszyć model? Być może model powinien odrzucać wartości odstające. Być może powinien brać po uwagę tylko kilka ostatnich filmów. Warto też pomyśleć o jakichś wagach dla poszczególnych “ról” w przygotowaniu filmu (reżyseria, scenariusz, obsada). Pytanie tylko co jest ważniejsze: reżyseria czy scenariusz? A może zdjęcia? Aby dobrać takie wagi można zastosować trick polegający na uczeniu modelu. Proces wyglądać powinien następująco:

bierzemy jakiś losowy film
sprawdzamy kto go tworzył
zbieramy średnie z dokonań twórców, ale bez badanego filmu, być może też bez późniejszych filmów (czyli bierzemy tylko dokonania przed produkcją badanego filmu)
powyższe kroki powtarzamy na przykład tysiąc razy. Albo sto tysięcy. Najlepiej 70-80 procent bazy (czyli w naszym przypadku jakieś 47 do 53 tysięcy filmów)
z tak zgromadzonych danych (zmienne niezależne) w zestawieniu z prawdziwą oceną filmu (zmienna zależna) budujemy model – na przykład najprostrzą regresję liniową dla wielu zmiennych
w modelu otrzymamy wagi poszczególnych ról, które możemy zastosować w przyszłości

Kto się pokusi? Zapraszam do dyskusji i prezentacji swoich dokonań – podrzućcie linki w komentarzach!