Análise dos Episódios de Breaking Bad

Este repositório apresenta uma análise exploratória e modelo de clusterização aplicado aos episódios da série de TV Breaking Bad. Através da análise de variáveis como avaliações no IMDb e audiência nos EUA, este projeto busca identificar padrões, agrupar episódios com características semelhantes e interpretar a recepção do público.

Objetivos do Projeto

• Realizar uma análise exploratória detalhada dos episódios de Breaking Bad.
• Aplicar um modelo de aprendizado não supervisionado (K-Means) para agrupar episódios semelhantes.
• Interpretar os clusters para fornecer insights sobre a recepção do público e popularidade dos episódios.

Descrição dos Dados

O conjunto de dados inclui as seguintes informações:

• Temporada e Episódio: Números correspondentes à temporada e ao episódio.
• Título: Título de cada episódio.
• Duração: Duração do episódio em minutos.
• Avaliação IMDb: Avaliações dos usuários do IMDb para cada episódio.
• Audiência nos EUA (em milhões): Tamanho da audiência nos Estados Unidos.

Estrutura do Projeto

• Enhanced_AnaliseExploratoria_BreakingBad.ipynb: Notebook Jupyter contendo EDA, visualizações, limpeza de dados, clusterização e interpretação dos clusters.
• breaking_bad_tv_show_all_seasons_episodes_data.csv: Arquivo de dados com informações detalhadas sobre cada episódio de Breaking Bad.
• README.md: Visão geral dos objetivos do projeto, descrição dos dados e instruções para execução da análise.

Etapas da Análise

1. Análise Exploratória (EDA): Exploração inicial dos dados para entender a estrutura e as principais estatísticas.
2. Limpeza de Dados: Tratamento de valores ausentes e padronização dos dados.
3. Visualização: Representações gráficas, incluindo gráficos de barras, dispersão e histogramas, ilustram distribuições e relações entre variáveis.
4. Clusterização: Aplicação do algoritmo K-Means nas variáveis de avaliação IMDb e audiência para agrupar episódios semelhantes.

Tecnologias Utilizadas

• Python: Linguagem de programação utilizada para análise e modelagem.
• pandas: Manipulação e análise de dados.
• matplotlib e seaborn: Visualização de dados.
• scikit-learn: Pré-processamento e clusterização K-Means.

Executando o Projeto

Para rodar este projeto localmente:

1. Clone este repositório: Use git clone https://github.com/MarsoL4/breaking-bad-analysis.git.
2. Configure o ambiente:
   • Certifique-se de ter Python e Jupyter Notebook instalados.
   • Instale as bibliotecas necessárias com o comando:

     pip install pandas matplotlib seaborn scikit-learn

3. Abra e execute o Notebook: Abra o arquivo Enhanced_AnaliseExploratoria_BreakingBad.ipynb no Jupyter Notebook ou Google Colab e execute cada célula na sequência.

Alternativamente, você pode utilizar Google Colab para executar o notebook diretamente no navegador.

---

Explore o notebook e sinta-se à vontade para personalizar a análise e descobrir novos insights!