Analyse de données · 8 807 titres Netflix · 10 notebooks
Analyse du catalogue Netflix
Menez une analyse de données de bout en bout sur le catalogue Netflix. Chaque notebook part d'une question concrète et vous apprend à préparer les données, choisir une représentation pertinente puis défendre une interprétation.
PythonPandasMatplotlibSeaborn
Gratuit · Sans compte·Débutant·~1h30
Ce que vous allez construire
- ✓Une analyse complète du catalogue, depuis le fichier brut jusqu'à une synthèse argumentée
- ✓Un dataset nettoyé et enrichi pour rendre les dates, pays, genres et durées réellement exploitables
- ✓Des visualisations choisies en fonction de la question posée, et pas seulement pour illustrer les données
- ✓Une lecture critique des tendances du catalogue : formats, évolution, origines, genres et classification des contenus
Les 10 notebooks
00
Prendre en main les données
Comprendre ce qu'est un DataFrame et examiner la structure du catalogue avant toute analyse.
01
Rendre le dataset exploitable
Traiter les informations manquantes, convertir les dates, extraire des variables utiles et sauvegarder une version propre.
02
Comparer films et séries
Mesurer la place de chaque format et confronter deux représentations d'une même répartition.
03
Lire l'évolution du catalogue
Regrouper les ajouts dans le temps et comparer la trajectoire des films et des séries.
04
Identifier les principaux pays
Résumer les origines de production sans perdre la lisibilité de la comparaison.
05
Étudier l'âge des contenus
Observer la distribution des années de sortie puis resserrer l'analyse sur la période récente.
06
Décomposer les genres
Transformer une colonne contenant plusieurs catégories afin de compter chaque genre correctement.
07
Faire apparaître une saisonnalité
Croiser mois et années d'ajout pour révéler des rythmes difficiles à voir dans une simple liste.
08
Comparer les distributions de durée
Étudier la durée des films selon leur classification tout en tenant compte des valeurs atypiques.
09
Construire une synthèse
Relier les observations, choisir le graphique adapté à chaque question et expliciter les limites de l'analyse.
Compétences travaillées
- · Exploration méthodique d'un dataset
- · Nettoyage et création de variables
- · Agrégation et transformation de données
- · Choix d'une visualisation adaptée
- · Lecture de distributions et de tendances
- · Interprétation et synthèse de résultats
Prérequis
- · Bases Python (variables, boucles, fonctions)
- · Aucune expérience en data science requise
- · Aucune installation : lab en ligne