실전 데이터 분석 31: 넷플릭스 영화 및 TV 프로그램 트렌드 분석

📌 강의 개요 (30분 완성)

코믹 일러스트 세계 최대의 OTT 서비스인 넷플릭스(Netflix)의 영화 및 TV 프로그램 등록 데이터셋입니다. 영화와 TV 프로그램의 비율 분포를 확인하고, 연도별 등급의 다차원 스택 분석을 통해 글로벌 스트리밍 서비스의 콘텐츠 제작 트렌드를 추적해 봅니다.

학습 목표:

  • 결측치 대체 (fillna): 평점 범주가 누락된 경우 삭제하지 않고 ‘Unknown’으로 채워 데이터를 보존합니다.
  • 스택 히스토그램 (Histplot): hue와 multiple='stack' 옵션을 사용해 등급별 출시 연도 트렌드를 직관적으로 시각화합니다.

Step 1: 데이터 구조 살펴보기 (Data Overview)

Step 1 데이터 구조 개념도

csv_data 폴더에 준비해 둔 netflix.csv 파일을 판다스로 불러옵니다.

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 그래프 설정 (한글 폰트 및 마이너스 기호 깨짐 방지)
plt.rcParams['font.family'] = 'AppleGothic'
plt.rcParams['axes.unicode_minus'] = False
sns.set_theme(style="whitegrid")

# 로컬 CSV 파일 불러오기
df = pd.read_csv('../csv_data/netflix.csv')

# 데이터 구조 및 첫 5행 확인
print(df.info())
display(df.head())

💻 [실행 결과] ```text

<class ‘pandas.DataFrame’> RangeIndex: 1000 entries, 0 to 999 Data columns (total 6 columns): # Column Non-Null Count Dtype — —— ————– —– 0 show_id 1000 non-null object 1 type 1000 non-null object 2 title 1000 non-null object 3 release_year 1000 non-null int64 4 rating 985 non-null object 5 duration_min 1000 non-null int64 dtypes: int64(2), object(4) memory usage: 47.0 KB None show_id type title release_year rating duration_min 0 s1 Movie Netflix Title 1 2020 TV-MA 107 1 s2 TV Show Netflix Title 2 2019 TV-14 1 2 s3 Movie Netflix Title 3 2022 TV-PG 94 3 s4 Movie Netflix Title 4 2015 R 112 4 s5 Movie Netflix Title 5 2021 PG-13 89

```

💡 코드 딥다이브 (Code Deep Dive)

주요 분석 대상 컬럼:

  • show_id: 콘텐츠의 고유 ID
  • type: 콘텐츠 유형 (Movie = 영화, TV Show = TV 프로그램)
  • title: 영화 및 프로그램의 제목
  • release_year: 콘텐츠가 출시된 연도
  • rating: 콘텐츠 연령 등급 (예: TV-MA, TV-14, R)
  • duration_min: 영화인 경우 러닝타임(분), TV 프로그램인 경우 시즌 수(Seasons)

Step 2: 전처리와 결측치 정제 (Preprocess)

Step 2 데이터 정제 개념도

현실의 데이터는 항상 누락이 있거나 유효성 정제가 필요합니다. 데이터 전처리 단계에서 결측 상태를 확인하고 올바르게 보정합니다.

# 1. 컬럼별 결측치 개수 확인
print("--- 정제 전 결측치 확인 ---")
print(df.isnull().sum())

# 2. 'rating' 컬럼의 결측치를 'Unknown' 범주로 채움
df['rating'] = df['rating'].fillna('Unknown')

print("\n--- 정제 후 결측치 확인 ---")
print(df.isnull().sum())

💻 [실행 결과] ```text — 정제 전 결측치 확인 — show_id 0 type 0 title 0 release_year 0 rating 15 duration_min 0 dtype: int64

— 정제 후 결측치 확인 — show_id 0 type 0 title 0 release_year 0 rating 0 duration_min 0 dtype: int64

```

💡 분석가의 통찰 (Analyst’s Insight)

  • 결측치 보존 전략: rating 컬럼에서 누락된 15개의 데이터는 전체의 1.5% 수준입니다. 이를 모두 지우면 다른 귀중한 정보(출시 연도, 타입 등)까지 소실되므로 ‘Unknown’이라는 별도의 가상 범주를 지정해 채우는 대치(Imputation) 전략을 씁니다. 이를 통해 전체 데이터 크기를 유지하며 분석을 수행할 수 있습니다.

Step 3: 단변수 분포 분석 (Univariate EDA)

Step 3 시각화 개념도

가장 먼저 핵심 변수가 전체 데이터에서 어떤 빈도와 분포를 가졌는지 단일 변수 시각화를 통해 파악해 봅니다.

plt.figure(figsize=(8, 5))

# countplot으로 콘텐츠 유형(type)의 분포 시각화
sns.countplot(data=df, x='type', palette='Set1')

plt.title('넷플릭스 콘텐츠 타입 분포 (영화 vs TV 프로그램)', fontsize=14, fontweight='bold')
plt.xlabel('콘텐츠 타입')
plt.ylabel('작품 수 (개)')
plt.show()

💻 [실행 결과 시각화] 실행 결과 시각화

💡 시각화 차트 읽는 법 & 인사이트

  • 영화 비중의 절대적 우위: 시각화 결과를 보면 전체 1000개의 샘플 중 약 70%가 영화(Movie)이며, 약 30%가 TV 프로그램(TV Show)입니다. 플랫폼 내에서 소비 시간이 긴 시리즈물에 비해 단편 영화 형태의 콘텐츠가 더 큰 수량적 비중을 차지하고 있음을 알 수 있습니다.

Step 4: 다변수 상관관계 및 이상치 분석 (Multivariate EDA)

Step 4 상관관계 분석 개념도

두 개 이상의 변수를 동시에 결합하여, 조건에 따른 수치 차이나 독립 변수와 종속 변수 간의 통계적 경향을 분석합니다.

plt.figure(figsize=(10, 6))

# 영화(Movie) 서브셋만 필터링하여 출시 연도에 따른 등급 분포를 누적 히스토그램으로 분석
sns.histplot(data=df[df['type']=='Movie'], x='release_year', hue='rating', multiple='stack', palette='tab10', binwidth=1)

plt.title('영화 등급별 출시 연도 분포 트렌드', fontsize=14, fontweight='bold')
plt.xlabel('출시 연도')
plt.ylabel('영화 수 (개)')
plt.show()

💻 [실행 결과 시각화] 실행 결과 시각화

💡 코드 딥다이브 & 비즈니스 통찰 (Analyst’s Insight)

  • 최근 콘텐츠 인플레이션 및 등급 편향: 히스토그램의 스택 막대를 보면 2018년 이후의 최근 연도로 갈수록 총 영화 등록 수(막대의 총 높이)가 기하급수적으로 증가합니다. 또한 성인 대상 등급인 TV-MA와 R 등급(빨간색/보라색 계열 등)의 누적 비중이 상단 대부분을 메우고 있어, 넷플릭스가 독창적인 성인 중심의 오리지널 영화 제작에 집중하고 있는 플랫폼 성격을 보여줍니다.

Step 5: 통계적 직관과 해석 (Statistical Logic)

💡 [범주 데이터와 롱테일(Long-tail) 분포의 직관] 넷플릭스의 콘텐츠 출시 연도처럼 최근 몇 년에 대부분의 데이터가 쏠려 있고, 과거 연도로 갈수록 긴 꼬리를 그리며 빈도가 0에 수렴하는 분포를 롱테일(파레토) 분포라고 합니다.

  • 이 분포에서는 산술 평균(Mean)을 구하면 최근 데이터 쪽으로 강하게 쏠리게 되므로, 과거부터의 역사적 중앙 위치를 찾기 위해서는 중앙값(Median)을 통계적 대표값으로 사용하는 것이 왜곡을 방지하는 상식입니다.
  • 또한 범주형 변수의 비율은 단순히 수치를 계산하는 것보다 countplot을 통해 집단 간의 ‘빈도 비율 격차’를 시각적으로 빠르게 인지하는 것이 인사이트 획득에 훨씬 빠릅니다.

🎯 30분 강의 마무리 및 심화 과제

오늘 우리는 실전 데이터셋을 분석하여 판다스로 데이터를 가공 및 정제하고, 시각화를 활용하여 핵심 변수 간의 통계적 유의성을 검증했습니다. 데이터 속에서 숨겨진 패턴을 올바른 시각으로 탐색하는 능력이 데이터 사이언티스트의 가장 강력한 무기입니다.

📝 심화 과제 (Advanced Challenge)

  1. TV 프로그램 시즌 수 분포 분석: df[df['type']=='TV Show'] 필터링을 사용해 TV 프로그램의 duration_min(시즌 수) 분포를 sns.countplot으로 분석해 보세요. 대부분의 프로그램이 시즌 1에 집중되어 있는지 확인합니다.
  2. 평점 등급별 평균 러닝타임 비교: 영화 그룹에 대해서 등급(rating)별 평균 러닝타임(duration_min)을 sns.barplot으로 그리고, 어린이 대상 등급(PG, TV-PG)과 성인 등급(TV-MA) 간의 평균 분량 차이를 검증해 보세요.
서브목차