【數據專題幕後】Netflix 排名資料分析過程大公開

本篇適合：對資料新聞、資料分析有興趣的人；初學程式語言的人

1. 這篇報導的動機來源與規劃脈絡
2. 資料來源與處理困難
3. 網頁呈現：《報導者》開源的左右互搏版型

報導動機與規劃脈絡

Netflix 分析與 Dcard 文本分析並非首創

當下我們決定這個主題時，其實組員們都蠻滿意的（應該啦xD），不過，其實也這當中也發現 Netflix 這個主題已經有不少人做，而且「韓流來襲」早就是一個大家熟知的現象了。

（其實個人有點絕望0.0）

那如何選題、如何切入變成了主要的難題。

• 子軒學長做的 Netflix 分析，基本上有一些想法跟圖表我們是效法他的

• READr 透過 Netflix 排行榜希望探討臺劇出路在哪。

• READr 爬梳 Dcard 數據探討網路用語趨勢

雖然前人做了這麼多，但我們當下想到的是希望或許能將每一部劇的「類型」拉出來參考（這同時也是子軒在上文中建議的分析方式），然而就是因為我們也不太確定分析結果合乎預期，也相當忐忑。最後呈現的方式雖就是從「類型」作為出發點，輔以加以針對 Netflix 台灣站與韓國站做比較，也確實看出一些不同之處，包含其實 Netflix 韓國站確實有相當多實境與綜藝內容，而韓國群眾也喜歡使用 Netflix 收看，個人就覺得這個相當有趣的。

Dcard 文本分析：始終的疑惑——能有所「新發現」嗎？

因為還是資料新聞的小菜雞，一直以來在做這種文本分析的時候，發現的問題就是我們是真的能從這樣的分析方式「探討」出什麼結果嗎？中文句詞結構如此複雜，斷詞、停用詞庫也難保全然精準，最終的結果是否真有其意義？

目前進行文本分析的方式有非常多，我也透過這次的機會一一檢視了每個計算方式背後的演算法，無論是單純的詞頻分析、TF-IDF、Co-occurrence Matrix 的應用、其衍生的演算法（Text Rank）、主題分析（如 NMF 演算法等），確實有相當多的工具，但也因為演算法所著重的方向不同，皆可能導致產生的結果差異，作為菜雞的我可能未來有機會也會好好思考跟研究這個面向的知識（有機會的話也會再上來寫點想法 ）。

回到「意義」層面，如果透過這些複雜的數據分析方式，最終得到的只是常識、不太意外的結果，讓我會覺得這其實是無意義的分析。

在這次的分析中其實就是這樣，我也始終一直問自己的是，選用《單身即地獄》的 Dcard 分析，最終結果似乎並沒有那麼的有趣或值得討論。這或許是未來值得持續改進的地方。

不過我也從中嘗試做了修正跟思考新的切入點，例如同樣是戀愛實境劇，被譽為韓版《慾罷不能》的《單身即地獄》，會不會跟《慾罷不能》在論壇上的討論有所不同。我個人覺得是一個非常好的切入點，更可以衍生的是背後形成的文化脈絡。但後來考量到整體報導敘事太過龐雜，最後就選擇放在附錄之中。

如同前文所述，除了正文以外，我們在文章中的最後也提供了許多「遺珠之憾」的圖表，鼓勵大家也可以看看並提供意見：

資料來源與處理困難

資料爬梳流程

我們利用 R 從 FlixPatrol 上抓下台灣、南韓 2020 年 8 月至 2022 年 5 月的每週影劇 TOP 10（一開始是用 Python，但後來想說嘗試新工具 xD），再透過 TMDB 及其 API 取得相關中文片名以及影劇資訊（上映日期、演員、類型等）。

中文片名取得方式

第一個遇到最大的困難就是「中文片名」如何取得，前人曾經提到使用 Wiki 的服務做抓取，後來我們選擇透過 TMDB 取得中文劇名，然而英文劇名對應中文劇名並非如此明確，所以仍要花蠻多的時間進行人工檢查是否有錯誤。

TMDB 類型太過籠統，最後選擇使用 Netflix 上的類型分類

TMDB 提供的幾個類型我們也覺得過於籠統，後來選擇使用 Netflix 上的類型分類，但暫時還不太會爬取 Netflix 資料，所以是手動處理 xD（等待未來技術更加精進(??)）。

此外，「劇情」類型的這類戲劇我們都改為其他分類，主因是「劇情」類別太為籠統。

網頁呈現：《報導者》開源的左右互搏版型