A continuación, se explica el contenido de cada archivo, notebook y directorio presente en este repositorio:

• Funciones.py
  Contiene las funciones que debían desarrollarse como parte del ejercicio.

• Funciones_normalizacion.py
  Este archivo contiene las funciones utilizadas en las notebooks Procesamiento_credits.ipynb y Procesamiento_movies.ipynb, facilitando el proceso de desanidado de los datos en los datasets originales.

• Funciones_recomendacion.py
  Contiene las funciones empleadas en la notebook sistema_de_recomendacion.ipynb. Estas funciones crean la matriz de similitud (basada en la similitud del coseno) y generan la lista de películas recomendadas.

• main.py
  Aquí se desarrolla la aplicación de FastAPI, donde se definen los distintos endpoints que reprecentan las funciones a desarrollar para este proyecto. Para mas detalle sobre el funcionamiento de estas ir al archivo y leer los comentarios.

• Procesamiento_movies.ipynb
  En esta notebook se detalla el proceso de normalización para generar el dataset movies_normalizado.csv a partir del archivo original movies_dataset.csv.

• Procesamiento_credits.ipynb
  Explica el proceso de normalización para crear el dataset credits_normalizado.csv a partir del archivo credits.csv.

• sistema_de_recomendacion.ipynb
  Muestra cómo funcionan las funciones de Funciones_recomendacion.py mediante un ejemplo práctico para la generación de recomendaciones de películas.

• EDA.ipynb
  Presenta el Análisis Exploratorio de Datos (EDA) realizado sobre el dataset movies_normalizado.csv. En este se analizaron algunas líneas de tiempo relevantes con sus respectivos posibles outliers y además se buscó responder a las pregunta de que, si quisiera dirigir una película, en que género debería enfocarme para optimizar el retorno de esta.

• Creacion_database Aquí se presentan los archivos .py que crean las tablas de dimensión

• Database Aquí se encuentran las tablas de hecho y las de dimensión de la base de datos

---

Resumen del procesamiento realizado sobre el dataset movies_dataset.csv

Se eliminó la columna anidada spoken_languages ya que no es util para el análisis. A las columnas anidadas genres, production_companies, production_countries fueron convertidas a columnas con una lista de los géneros, companias productoras y parises productores respectivamente. De la columna belongs_to_collection la única información útil era la del nombre de la franquicia a la que pertenece la película, ya que es un buen parámetro para agruparlas. También se cambió el id original de la tabla para cambiarlo por un nuevo Id_movies que arranca desde 1. A partir de este dataset también se crearon las tablas de dimensión que nos permitieron eliminar las columnas franchise, status, language y title para solo dejar los
id's correspondientes a cada una. Para más detalle del proceso leer el notebook Procesamiento_movies. El detalle de las funciones que se utilizaron para normalizar las columnas anidadas esté en el archivo Funciones_normalizacion.

Resumen del procesamiento realizado sobre el dataset credits.csv Lo primero que se hizo aquí fue reemplazar el id en el dataset, que es el id viejo, por el Id_movie que se armó en la tabla de dimensión titles.csv. Lo siguiente fue transformar la columna cast a una columna actors que contenga, para cada película, una lista de los actores que actúan en ella. Luego se trabajó la columna crew en la cual solo nos interesaban los diccionarios que tuvieran la key "job" : "Director", de forma que se la trasformó a una columna directors que contiene, para cada película, una lista de los directores que la dirigen. Por último, se utilizó la columna return del dataset movies_normalizado.csv para eliminar las filas correspondientes a películas no estuvieran en el dataset ya mencionado. Para más detalle del proceso leer el notebook Procesamiento_credits.

Funcionamiento de la función de recomendación

Para el funcionamiento lo que se utilizan son las columnas overview, language, franchise, "genres", production_companies, actors y directors. El cálculo de la matriz de similitud se realizó aparte de la función recomendacion. El objetivo de esto es no tener que calcular esta matriz cada vez que se busca correr la función de recomendación, ya que este proceso puede tardar alrededor de 5 minutos. Lo que se hace primero es sacar las palabras relevantes de la columna overview, de las otras columnas se usa todo el texto. Luego se junta todo el texto de las columnas en una sola llamada palabras. Esta es con la cual se genera la matriz de similitud con la similitud del coseno. El problema es que, como el dataset tiene más de 40000 de filas, no se puede hacer todo el proceso de cálculo de similitud en una sola matriz ya que ocupa mucho espacio. Para resolver esto se dividió el dataset en bloques de mil filas. Una vez terminado el cálculo se juntó todo en una sola matriz y se creó otra matriz donde figuran los índices de las 5 películas más similares a la película de la fila correspondiente. A esta matriz se la guardó en un archivo de numpy y luego se utilizará dentro de la función recomendacion. El paso a paso de como se hace este cálculo se explica en el notebook sistema_de_recomendacion.ipynb.