Quanto vale um pirula?

Você provavelmente já se bateu com o meme “Hoje vou durmir cedo”.

Bem… foi assim minha madrugada.

Contextualizando!

No youtube BR, o canal do Pirula se destaca como um dos melhores (na minha opnião!) canais de ciência. Tratando de religião à mudança climática, o rapaz apanha da direita e da esquerda sem querer tretar com nenhum dos dois.

Ele também se destaca pela duração de seus vídeos. Praticamente, um podcast com imagens!

Basta começar um vídeo com “esse vai ser um vídeo curto” que você terá pelo menos 30 minutos de conteúdo.

Bem… eram 11h da noite quando me deparei com o seguinte comentário em um dos vídeos.

Então veio a ideia menos razoável do momento.

E você já sabe qual é…

tl;dr: Um pirula é igual 24 minutos!

Extração dos dados

A informação prinicipal a ser extraída dos vídeos é a duração total deles. Com quase 500 vídeos no canal - sem muita priori sobre a variabilidade da duração dos vídeos e podendo existir alguma característica temporal - a solução foi extrair a informação de todos os vídeos via API do youtube.

O pacote tuber realiza função de cliente para o API do youtube, facilitando em muito o nosso trabalho.

Para isso, devemos criar uma chave de aplicação na plataforma de desenvolvedores do google, ativar o API do youtube e então via tuber::yt_oauth informar a chave gerada.

tuber::yt_oauth(app_id = "youtube", 
         app_secret = "AIzaSyBQyA88Cb1SNRhVfDjOL5rb9cujL9Lh4",
         token = "")

Então!

Achou que ia ser fácil? Achou erado otário!

1h da manhã

Após muitas tentativas, a solução foi estudar a documentação do API do youtube e utilizar o pacote RJSONIO para converter a resposta das solicitações ao API em um objeto no R.

# Id do canal do Pirula
# https://www.youtube.com/channel/UCdGpd0gNn38UKwoncZd9rmA
channel <- "UCdGpd0gNn38UKwoncZd9rmA"

# Chave do API
# https://console.developers.google.com/apis/credentials?project=a2tw-1527955801428
api_key <- "<Chave do API>"

# Requisição das informações do canal
url <- paste0("https://www.googleapis.com/youtube/v3/search?",
              "channelId=", channel,
              "&key=",api_key,
              "&part=snippet",
              "&maxResults=1",
              "&type=video")

channel_info <- fromJSON(url, simplify = FALSE)

A url é formada pela id do canal, a chave da API e os argumentos: part (informações a serem extraídas), maxResults, e type (filtro entre videos ou playlists).

O objeto channel_info acumula informações gerais tanto do canal, quanto de um único vídeo do canal (maxResults=1).

# Número de vídeos do canal
videos_n <- channel_info$pageInfo$totalResults

# Id, nome, data de publicação e título de 1 vídeo do canal
video_id    <- channel_info$items[[1]]$id$videoId
video_time  <- substr(channel_info$items[[1]]$snippet$publishedAt, 1, 10)
video_title <- channel_info$items[[1]]$snippet$title

Para extrair informações detalhados do vídeo, podemos realizar a seguinte requisição ao API do youtube.

# Requisição das informações do vídeo
url_video <- paste0("https://www.googleapis.com/youtube/v3/videos?",
                    "id=", video_id,
                    "&key=",key,
                    "&part=snippet,contentDetails,statistics,status")


video_info <- fromJSON(url_video, simplify = FALSE)

Com a seleção dos argumentos contentDetails, statistics,status extraímos dados de duração do vídeo, tags, comentários, likes e dislikes.

# Extração da duração do vídeo e variáveis de contagem
video_duration_raw <- video_info$items[[1]]$contentDetails$duration

viewCount <-  isNull(video_info$items[[1]]$statistics$viewCount)

likeCount <- isNull(video_info$items[[1]]$statistics$likeCount)

dislikeCount <- isNull(video_info$items[[1]]$statistics$dislikeCount)

favoriteCount <- isNull(video_info$items[[1]]$statistics$favoriteCount)

commentCount <- isNull(video_info$items[[1]]$statistics$commentCount)

Para o caso de alguma informação retorne NULL e não comprometa o armazenamento dos dados, escrevi uma função isNull.

isNull <- function(x){
  
  if (is.null(x)) { y <- NA } 
  else { y <- x }
  
  return(y)
}

Após a extração dos dados do primeiro vídeo, podemos navegar para o próximo utilizando a saída da requisição de nome nextPageToken.

# Requisição das informações do canal (próxima página)
url <- paste0("https://www.googleapis.com/youtube/v3/search?",
                "channelId=", channel,
                "&key=",api_key,
                "&part=snippet",
                "&maxResults=1",
                "&pageToken=",channel_info$nextPageToken,
                "&type=video")
  
channel_info <- fromJSON(url, simplify = FALSE)

A partir deste ponto, pode-se escrever um loop (limitado pelo número de vídeos do canal) que extrai as informações do vídeo e acessa a próxima página pelo nextPageToken para continuar extraindo informações dos vídeos.

O Código como um todo está disponível no seguinte Gist.

Data Prep

3h da manhã

Após a extração, os dados tinham a seguinte cara.

dados %>% 
  dplyr::as_tibble() %>% 
  purrr::set_names(~sub('Count', '', .x))

## # A tibble: 420 x 8
##    title              time   duration view  like  dislike favorite comment
##    <chr>              <chr>  <chr>    <chr> <chr> <chr>   <chr>    <chr>  
##  1 Criacionismo [2] … 2012-… PT14M20S 2144… 11838 246     0        1315   
##  2 P.C.R.Evo [3] - N… 2016-… PT13M48S 1132… 12125 263     0        1134   
##  3 Jurassic World - … 2015-… PT24M53S 2686… 24762 297     0        1742   
##  4 Agnóstico ou Ateu… 2012-… PT13M16S 5694… 34970 1223    0        5374   
##  5 DUBLANDO OS CANDI… 2018-… PT1M39S  47067 10686 170     0        962    
##  6 A maldição da men… 2012-… PT10M56S 2666… 16599 338     0        1578   
##  7 O sumiço das abel… 2016-… PT12M12S 1294… 15989 139     0        1294   
##  8 Evolução e Disper… 2013-… PT17M1S  1921… 15569 150     0        2254   
##  9 Cesariana está re… 2016-… PT20M14S 1584… 16705 316     0        1666   
## 10 Fim do Museu Naci… 2018-… PT24M11S 1862… 32230 307     0        2      
## # ... with 410 more rows

Para trabalhar com a data de publicação (time) e a duração do vídeo (duration), convertemos a primeira na classe dttm (datatime) e extraimos via regex o tempo em segundos da segunda variável.

dados_prep <- dados %>% 
  dplyr::as_tibble() %>% 
  purrr::set_names(~sub('Count', '', .x)) %>% 
  mutate(time = lubridate::ymd(time)) %>% 
  mutate(hora = if_else(grepl("H", duration, fixed=TRUE), 
                        true = as.numeric(sub(".*PT *(.*?) *H.*", "\\1", duration)), 
                        false = 0)) %>% 
  mutate(minuto = if_else(grepl("M", duration, fixed=TRUE), 
                        true = as.numeric(sub(".*H *(.*?) *M.*", "\\1", duration)), 
                        false = 0)) %>% 
  mutate(minuto = if_else(is.na(minuto), 
                        true = as.numeric(sub(".*PT *(.*?) *M.*", "\\1", duration)), 
                        false = as.numeric(minuto))) %>% 
  mutate(segundo = if_else(grepl("S", duration, fixed=TRUE), 
                        true = as.numeric(sub(".*M *(.*?) *S.*", "\\1", duration)), 
                        false = 0)) %>% 
  mutate(total = segundo/60 + minuto + hora*60)

Finalmente, para termos uma conjunto de dados representativa do pirula-normal (nas CNTP!) removemos os vídeos de Live e com participação de convidados.

dados_clean <- dplyr::filter(dados_prep, !grepl('feat|LIVE|Live|live', title))

Análise Estatística

O histograma dos tempos apresentado na imagem abaixo nos dá a perspectiva de que a distribuição é assimétrica. Tomar a média dos dados como valor representativo acabaria levando a interpretaçõs incorretas pela sua sensibilidade aos valores da cauda à direita da distribuição.

dados_clean %>% 
  ggplot(aes(x = total)) +
  geom_histogram(col = "white", fill = "black") + 
  xlab("Duração do Vídeo (minutos)") +
  ylab("Quantidade")

O uso da mediana, pode, neste caso, ser uma alternativa razoável e que nos levaria ao pirula de duração igual a 19.8 minutos. Valor próximo ao registrado na literatura (vide Twitter hahahhahaha).

Até onde fizeram o cálculo de todos os meus vídeos, 1 pirula = 20 minutos de duração, e não meia hora como dizem por aí. Calúnias!!
— Pirula #120K (@Pirulla25) February 27, 2017

A série temporal da duração do vídeo, contudo, revela uma tendência crescente, com o passar do tempo, da duração dos vídeos e da variabilidade deles.

dados_clean %>% 
  ggplot(aes(x = time, y = total)) + 
  geom_line() + geom_point(size = 0.3) + 
  xlab("Ano") + 
  ylab("Duração do Vídeo (minutos")

É interessante notar no gráfico de correlação abaixo que o número de views do vídeo possui baixa correlação com a duração do vídeo - o que pode indicar que a audiência não treme quando vê aquele video de +45 minutos.

A correlação positiva e alta (algo discutível) das visualizações com o número de likes e comentários pode estar relacionada apenas ao maior número de pessoas que consumiu o vídeo e procurou interagir ou ao fato de que vídeos maiores despertam maior interação do público - Pontos a serem investigados!

dados_clean %>% 
  select(total, view, like, dislike, comment) %>% 
  mutate_all(as.numeric) %>% 
  GGally::ggpairs()

Finalmente, avaliamos a hipótese temporal mais detalhadamente. A imagem abaixo apresenta a mediana da duração dos vídeos agregada por ano. Podemos observar, mais claramente, como o pirula de duração varia ao longo dos anos e seus valores em anos anteriores não são mais representativos.

dados_clean %>% 
  mutate(year = lubridate::year(time)) %>% 
  group_by(year) %>% 
  summarise(media = median(total)) %>% 
  ggplot(aes(x = year, y = media)) + 
  geom_line() + geom_point(size = 0.3) + geom_label(aes(label = round(media, 1)))

Por esta razão, o pirula de duração não deve ser encarado com uma constante física e, por ainda não estar estabilizado, seu valor está atrelado ao ano de publicação dos vídeos.

Chega-se, assim, a um valor de 24 minutos para o pirula de duração em 2018!

Obrigado por chegar até aqui guerreirinho!