Importar HTML en R: Películas más taquilleras IMDb

Continuamos practicando la importación de tablas HTML en R. En el siguiente ejemplo importamos los resultados de las películas más taquilleras.

Importación

library(XML) # Función readHTMLTable
library(reshape2) # Función colsplit
url <- "http://www.imdb.com/chart"
peliculas <- readHTMLTable(url, which = 1, stringsAsFactors = FALSE)

Manipulación

peliculas <- transform(peliculas, peliculas = colsplit(peliculas[[2]], pattern = "\n", names = c("rank", "title", "year")))
peliculas[, c(1, 2, 6, 7)] <- list(NULL)
colnames(peliculas) <- c("weekend", "gross", "weeks", "title", "year")
peliculas$title <- gsub("^ +|+ $", "", peliculas$title) 
peliculas$year <- gsub("[[:punct:]]|[[:space:]]", "", peliculas$year)
peliculas$gross <- as.numeric(gsub("\\$|M", "", peliculas$gross))
peliculas$weekend <- as.numeric(gsub("\\$|M", "", peliculas$weekend))
peliculas$weeks <- as.integer(peliculas$weeks)
peliculas$year <- as.integer(peliculas$year)
peliculas <- peliculas[c(4, 5, 1, 2, 3)]
peliculas

# 2014/09/22
                          title year weekend gross weeks
1               The Maze Runner 2014    32.5  32.5     1
2   A Walk Among the Tombstones 2014    13.1  13.1     1
3     This Is Where I Leave You 2014    11.9  11.9     1
4                  No Good Deed 2014    10.2  40.1     2
5                Dolphin Tale 2 2014     9.0  27.1     2
6       Guardians of the Galaxy 2014     5.2 313.7     8
7                 Let's Be Cops 2014     2.7  77.2     6
8  Teenage Mutant Ninja Turtles 2014     2.6 185.0     7
9                      The Drop 2014     2.0   7.7     2
10                    If I Stay 2014     1.8  47.7     5

Recaudación del fin de semana

# Especificamos los márgenes del área del gráfico
par(mar = c(5, 15, 4, 2))
# Creamos el gráfico de barras horizontal
bp <- barplot(rev(peliculas$weekend), 
              names.arg = rev(peliculas$title),
              horiz = TRUE, 
              col = "lightskyblue", border= "white", 
              xlim = c(0, 35), xlab = "USD $ Millions",
              las = 1)
# Añadimos etiquetas a las barras
text(y = bp, x = 0, round(rev(peliculas$weekend), 1), pos = 4) 

Recaudación acumulada

# Ordenamos descendentemente por recaudación acumulada (gross)
peliculas <- peliculas[order(-peliculas[,4]), ] 

# 2014/09/22
                          title year weekend gross weeks
6       Guardians of the Galaxy 2014     5.2 313.7     8
8  Teenage Mutant Ninja Turtles 2014     2.6 185.0     7
7                 Let's Be Cops 2014     2.7  77.2     6
10                    If I Stay 2014     1.8  47.7     5
4                  No Good Deed 2014    10.2  40.1     2
1               The Maze Runner 2014    32.5  32.5     1
5                Dolphin Tale 2 2014     9.0  27.1     2
2   A Walk Among the Tombstones 2014    13.1  13.1     1
3     This Is Where I Leave You 2014    11.9  11.9     1
9                      The Drop 2014     2.0   7.7     2

# Márgenes del área del gráfico
par(mar = c(5, 15, 4, 2))
Gráfico de barras
bp <- barplot(rev(gross), 
              names.arg = rev(title), 
              horiz = TRUE, 
              col = "lightsalmon", border= "white", 
              xlim = c(0, 350), xlab = "USD $ Millions",
              las = 1)
# Etiquetas de las barras
text(y = bp, x = 0, round(rev(gross), 1), pos = 4) 

Entradas relacionadas

• Importar datos en R: tablas HTML
  Importar datos en R: tablas HTML gráficos ggplot2