Se desea obtener la recepción $\alpha$ de los videos de humor negro por parte del público dentro de los comentarios, donde $0 \leq \alpha \leq 1$, $\alpha = 0$ significa que hubo rechazo total y $\alpha = 1$ que hubo simpatía total, y $\alpha$ varía linealmente.

El análisis exploratorio de datos (EDA) implica el uso de gráficos y visualizaciones para explorar y analizar un conjunto de datos. El objetivo es explorar, investigar y aprender, no confirmar hipótesis estadísticas.

Fuente: JMP Statistical Discovery

El análisis exploratorio de datos es una herramienta poderosa para explorar un conjunto de datos. Incluso cuando su objetivo es realizar análisis planificados, EDA se puede utilizar para limpiar datos, para análisis de subgrupos o simplemente para comprender mejor los datos. Un paso inicial importante en cualquier análisis de datos es representarlos gráficamente.

Fuente: JMP Statistical Discovery

El proyecto está estructurado de la siguiente manera:

.
├── data  # Carpeta para almacenar los datos
│   ├── raw  # Datos originales sin procesar
│   └── processed  # Datos procesados
├── notebooks  # Notebooks de Jupyter para análisis exploratorio
│   └── EDA.ipynb  # Notebook principal para el análisis exploratorio
├── src  # Código fuente del proyecto
│   ├── __init__.py  # Inicializa el paquete
│   ├── api.py  # Código para interactuar con la API de YouTube y OpenAI
│   ├── instructions.py  # Instrucciones para el modelo LLM de OpenAI
│   ├── query.py  # La query para la API de YouTube
│   └── text_format.py  # Formato de los datos a obtener con la API de OpenAI
├── .gitignore  # Archivos y carpetas a ignorar por git
├── README.md  # Documentación del proyecto
└── requirements.txt  # Dependencias del proyecto