Contexto: arranque de yt-extract (analítica de videos, open/freemium)

DATASET BASE (Kaggle):
- Primario: rsrishav/youtube-trending-video-dataset  ("Trending YouTube Video Statistics")
- Alterno:  datasnaek/youtube-new   (mismo schema, cobertura más larga, MX incluido)
 
ARCHIVOS: {US,GB,CA,DE,FR,IN,KR,JP,RU,MX}videos.csv + category_id.json
 
COLUMNAS (por snapshot diario "trending_date"):
  video_id, trending_date, title, channel_title, category_id, publish_time,
  tags, views, likes, dislikes, comment_count, thumbnail_link,
  comments_disabled, ratings_disabled, video_error_or_removed, description
 
MAPEO A LAS 3 METAS:
  1. Éxito de temas        -> category_id + tags + title => TF-IDF/embeddings, cluster
                              por tópico; éxito = views + supervivencia en trending
  2. Momentos clave        -> NO está en trending (necesita audienceRetention de
                              Analytics API o heatmap "most replayed"). Ser honesto:
                              este dataset da nivel-tema, no nivel-segundo.
  3. Repetibilidad         -> panel longitudinal trending_date => survival analysis
                              (hazard de permanencia) + recurrencia de (canal, tópico)
 
PRIMER EXPERIMENTO FALSABLE (corre en pandas, local, sin API keys):
  - Hazard de permanencia en trending, estratificado por category_id
  - Medida de recurrencia de tópico/canal a través de semanas
  - Hipótesis a testear después: colapso de varianza estilística 2015->2026
 
DESCARGA:
  pip install kaggle  +  export KAGGLE_USERNAME=... KAGGLE_KEY=...
  kaggle datasets download rsrishav/youtube-trending-video-dataset -p data/ --unzip
 
CAVEAT: cobertura de años varía por mirror; el original ~2017-2018, mirrors
"updated daily" más recientes pero parciales. Verificar tras descargar.