数据集：Google Play Store Apps 网址：https://www.kaggle.com/lava18/google-play-store-apps?select=googleplaystore.csv
此数据集包含了两个csv文件，一个是Google play store app的整体数据，一个是Google play store用户评论的数据。
用户评论数据主观性非常大，且内容少，所以这里我们选取的是Google play store app的整体数据进行分析。
Google play store文件包含了13个字段，分别是
App: Application name（应用名称）
Category: Category the app belongs to（分类）
Rating: Overall user rating of the app (as when scraped)（评分）
Reviews: Number of user reviews for the app (as when scraped)（评论数）
Size: Size of the app (as when scraped)（大小）
Installs: Number of user downloads/installs for the app (as when scraped)（下载/安装量）
Type: Paid or Free（付费与否）
Price: Price of the app (as when scraped)（价格）
Content Rating: Age group the app is targeted at - Children / Mature 21+ / Adult（内容分级）
Genres: An app can belong to multiple genres (apart from its main category). For eg, a musical family game will belong to Music, Game, Family genres.（次分类）
Last Updated: Date when the app was last updated on Play Store (as when scraped)
Current Ver: Current version of the app available on Play Store (as when scraped)
Android Ver: Min required Android version (as when scraped)
一、导入数据
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as snsdata = pd.read_csv('D:/Textbooks/Kaggle/Google Play Store Apps/googleplaystore.csv')
此数据包含了10841行，13列。
data.shape
Out[291]: (10841, 13)
Rating 列的空缺值非常多，高至1474。
data.isna().sum().sort_values(ascending=False)
Out[293]:
Rating 1474
Current Ver 8
Android Ver 3
Content Rating 1
Type 1
Last Updated 0
Genres 0
Price 0
Installs 0
Size 0
Reviews 0
Category 0
App 0
dtype: int64
二、数据清洗
因为此处不对版本和更新时间进行分析，所以首先删除掉这三列。
data.drop(columns=['Android Ver','Current Ver','Last Updated'],inplace=True)
1. App
data['App'].unique().size
Out[295]: 9660
App在谷歌应用商店里不可以重名，这里需要删除重复值，确保分析结果准确。
data.drop_duplicates('App',inplace=True)
2. Category
print(data.Category.unique())
['ART_AND_DESIGN' 'AUTO_AND_VEHICLES' 'BEAUTY' 'BOOKS_AND_REFERENCE''BUSINESS' 'COMICS' 'COMMUNICATION' 'DATING' 'EDUCATION' 'ENTERTAINMENT''EVENTS' 'FINANCE' 'FOOD_AND_DRINK' 'HEALTH_AND_FITNESS' 'HOUSE_AND_HOME''LIBRARIES_AND_DEMO' 'LIFESTYLE' 'GAME' 'FAMILY' 'MEDICAL' 'SOCIAL''SHOPPING' 'PHOTOGRAPHY' 'SPORTS' 'TRAVEL_AND_LOCAL' 'TOOLS''PERSONALIZATION' 'PRODUCTIVITY' 'PARENTING' 'WEATHER' 'VIDEO_PLAYERS''NEWS_AND_MAGAZINES' 'MAPS_AND_NAVIGATION' '1.9']
Category 有一个异常值1.9，删除。
data=data[data.Category != '1.9']
3. Rating
data.Rating.isna().sum()
Rating 的空缺值非常多，删除的话会缺失很多数据，但是用平均数或者中位数填充也不妥当，所以这里选择忽略na值，不做处理。
4. Reviews
转换为数值型。
data.Reviews.dtype
Out[300]: dtype('O')
data.Reviews = pd.to_numeric(data.Reviews)
5. Size
data.Size.value_counts()
Out[306]:
Varies with device 1227
11M 182
12M 181
13M 177
14M 177...
226k 1
903k 1
190k 1
400k 1
54k 1
Name: Size, Length: 461, dtype: int64
Size数据去掉单位，统一转换成以k为单位的数值型。
def f(x):if x[-1] == 'M':res = float(x[:-1])*1024elif x[-1] == 'k':res = float(x[:-1])else:res = np.nanreturn res
data.Size = data.Size.apply(f)
6. Installs
data.Installs.unique()
Out[308]:
array(['10,000+', '500,000+', '5,000,000+', '50,000,000+', '100,000+','50,000+', '1,000,000+', '10,000,000+', '5,000+', '100,000,000+','1,000,000,000+', '1,000+', '500,000,000+', '50+', '100+', '500+','10+', '1+', '5+', '0+', '0'], dtype=object)
去掉加号和逗号，转换为数值型。
def inst(x):if x[-1] == '+':res = float(x[:-1].replace(',',''))else:res = float(x)return res
data.Installs = data.Installs.apply(inst)
7. Type
data.Type.value_counts(dropna=False)
Out[313]:
Free 8902
Paid 756
NaN 1
Name: Type, dtype: int64
有一个空缺值，删除。
data.Type.dropna(inplace=True)
8. Price
将“$”符号删除，并转换为数值型。
def prc(x):if x[0] == '$':res = float(x[1:])else:res = float(x)return res
data.Price = data.Price.apply(prc)
9. Content Rating
data['Content Rating'].value_counts()
Out[318]:
Everyone 7903
Teen 1036
Mature 17+ 393
Everyone 10+ 322
Adults only 18+ 3
Unrated 2
Name: Content Rating, dtype: int64
10. Genres
data.Genres.value_counts()
Out[321]:
Tools 826
Entertainment 561
Education 510
Business 420
Medical 395...
Racing;Pretend Play 1
Puzzle;Education 1
Travel & Local;Action & Adventure 1
Comics;Creativity 1
Health & Fitness;Education 1
Name: Genres, Length: 118, dtype: int64
多类别的数量很少，且有一个类别做分析已经足够。
为了便于分析，删除“；”后边的第二个类别。
data['Genres']=data.Genres.apply(lambda x:x.split(";")[0])
三、数据分析
先把游戏类别筛选出来。
gamedata = data[data['Category']=='GAME']
1.分析相关性
corrmat=gamedata.corr()
plt.figure(figsize=(15,10))
sns.heatmap(corrmat,annot=True,cmap=sns.diverging_palette(220, 20, as_cmap=True))
Price除了和Rating 有极小的正相关性，和其他指标都呈负相关，但是相关性都很小。
值得注意的是，上图除了Reviews和Installs存在较大的正向相关性，其他的相关性都非常小。
但是Installs和Reviews这两个指标相互影响，玩的人数越多自然评论越多。
2. 游戏类别分析和总体区别
谷歌安卓市场App一共有33个类别。
data.Category.nunique()
Out[327]: 33
看看游戏类别排在第几位。
plt.figure(figsize=(20,8))
fig = sns.countplot(x=data['Category'], palette="Set3",order = data['Category'].value_counts().index)
fig.set_xticklabels(fig.get_xticklabels(),rotation=90)
plt.show(fig)
游戏类别的数量排在第二位！仅次于家庭类别的数量。
我们来看看各类别的安装数量。
AllInstalls = data.groupby('Category')['Installs'].agg('sum').reset_index()
AllInstalls = AllInstalls.sort_values(by=['Installs'],ascending=False)
fig = plt.figure(figsize=(20,8))
title=plt.title('Comparing all categories on the basis of Installs')
bar=sns.barplot(x='Category',y='Installs',data=AllInstalls)
bar.set_xticklabels(bar.get_xticklabels(),rotation=90)
plt.show(bar)
游戏类别排在了第一！随后是交流和工具类别，这三者的总安装量和平均安装量都是居高不下的，安卓应用市场的游戏玩家众多，下载安装量也非常之高。
那么游戏的评分和总体的评分比较是怎样的呢？
首先将游戏和总体类别的数值进行比较
data.Rating.describe()
Out[335]:
count 8196.000000
mean 4.173243
std 0.536625
min 1.000000
25% 4.000000
50% 4.300000
75% 4.500000
max 5.000000
Name: Rating, dtype: float64
gamedata.Rating.describe()
Out[336]:
count 912.000000
mean 4.247368
std 0.384116
min 1.000000
25% 4.100000
50% 4.300000
75% 4.500000
max 5.000000
Name: Rating, dtype: float64
可以看出谷歌应用商店的总体平均分高达4.17，满分是5。
但游戏的平均评分比总体的平均评分还要高，高达4.25！ 且波动幅度比总体评分要小。
下面用可视化来看走势。
fig,axes = plt.subplots(figsize=(12,6),ncols=2, nrows=1)
title=axes[0].set_title("Distribution of Rating(All App)", y = 1.1)
title=axes[1].set_title("Distribution of Rating(GAME)", y = 1.1)g1 = sns.kdeplot(data.Rating, color='red',shade = True,ax=axes[0])
g1.set_xlabel("Rating")
g1.set_ylabel("Frequency")g2 = sns.kdeplot(gamedata.Rating,color='blue', shade = True,ax=axes[1])
g2.set_xlabel("Rating")
g2.set_ylabel("Frequency")
可以看到在高分段，游戏类别的频率是明显高于总体类别的，说明游戏类别的整体质量偏高，玩家乐于给游戏类别打高分。
下面来看看付费方式的区别。
先来看看总体商店的付费与免费App的占比。
labelall =data['Type'].value_counts(sort = True).index
sizeall = data['Type'].value_counts(sort = True)colors = ["palegreen","orangered"]
explode = (0.1,0) # explode 1st slice
plt.title('Percent of Free App in store',size = 20)
figall = plt.pie(sizeall, explode=explode, labels=labelall, colors=colors,autopct='%1.1f%%', shadow=True, startangle=270)
免费游戏占了92.2%，而付费游戏仅仅占比7.8%。
下面来看看游戏类别的Type占比。
labelgame =gamedata['Type'].value_counts(sort = True).index
sizegame = gamedata['Type'].value_counts(sort = True)plt.title('Percent of Free App in game',size = 20)
figgame = plt.pie(sizegame, explode=explode, labels=labelgame, colors=colors,autopct='%1.1f%%', shadow=True, startangle=270)
付费占比略微高一点，8.6%。
由此看出不管是总体还是游戏类别，免费游戏都远远大于付费游戏，比例看起来非常相似，游戏类别的付费比例要高一点点。
在游戏类别中，定价的分布是怎样的？
gameprice=gamedata[gamedata['Price'] != 0.0]
gpp= sns.countplot(gameprice['Price'], palette = "hls")
gpp.set_xticklabels(gpp.get_xticklabels(), rotation=90, ha="right")
plt.title('Number of apps for every price',size = 20)
定价大都都是尾数为0.99，可以看出来厂商觉得这样更加吸引玩家购买。而其中0.99美元远超过其他定价位列第一位，其次是1.99，2.99，4.99美元。
3. 游戏的种类分析
游戏类别下划分为不同种类的游戏，我们来看看每种游戏的数量。
plt.figure(figsize=(20,5))
fig = sns.countplot(x=gamedata['Genres'], palette="Set3",order = gamedata['Genres'].value_counts().index)
fig.set_xticklabels(fig.get_xticklabels(),rotation=90)
plt.show(fig)
动作类、街机类、竞速类游戏分别占领游戏种类数量的前三名。
接下来看看安装量。
G_installs = gamedata.groupby('Genres')['Installs'].agg('sum').reset_index()
G_installs = G_installs.sort_values(by=['Installs'],ascending=False)fig = plt.figure(figsize=(12,7))
title=plt.title('Comparing all Genres on the basis of Installs')
bar=sns.barplot(y=G_installs['Genres'],x=G_installs['Installs'],palette='hls')
plt.show(bar)
街机游戏成为安装量最多的游戏种类。
休闲游戏的数量虽然非常少，但是安装量却排到了第三，说明玩家众多，平均下载安装量很高。随后解密类游戏、策略类游戏也都表现不错。
用可视化直观的看平均安装量。
G_installs_avg = gamedata.groupby('Genres')['Installs'].agg('mean').reset_index( name='Avg_Installs')
G_installs_avg = G_installs_avg.sort_values(by=['Avg_Installs'],ascending=False)fig = plt.figure(figsize=(12,7))
title=plt.title('Comparing avg Genres on the basis of Installs')
bar=sns.barplot(y=G_installs_avg['Genres'],x=G_installs_avg['Avg_Installs'],palette='hls')
plt.show(bar)
果然没错，休闲游戏的平均安装量遥遥领先，而值得一提的是，体育类游戏的平均下载量攀升到了第二名。
那么各类型游戏的评分分布是怎么样的呢？
g = sns.catplot(x="Genres",y="Rating",data=gamedata, kind="boxen", height = 10 ,
palette = "Set3")
g.despine(left=True)
g.set_xticklabels(rotation=90)
g = g.set_ylabels("Rating")
plt.title('Boxplot of Rating VS Genres',size = 20)
解密类、运动类、休闲类游戏的评分非常稳定，也很高。
而冒险类、音乐类、竞速类等游戏评分差异比较大，平均评分也较低。
是否评分分布跟游戏类型面向的人群有关系呢？
我们可以分析一下不同类型的Content Rating。
content_G = gamedata[gamedata['Genres'].isin(['Action','Arcade','Racing','Adventure','Card','Music','Board','Puzzle'])]
g = plt.figure(figsize=(20,5))
sns.set(style="whitegrid",font_scale=2,palette="pastel")
sns.countplot(hue=content_G['Content Rating'],x=content_G['Genres']);
这里综合了游戏类别的数量和平均安装量，选取了8个游戏类别进行对比。
游戏类型的Content Rating 对游戏的评分似乎没有关系。在图中，除了动作类型的游戏面向青少年的比较多以外，其他的都是面向全年龄。
4. 如何让游戏更加受欢迎
先来看看安装量最多的十款游戏。
game_sortinstalls = gamedata.sort_values(by =['Installs'],ascending=False)
plt.figure(figsize=(15,6))
fig = sns.barplot(x=game_sortinstalls['App'][:10], y=game_sortinstalls['Installs'][:10],palette="hls")
fig.set_xticklabels(fig.get_xticklabels(),rotation=90)
plt.tight_layout()
plt.show(fig)
Subway Surfers成为安装量最高的游戏。
下面我想看看游戏的大小是否对游戏的安装量有影响。
游戏的Size大小各有不同，我们可以先划分为几个类别。
先来看看Size的具体情况。
gamedata.Size.describe()
Out[390]:
count 873.000000
mean 42871.368156
std 27853.882867
min 116.000000
25% 20480.000000
50% 38912.000000
75% 61440.000000
max 102400.000000
Name: Size, dtype: float64
最大的是102400k ，也就是100M，这是由于Google对安装包的大小上限为100M。
我们把Size划分为五个区间，每20M一个区间。
gamedata.loc[(gamedata['Size'] > 0) & (gamedata['Size'] <= 20480),'Sizeval'] = '0M+'
gamedata.loc[(gamedata['Size'] > 20480) & (gamedata['Size'] <= 40960),'Sizeval'] = '20M+'
gamedata.loc[(gamedata['Size'] > 40960) & (gamedata['Size'] <= 40960), 'Sizeval'] = '40M+'
gamedata.loc[(gamedata['Size'] > 40960) & (gamedata['Size'] <= 81920), 'Sizeval'] = '60M+'
gamedata.loc[(gamedata['Size'] > 81920) & (gamedata['Size'] <= 102400),'Sizeval'] = '80M+'
看看平均值。
gamedata[['Sizeval', 'Installs']].groupby(['Sizeval'], as_index=False).mean()
Out[394]: Sizeval Installs
0 0M+ 4.265999e+06
1 20M+ 9.118494e+06
2 60M+ 2.182831e+07
3 80M+ 1.829975e+07
60M-80M这个区间的平均安装量最高。
sizep = sns.barplot(x="Sizeval",y="Installs",data=gamedata, palette = "Pastel1")
sizep = g.set_ylabels("Size")
plt.title('Intalls VS Size',size = 20)
我们知道免费游戏占绝大部分的比例，安装量也最高，那么在付费游戏中，是收费越低安装量越高吗？
sns.set_style("darkgrid")
paidinstalls = gamedata[gamedata.Price>0]
p = sns.jointplot( "Price", "Installs", paidinstalls)
猜得没错，随着价格的增多，安装量逐渐减少。大多安装量的付费游戏集中在0到4.99美元之间。
现在我们来分析一下评分，评分也是评价游戏受欢迎的一个重要因素。
sns.set_style("darkgrid")
ax = sns.jointplot(gamedata['Size'], gamedata['Rating'])
看起来影响不大，总体没有关系，只是在Size非常小的时候，评分会有极低的现象。
既然大小对评分的影响不大，那么价格是否会对评分产生影响呢？
plt.figure(figsize = (10,10))
sns.regplot(x="Price", y="Rating", color = 'darkorange',data=gamedata);
plt.title('Rating and Price in Games',size = 20)
免费游戏数量庞大，评分分化严重，随着价格的升高，评分呈上升趋势，这说明价格越高的游戏确实质量越好，而且玩家对于付费游戏的期望会比免费游戏低。
现在我们知道评分高和安装量高的游戏大概特征了，那么评分和安装量存在什么关系吗？他们之间有没有矛盾之处？还是呈正向影响？
plt.figure(figsize = (10,10))
sns.regplot(x="Installs", y="Rating", color = 'teal',data=gamedata);
plt.title('Rating and Installs in Games',size = 20)
看起来确实有一些关联！起码在比较高的安装量下，游戏的评分都不会过低，一般在4分以上。
4. 总结
1.除了安装量和评论数，各指标的相关性并不太大。
2.游戏应用是谷歌应用商店安装量最高的类别。
3.玩家对游戏的平均评价非常高，游戏的平均质量比较好。
4.付费游戏的比例很低，且游戏的定价普遍集中在0.99，1.99，2.99，4.99。
5.游戏安装量高的集中的60M-100M之间。
6.游戏的安装量和应用的大小、价格都有一定的关系，而且安装量大的游戏，评分都比较高且稳定，呈正向关系。
