基于python的游戏市场分析

本文主要是介绍基于python的游戏市场分析，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

#读取文件
df=pd.DataFrame(pd.read_csv('vgsales.csv'))

#初步了解
print(df.info())
print(df.describe())

#检查空值
print(df.isnull().any())
print(df.isnull().sum())

1.不同体裁的游戏在营收方面的表现

（纵向对比，即比较不同的平台在同一方面的营收情况）

genre_sale=df.groupby('Genre').agg(NAsales=('NA_Sales','sum'),EUsales=('EU_Sales','sum'),
                                   JPsales=('JP_Sales','sum'),Othsales=('Other_Sales','sum'),
                                   Glosales=('Global_Sales','sum')).sort_values(by='Genre')

1.1全球销量排名
genre_sale['rank']=genre_sale['Glosales'].rank(method='min',ascending=False)
 

1.2全球销量排名前三的体裁
print(genre_sale.query('rank<=3'))

1.3绘图

1.3.1折线图

plt.figure()
x=genre_sale.index
y=genre_sale['Glosales']
z=genre_sale['Othsales']
plt.xticks(rotation=30)
plt.plot(x, y,label='glo')
plt.plot(x,z,label='oth')
plt.legend()
for a,b in zip(x,y):
    plt.text(a,b+10,'%.2f' % b,ha='center')
for a,b in zip(x,z):
    plt.text(a,b+10,'%.2f' % b,ha='center')  
    
 
plt.figure()
c=genre_sale['NAsales']
d=genre_sale['EUsales']
e=genre_sale['JPsales']
plt.plot(x,c,label='NA')
plt.plot(x,d,label='EU')
plt.plot(x,e,label='JP')
plt.legend()
plt.xticks(rotation=30)
 

1.3.2条形图(结构条形图)

plt.figure()
plt.bar(x,c,label='NA',color='pink')
plt.bar(x,d,label='EU',color='purple')
plt.bar(x,e,label='JP',color='lightblue')
plt.legend()
plt.xticks(rotation=30)
    
for a,b in zip(x,c):
    plt.text(a,b,'%.2f' % b,ha='center')
    
1.4评级

def sale_label(x):
    if x>np.mean(genre_sale['Glosales']):
        return 'high'
    else:
        return 'low'
    
genre_sale['label']=genre_sale['Glosales'].apply(lambda x:sale_label(x))

2.不同平台在营收方面的表现

plat_sale=df.groupby('Platform').agg(NAsales=('NA_Sales','sum'),EUsales=('EU_Sales','sum'),
                                   JPsales=('JP_Sales','sum'),Othsales=('Other_Sales','sum'),
                                   Glosales=('Global_Sales','sum'))

2.1纵向对比，即比较不同的平台在同一方面的营收情况

plat_sale['rank']=plat_sale['Glosales'].rank(method='min',ascending=False)

plt.figure()
for i in range(plat_sale.shape[1]):
    x1=plat_sale.index
    y1=plat_sale.iloc[:,i]
    plt.bar(x1,y1,color='orange')
    plt.xticks(rotation=90)
    plt.ylabel(plat_sale.columns[i])
    plt.show()

2.2横向对比，即比较同一平台在不同方面的营收情况

for i in range(len(plat_sale)):
    f1=pd.DataFrame(plat_sale.iloc[i,:])
    plt.plot(f1,color='orange')
    plt.ylabel(f1.columns)
    for n,g in zip(f1.index,f1.iloc[:,0]):
        plt.text(n,g,'%.2f' % g,ha='center')
    plt.show()

纵向 

横向 

3.不同出版商在营收方面的表现

3.1分组计算
pub_sale=df.groupby('Publisher').agg(NAsales=('NA_Sales','sum'),EUsales=('EU_Sales','sum'),
                                   JPsales=('JP_Sales','sum'),Othsales=('Other_Sales','sum'),
                                   Glosales=('Global_Sales','sum'))

3.2排名
pub_sale['rank']=pub_sale['Glosales'].rank(method='min',ascending=False)
pub_sale_20=pub_sale.query('rank<=20')

3.3画图
plt.figure()
x2=pub_sale_20.index
y2=pub_sale_20['Glosales']
plt.plot(x2,y2,color='orange')
plt.xticks(rotation=90)
for a,b in zip(x2,y2):
    plt.text(a,b+10,'%.2f' % b,ha='center')

4.不同年份在营收方面的的表现

4.1给年份分组

def year_group(x):
    if x<=1990:
        return '1980-1990'
    elif x<=2000:
        return '1991-2000'
    elif x<=2010:
        return '2001-2010'
    else:
        return '2011-2020'

list1=[]
for i in df['Year']:
    a=year_group(i)
    list1.append(a)   
df['year_group']=list1

  #另一种写法
  #df['year_group']=df['Year'].apply(lambda x:year_group(x))

4.2分组计算

year_sale=df.groupby('year_group').agg(NAsales=('NA_Sales','sum'),EUsales=('EU_Sales','sum'),
                                   JPsales=('JP_Sales','sum'),Othsales=('Other_Sales','sum'),
                                   Glosales=('Global_Sales','sum'))

4.3画图
plt.figure()
for i in range(year_sale.shape[1]):
    x2=year_sale.index
    y2=year_sale.iloc[:,i]
    plt.plot(x2,y2,label=year_sale.columns[i])
    for a,b in zip(x2,y2):
        plt.text(a,b,'%.2f' % b,ha='center')
    plt.legend()

5.不同游戏在营收方面的表现

5.1分组计算
game_sale=df.groupby('Name').agg(NAsales=('NA_Sales','sum'),EUsales=('EU_Sales','sum'),
                                   JPsales=('JP_Sales','sum'),Othsales=('Other_Sales','sum'),
                                   Glosales=('Global_Sales','sum'))

5.2游戏在不同国家营收的排名
for i in range(game_sale.shape[1]):
    coname=game_sale.columns
    game_sale[coname[i]+'_rate']=game_sale.iloc[:,i].rank(method='min',ascending=False)

5.3取出不同国家营收排名前十的游戏
for i in range(5,10):
    outn=game_sale[game_sale.iloc[:,i]<=10].iloc[:,i]
    print(outn)

这篇关于基于python的游戏市场分析的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！