Googleplaystore数据分析

本次所用到的数据分析工具：numpy、pandas、matplotlib、seaborn

一、分析目的

假如接下来需要开发一款APP，想了解开发什么类型的APP会更受欢迎，此次分析可以对下一步计划进行指导。

二、分析维度

本次只对以下八个维度进行分析：

三、数据处理

1、数据介绍

googleplaystore：谷歌应用商店App相关信息

导入数据：

#导入分析包
import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

df = pd.read_csv('./googleplaystore.csv', usecols=(0, 1, 2, 3, 4, 5, 6))

#简单浏览下数据

df.head()

#查看行列数量

df.shape

数据量：10841*8

数据概览：

2、列名称理解：

3、数据清洗

# 查看各个列的非空数据量

df.count()

App         10841

Category    10841

Rating       9367

Reviews     10841

Size        10841

Installs    10841

Type        10840

Price       10841

dtype: int64

总共有10481条记录，可以看出Rating有很多null值。

清洗数据：

#App列：查看是否有重复值
pd.unique(df['App']).size

有9660条唯一值记录，重复值占总记录大概10%，为了不留下其他列的异常值，将需要删除的重复记录放在后面处理。

# Category列：

df['Category'].value_counts(dropna=False)

FAMILY                 1972

GAME                   1144

TOOLS                   843

MEDICAL                 463

BUSINESS                460

PRODUCTIVITY            424

PERSONALIZATION         392

COMMUNICATION           387

SPORTS                  384

LIFESTYLE               382

FINANCE                 366

HEALTH_AND_FITNESS      341

PHOTOGRAPHY             335

SOCIAL                  295

NEWS_AND_MAGAZINES      283

SHOPPING                260

TRAVEL_AND_LOCAL        258

DATING                  234

BOOKS_AND_REFERENCE     231

VIDEO_PLAYERS           175

EDUCATION               156

ENTERTAINMENT           149

MAPS_AND_NAVIGATION     137

FOOD_AND_DRINK          127

HOUSE_AND_HOME           88

LIBRARIES_AND_DEMO       85

AUTO_AND_VEHICLES        85

WEATHER                  82

ART_AND_DESIGN           65

EVENTS                   64

PARENTING                60

COMICS                   60

BEAUTY                   53

1.9                       1

Name: Category, dtype: int64
这里的类别名称为1.9的明显是异常值，查看一下该条异常记录

df[df['Category'] == '1.9']

猜测是在处理数据是出现了错位的情况。

# 删除该条记录

df.drop(index=10472,inplace=True)

# rating列

df['Rating'].value_counts(dropna=False)

# 有1474条NaN值

# 用平均值填充

df['Rating'].fillna(value=df['Rating'].mean(),inplace=True)

# reviews列

df['Reviews'].value_counts(dropna=False)

# 查看是否有非数值型数据

df['Reviews'].str.isnumeric().sum()
#将Reviews转化为int型
df['Reviews'] = df['Reviews'].astype('i8')

由于前面删除了一条数据，现在总共有10840条数值型数据

# size列

df['Size'].value_counts(dropna=False)

以下是部分数据：

Varies with device    1695

11M                    198

12M                    196

14M                    194

13M                    191

15M                    184

17M                    160

19M                    154

16M                    149

26M                    149

25M                    143

20M                    139

21M                    138

10M                    136

24M                    136

18M                    133

23M                    117

# 将size替换成科学计数法以便于进一步分析

df['Size']=df['Size'].str.replace('M','e+6')

df['Size']=df['Size'].str.replace('k','e+3')
df['Size'].value_counts(dropna=False)

Varies with device    1695

11e+6                  198

12e+6                  196

14e+6                  194

13e+6                  191

15e+6                  184

17e+6                  160

19e+6                  154

16e+6                  149

26e+6                  149

25e+6                  143

20e+6                  139

21e+6                  138

24e+6                  136

10e+6                  136

18e+6                  133

23e+6                  117

22e+6                  114
这时可以发现第一条记录不太符合要求，这时将该字符串用0代替，再将此替换为平均值（当然具体业务环境需要具体分析出现该情况的原因）

df['Size'] = df['Size'].str.replace('Varies with device', '0')

此时还需要进一步将Size列转换为int类型，以便于接下来的计算

df['Size'] = df['Size'].astype('f8').astype('i8')

0           1695

11000000     198

12000000     196

14000000     194

13000000     191

15000000     184

17000000     160

19000000     154

16000000     149

26000000     149

10000000     146

25000000     143

20000000     139

21000000     138

24000000     136

18000000     133

23000000     117
这里将Size为0的数据填充为平均值（这里合理的方法是将0以外的数据进行平均值处理）

df['Size'].replace(0, df[df['Size']!=0].Size.mean(), inplace=True)

21516529    1695

11000000     198

12000000     196

14000000     194

13000000     191

15000000     184

17000000     160

19000000     154

16000000     149

26000000     149

10000000     146

25000000     143

20000000     139

21000000     138

24000000     136

18000000     133

23000000     117

22000000     114

29000000     103

27000000      97

#查看分布
df.describe()

#Installs列
df['Installs'].value_counts()

1,000,000+        1579

10,000,000+       1252

100,000+          1169

10,000+           1054

1,000+             907

5,000,000+         752

100+               719

500,000+           539

50,000+            479

5,000+             477

100,000,000+       409

10+                386

500+               330

50,000,000+        289

50+                205

5+                  82

500,000,000+        72

1+                  67

1,000,000,000+      58

0+                  14

0                    1

Name: Installs, dtype: int64
将‘，’和‘+’进行替换，并转换为int类型

df['Installs'] = df['Installs'].str.replace('+', '')

df['Installs'] = df['Installs'].str.replace(',', '')

# 转换

df['Installs'] = df['Installs'].astype('i8')

　转换后如下所示：

1000000       1579

10000000      1252

100000        1169

10000         1054

1000           907

5000000        752

100            719

500000         539

50000          479

5000           477

100000000      409

10             386

500            330

50000000       289

50             205

5               82

500000000       72

1               67

1000000000      58

0               15

Name: Installs, dtype: int64

#Type列：

df.info()

App         10840 non-null object

Category    10840 non-null object

Rating      10840 non-null float64

Reviews     10840 non-null int64

Size        10840 non-null int64

Installs    10840 non-null int64

Type        10839 non-null object

Price       10840 non-null object
Type列有一条na值，找出该记录，并删除：

df['Type'].value_counts(dropna=False)

df[df['Type'].isnull()]
df.drop(index=9148, inplace=True)

#Price列：

df['Price'].value_counts(dropna=False)

该列未出现异常值。

#删除App重复记录

df.drop_duplicates('App',inplace=True)
df.count()

App         9658

Category    9658

Rating      9658

Reviews     9658

Size        9658

Installs    9658

Type        9658

Price       9658

dtype: int64
清洗后的数据量为:9658*8
四、数据分析
从Category角度：
查看有多少个类别，以及哪些类别更受开发者欢迎；

pd.unique(df['Category']).size

# 总共有33个类别

group_by_category=df.groupby('Category')[['App']].count().sort_values('App',ascending=False)

group_by_category.rename(columns={'App':'App_count'},inplace=True)

group_by_category.index.values

f,axes=plt.subplots(figsize=(10,8))

sns.barplot(x=group_by_category['App_count'],y=group_by_category.index)

plt.show()

从上以上条形图可以看出娱乐、家庭以及工具类App最受开发者欢迎。

根据每个Category的平均安装量进行排序，观察哪些类别更受用户青睐：

df.groupby('Category').mean().sort_values('Installs', ascending=False)

可以看出，娱乐社交类更受用户欢迎。

根据每个Category的评论进行排序，观察哪些类别评论更多：

df.groupby('Category').mean().sort_values('Reviews', ascending=False)

社交、游戏、视频类评论较多。

根据评分进行排序：是否与用户需求程度一致？

df.groupby('Category').mean().sort_values('Rating', ascending=False)

该结果明显和上述分析结果不一致，可能的原因是那些安装量更多的App用户体验感反而不太强，但这些又是用户离不开的产品，

还有可能是某一类别的部分评分低而拉低的平均评分，总之，开发者在开发新产品时需要注意用户体验感的满足，这样才会有更高的用

户黏性，因为一旦用户体验感不好，他们就会想办法找其他产品来代替。

从Type角度：

df.groupby('Type').count()

很明显，免费产品依然占主流啦，毕竟人都还是喜欢占便宜嘛，能用免费的就尽量不用收费的，不过从用户角度来看，如果产品让我特

别满意的情况下，还是很乐意使用收费产品的！

从Price角度：

df.groupby('Price').count().sort_values('App',ascending=False).head(10)

从该角度可以发现，其实开发者开发较多的也是免费产品，只有少数需要收费，而且收费越高的数量越少，这也刚好符合用户需求。

根据每个Category的平均Size进行排序：

df.groupby('Category').mean().sort_values('Size')

可以看到，工具类的安装内存是最小的，这可能是因为工具是人们需要经常使用的，因此希望装的小一些。

五、结论

通过对Googleplaystore相关数据的初步分析，可以看出用户需求量最大的是社交、娱乐等产品，免费产品依然占据主流地位。

另外，就是建议开发者开发一些主流产品时要特别注意用户体验，目前各种同类型的产品很多，增强用户体验是提升竞争力的

一个很重要的方式；最后，对于工具类产品，在保证质量的前提下，要尽量开发安装内存小的产品。

巴特西

Googleplaystore数据分析

最新文章

热门文章