电子游戏销售分析

Viveka ·

更新时间:2024-09-21

· 798 次阅读

Video Game Sales电子游戏销售分析 定义问题：

特征分析：

1.游戏平台分析 2.游戏类型分析 3.地区对比

预测分析：

未来的销售趋势预测

# 导包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from pyecharts import options as opts
from pyecharts.charts import Pie
from pyecharts import options as opts
from pyecharts.charts import Bar
plt.style.use('seaborn')
plt.rcParams['font.sans-serif']=['Simhei']  #显示中文,解决图中无法显示中文的问题
plt.rcParams['axes.unicode_minus']=False    #设置显示中文后,负号显示受影响。解决坐标轴上乱码问题

数据清洗

# 导入数据
data = pd.read_csv("vgsales.csv")
# 查看数据结构，发现Year，Publisher等项是有空值的
print("行数     : ", data.shape[0])
print("列数  : ", data.shape[1])
print("\n特征数量 : \n", data.columns.tolist())
print("\n缺失值 :  \n", data.isnull().sum())
print("\n唯一值 :  \n", data.nunique())

行数     :  16598
列数  :  11
特征数量 : 
 ['Rank', 'Name', 'Platform', 'Year', 'Genre', 'Publisher', 'NA_Sales', 'EU_Sales', 'JP_Sales', 'Other_Sales', 'Global_Sales']
缺失值 :  
 Rank              0
Name              0
Platform          0
Year            271
Genre             0
Publisher        58
NA_Sales          0
EU_Sales          0
JP_Sales          0
Other_Sales       0
Global_Sales      0
dtype: int64
唯一值 :  
 Rank            16598
Name            11493
Platform           31
Year               39
Genre              12
Publisher         578
NA_Sales          409
EU_Sales          305
JP_Sales          244
Other_Sales       157
Global_Sales      623
dtype: int64

# 数据体量还是比较大的，这里就直接删除了空值
data.dropna(inplace=True)
# 重置下索引
data.reset_index(drop=True,inplace=True)
data.head()

	Rank	Name	Platform	Year	Genre	Publisher	NA_Sales	EU_Sales	JP_Sales	Other_Sales	Global_Sales
0	1	Wii Sports	Wii	2006.0	Sports	Nintendo	41.49	29.02	3.77	8.46	82.74
1	2	Super Mario Bros.	NES	1985.0	Platform	Nintendo	29.08	3.58	6.81	0.77	40.24
2	3	Mario Kart Wii	Wii	2008.0	Racing	Nintendo	15.85	12.88	3.79	3.31	35.82
3	4	Wii Sports Resort	Wii	2009.0	Sports	Nintendo	15.75	11.01	3.28	2.96	33.00
4	5	Pokemon Red/Pokemon Blue	GB	1996.0	Role-Playing	Nintendo	11.27	8.89	10.22	1.00	31.37

特征分析

# 做一个平台和游戏类型的频次交叉表来看一下，平台的游戏类型分布情况
Plat_Genre = pd.crosstab(data.Platform,data.Genre)
Plat_Genre_sum = Plat_Genre.sum(axis=1).sort_values(ascending = False)
#平台的销量分布情况
Plat_Global_Sales  = data.groupby('Platform')['Global_Sales'].sum().sort_values(ascending = False)
#游戏类型销量分布情况
Genre_Global_Sales  = data.groupby('Genre')['Global_Sales'].sum().sort_values(ascending = False)
# 可视化
f,ax = plt.subplots(1,3,figsize=(25,8),dpi=100)
sns.barplot(Plat_Genre_sum.values,Plat_Genre_sum.index,ax=ax[0])
ax[0].set_title('Platform_Genre')
sns.barplot(Plat_Global_Sales.values,Plat_Global_Sales.index,ax=ax[1])
ax[1].set_title('Platform_Global_Sales')
sns.barplot(Genre_Global_Sales.values,Genre_Global_Sales.index,ax=ax[2])
ax[2].set_title('Genre_Global_Sales')
plt.show()

原创文章 11获赞 10访问量 4970 关注私信展开阅读全文
作者：WiFi下的365