Python数据分析-Google Play商店应用数据分析

一、研究背景

随着移动互联网的普及，智能手机已成为人们生活中不可或缺的一部分。移动应用市场经历了快速发展，应用种类也从娱乐、社交扩展到教育、医疗等各个领域。Google Play商店作为全球最大的Android应用市场之一，为用户提供了多种多样的应用选择。因此，通过对Google Play商店数据的分析，可以深入了解用户偏好、不同类型应用的市场表现，以及各类应用在用户群体中的接受程度。

在应用市场的庞大数据中，影响用户下载和使用的因素可能包括应用类别、评分、评论数量、应用大小、价格以及内容评级等。这些因素不仅影响用户的选择，还对开发者制定营销和推广策略具有指导意义。此外，探究这些因素之间的关系有助于识别应用市场的趋势，从而为开发者、运营商、广告商提供数据支持。

二、研究意义

本研究利用Google Play商店的数据，探索和揭示应用的类型、用户评分、安装量、价格、内容评级等因素的分布和相互关系，旨在帮助开发者了解用户需求，优化产品策略。具体而言，本研究的意义体现在以下几个方面：

1. 帮助开发者和市场人员决策：通过分析不同类别的应用受欢迎程度、评分分布和安装数量等数据，开发者和市场团队可以洞察哪些类型的应用更受用户欢迎，从而更精准地定位目标用户。

2. 提升应用用户体验：应用的评分和评论数可以反映出用户的满意度和潜在问题，通过数据分析可以识别高评分应用的共性特征，从而优化其他应用的设计和功能。

3. 支持广告投放和推广策略：广告商可以借助安装量、用户评分、内容分级等指标，更精准地识别目标用户，优化广告投放和推广策略。

4. 洞察市场趋势：分析应用类别在用户中的偏好变化可以帮助预测市场趋势，进一步挖掘特定应用类型的潜在市场和增长机会。

三、实证分析

完整代码和数据集

该数据集包括 Google Play 商店中应用程序的各种属性。
数据集由 10,841 行组成，每行代表一个应用程序。总共有 13 个不同的列，包含 Google Play 商店中可用应用程序的匿名数据，捕获了评分、下载和分类等各个方面。
列名称描述
App：Google Play 商店中列出的应用程序名称。
Category：应用程序所属的类别（例如，ART_AND_DESIGN、GAME）。
Rating：额定值应用程序的用户评分，范围为 1 到 5。
Reviews：评论应用程序的用户评论数。
Size：应用程序的大小，以兆字节 （MB） 或千字节 （KB） 为单位。
Installs：应用的安装/下载次数（例如，10,000+）。
Type：指示应用程序是免费还是付费。
Price：应用的价格（以美元为单位）（如果是付费应用）。
Content Rating：应用的目标受众（例如，所有人、青少年、成熟 17+）。
Genres：流派与应用程序相关的类型（例如，艺术与设计，创意）。
Last Updated：上次更新应用程序的日期。
Current Ver：应用程序的当前版本。
Android Ver：运行应用程序所需的最低 Android 版本。

import numpy as np  
import pandas as pd  
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['KaiTi']  #中文
plt.rcParams['axes.unicode_minus'] = False   #负号
import seaborn as sns  
import missingno as msno 
from skimpy import skim  
from wordcloud import WordCloud  
pd.set_option('display.float_format', '{:.0f}'.format)  
pd.set_option('display.max_columns', None)  
import warnings  
warnings.filterwarnings("ignore") 
warnings.warn("this will not show")  

导入数据集

df_original = pd.read_csv('google_play_store_dataset.csv')

df = df_original.copy()

 查看数据集前五行

初始探索和分析值
Skimpy 库的数据集初步总结 

skim(df)

info（） 方法提供有关 DataFrame 的基本信息。此方法有助于快速了解 DataFrame 的结构。

RangeIndex：有关索引的信息，例如 start、end 和 step size。
数据列：所有列的名称、非 null 值的数量以及数据类型 （dtype）。
memory usage：DataFrame 在内存中占用的空间。
dtypes：有多少种不同的数据类型（例如整数、浮点数、对象等）。

df.shape

df.dtypes

df.describe(include= "object").T

缺失值查看

fig, ax = plt.subplots(figsize=(10, 8),dpi=180) 
fig.patch.set_facecolor('lightgray')  

ax.tick_params(axis='x', labelsize=8)  
ax.tick_params(axis='y', labelsize=8)  

sns.heatmap(df.isnull(), cbar=False, cmap='YlOrRd');

msno.matrix(df, color=(0, 0.5, 0), fontsize=18, sparkline=True)

msno.matrix（df）;使用 MissingNo 库将数据集中的缺失值显示为矩阵图。
这种可视化对于了解数据集中缺失值的结构非常有用。
这种类型的可视化对于查看缺失值集中在哪些列和行中，以及缺失值在整个数据集中的分布情况非常有用。

df['Size'].nunique()
def convert_to_megabytes(size):
    if isinstance(size, str):
        if 'k' in size:
            return round(float(size.replace('k', '')) / 1024, 2)
        elif 'M' in size:
            return float(size.replace('M', ''))
        else:
            return None  
    return None  #

df["Installs"].unique()

df.Installs = df.Installs.apply(lambda x:x.replace("+",""))
df.Installs = df.Installs.apply(lambda x:x.replace(",",""))
df.Installs = df.Installs.apply(lambda x:int(x))

df.安装次数 = df。Installs.apply（lambda x：x.replace（'+'，''））：此代码从“Installs”列中的每个值中删除“+”字符。例如，值 '10,000+' 更改为 '10,000'。

df.安装次数 = df。Installs.apply（lambda x：x.replace（'，'，'，''））：此代码从“Installs”列中的每个值中删除逗号 （'，“） 字符。例如，值 '10,000' 更改为 '10000'。

df.安装次数 = df。Installs.apply（lambda x：int（x））：此代码将 'Installs' 列中的每个值转换为整数 （int）。例如，值 '10000' 更改为 10000（整数，而不是字符串）。

可视化

就应用程序数量而言，排名靠前的类别是什么？

import matplotlib.pyplot as plt
# 设置图形大小为宽度 10 单位，高度 6 单位，分辨率为 200dpi
plt.figure(figsize=(10, 6), dpi=200)
# 假设 type_counts 已经定义好
bars = plt.bar(type_counts.index, type_counts.values, color=['skyblue', 'seagreen'])  # 分配给变量‘bars’
# 设置 x 轴标签为“申请类型”，字体大小为 14
plt.xlabel('申请类型', fontsize=14)
# 设置 y 轴标签为“申请数量”，字体大小为 14
plt.ylabel('申请数量', fontsize=14)
# 设置标题为“按申请类型统计的申请数量”，字体大小为 16
plt.title('按申请类型统计的申请数量', fontsize=16)
# 在柱状图上方添加数值标签
for bar in bars:
    yval = bar.get_height()
    plt.text(bar.get_x() + bar.get_width()/2, yval + 1, str(int(yval)), va='bottom', ha='center', fontsize=10)

# 显示图形
plt.show()

 按应用程序类型划分的评级分布情况如何？ 

plt.figure(figsize=(10, 8), dpi=200)

# 绘制箱线图，设置 x 轴为'Type'（应用类型），y 轴为'Rating'（评分），数据来自 df，使用指定颜色，设置 whis 参数为 3
boxplot = sns.boxplot(x='Type', y='Rating', data=df, palette={"Free": "skyblue", "Paid": "limegreen"}, whis=3)

# 设置 x 轴标签为“应用类型”，字体大小为 14
plt.xlabel('应用类型', fontsize=14)

# 设置 y 轴标签为“评分”，字体大小为 14
plt.ylabel('评分', fontsize=14)

# 设置标题为“按应用类型的评分分布”，字体大小为 16
plt.title('按应用类型的评分分布', fontsize=16)

# 显示图形
plt.show()

 类别的评级及其应用程序数量是多少？

plt.figure(figsize=(15, 10), dpi=200)

# 绘制垂直柱状图，x 轴为'Rating'（评分），数据来自 df，按照特定顺序排序
ax = sns.countplot(x="Rating", data=df, order=df['Rating'].value_counts().sort_index().index, palette='viridis')

# 在柱状图上添加标签
for container in ax.containers:
    ax.bar_label(container, fontsize=10)

# 设置标题为“评分类别与数量”，字体大小为 18
plt.title("评分类别与数量", fontsize=18)

# 设置 x 轴标签为“评分类别”，字体大小为 14
plt.xlabel("评分类别", fontsize=14)

# 设置 y 轴标签为“应用数量”，字体大小为 14
plt.ylabel("应用数量", fontsize=14)

# 显示图形
plt.show()

内容分级及其应用程序数量是多少？ 

内容分级如何影响应用程序中的用户评分？ 

average_ratings_by_content = df.groupby('Content_Rating')['Rating'].mean()
average_ratings_by_content

plt.figure(figsize=(15, 10), dpi=200)

# 绘制箱线图，x 轴为'内容评级'，y 轴为'评分'，数据来自 df，为不同内容评级设置颜色
sns.boxplot(x="Content_Rating", y="Rating", data=df, palette={"Everyone": "blue", 
                                                              "Teen": "yellow", 
                                                              "Everyone 10+": "green",
                                                              "Mature 17+": "red",
                                                              "Adults only 18+": "orange",
                                                              "Unrated": "purple"})

# 设置图表标题及属性，标题为“内容评级与评分”，字体大小为 20，颜色为“暗红色”
plt.title("内容评级与评分", fontdict={'fontsize': 20, 'color': 'darkred'})

# 显示图形
plt.show()

 可以发现，Everyone、Teen 和 Everyone 10+ 的评级几乎相同。
每个类别的异常值都比其他类别多。
成熟 17+ 的平均评分最低，而仅限成人 18+ 类别的平均评分高于其他类别。

每个类别中的应用程序数量是多少？

plt.figure(figsize=(15, 10),dpi=200)

# 绘制水平柱状图，y 轴为'类别'，数据来自 df，按照特定顺序排序，使用'tab10'颜色方案
ax = sns.countplot(y="Category", data=df, order=df['Category'].value_counts().index, palette='tab10')

# 在柱状图上添加标签
for container in ax.containers:
    ax.bar_label(container)

# 设置图表标题及属性，标题为“按类别统计的应用数量”，字体大小为 20，颜色为“暗红色”
plt.title("按类别统计的应用数量", fontdict={'fontsize': 20, 'color': 'darkred'})

# 设置 x 轴标签
plt.xlabel("应用数量")

# 设置 y 轴标签
plt.ylabel("类别")

# 显示图形
plt.show()

 大多数应用程序位于 Family 类别中，其次是 Game，然后是 Tools。

哪些品类的应用总支出最高？
 

total_spending_by_category = df.groupby('Category')['Price'].sum().sort_values(ascending=False)
top5_categories = total_spending_by_category.nlargest(5)
top5_categories

plt.figure(figsize=(15, 10), dpi=200)

ax = sns.barplot(x=top5_categories.index, y=top5_categories.values, order=top5_categories.index)

# 设置 x 轴标签为“类别”，字体大小为 14
plt.xlabel('类别', fontsize=14)

# 设置 y 轴标签为“总支出”，字体大小为 14
plt.ylabel('总支出', fontsize=14)

# 设置标题为“支出前五的类别”，字体大小为 16
plt.title('支出前五的类别', fontsize=16)

for container in ax.containers:
    ax.bar_label(container)

# 显示图形
plt.show()

# 聚合‘App’列中的所有应用名称
text = ' '.join(df['App'])

# 生成词云，设置宽度为 1200，高度为 600，背景颜色为白色，使用'plasma'颜色映射
wordcloud = WordCloud(width=1200, height=600, background_color='white', colormap='plasma').generate(text)

# 设置图形大小为宽度 15 单位，高度 8 单位，分辨率为 200dpi
plt.figure(figsize=(15, 8), dpi=200)

# 显示词云
plt.imshow(wordcloud, interpolation='bilinear')

# 关闭坐标轴
plt.axis('off')

# 显示图形
plt.show()

 Google Play 商店应用程序名称中最常见的词是什么？

# 聚合‘App’列中的所有应用名称
text = ' '.join(df['App'])

# 生成词云，设置宽度为 1200，高度为 600，背景颜色为白色，使用'plasma'颜色映射
wordcloud = WordCloud(width=1200, height=600, background_color='white', colormap='plasma').generate(text)

# 设置图形大小为宽度 15 单位，高度 8 单位，分辨率为 200dpi
plt.figure(figsize=(15, 8), dpi=200)

# 显示词云
plt.imshow(wordcloud, interpolation='bilinear')

# 关闭坐标轴
plt.axis('off')

# 显示图形
plt.show()

四、研究结论

本研究通过Python对Google Play商店应用数据进行了详细的探索性分析，并得出以下主要结论：

1. 应用类别与用户偏好：

   • 在所有类别中，“Family”应用数量最多，占据了相当大的市场份额。其次是“Game”和“Tools”类应用，表明用户对家庭和娱乐工具的需求量较大。
   • 尽管一些专业类应用如“Medical”和“Education”应用数量较少，但评分普遍较高，表明用户对其质量较为认可。

2. 应用评分与应用类型的关系：

   • 免费应用的评分分布较为分散，可能是因为免费应用数量庞大，质量差异较大。而付费应用的评分相对集中，评分整体偏高，表明付费应用在用户心中更具价值，用户的满意度普遍较高。
   • 内容分级也对评分产生影响。Teen、Everyone和Everyone 10+的评分分布接近，Mature 17+的评分略低，这可能与用户期望和内容分级的匹配度有关。

3. 安装量与价格的关系：

   • 大多数高安装量的应用是免费应用，而价格较高的付费应用安装量普遍偏低，说明免费策略仍然是吸引大量用户的有效手段。
   • 在支出方面，虽然“Family”类应用数量多，但安装量更集中的类别如“Game”和“Entertainment”应用贡献了较高的总收入。

4. 内容评级的影响：

   • 内容评级为Everyone的应用最多，符合普遍用户需求。而Adults Only和Mature 17+应用较少，这类应用的目标用户较为特定。
   • 不同内容评级的评分也存在差异，“Everyone”和“Teen”级别的评分整体较高，表明面向更广泛用户群体的应用获得了更多积极反馈。

5. 应用名称词云：

   • 通过词云图分析发现，应用名称中出现频率较高的词汇多为与应用类别和功能相关的词汇，如“Game”、“Photo”等，这反映了当前市场中用户对娱乐和工具类应用的需求。

综上所述，通过对Google Play商店数据的深入分析，我们可以了解到移动应用市场的用户偏好和市场趋势。免费的娱乐和家庭类应用最受欢迎，同时付费应用在较高的评分和专门化类别中表现突出。未来，开发者可根据这些数据挖掘更多的市场需求，为用户提供更优质、更符合需求的应用。