01 AppStore付费App的数据可视化分析

文章链接:

02 单个变量的预分析

项目描述:

数据集来源: 来自Kaggle的苹果App Store数据集,内含约7200条数据
项目背景: 苹果手机市场的占比为43%(安卓53.2%),为了抢占市场份额,针对手机app的数据分析不可或缺. 这也是在竞争激烈的市场环境,让自己的产品生存下来并且能够遇见未来危机的办法之一.
数据背景: 本案例的数据涵盖了超过7000条苹果IOS系统的手机应用详情, 通过分析能够知道一些"好的"App的特点
数据维度: 7197行,16列

需求: 获取数据,了解需求

导入,合并数据

导入数据不赘述, 这里为了后续方便对两个表格重新命名, 并合并两个表:

# 重新命名,方便后续使用
df_app = Mobile_AppStore['AppleStore']
df_description = Mobile_AppStore['appleStore_description']
# 合并数据集
df_app['app_desc'] = df_description['app_desc']

查看数据,发现有一列"Unnamed:0"多余,删掉
还有"currency"货币类型全是"USD",没有分析价值,删掉该列

# 1. 删除
# 删除多余的"Unnamed: 0"列
df_app.drop(columns='Unnamed: 0',inplace=True) 
#货币类型全是USD,所以这个变量可以直接删掉
df_app.drop(columns='currency',inplace=True) 

# 2.新增一列: app的大小以MB为单位计数(生活习惯看MB)
df_app['size_bytes_in_MB'] = round(df_app['size_bytes'] / (1024 * 1024.0),2)
df_app.drop(['size_bytes'],inplace=True,axis=1) # 把原来的按bit算的删掉

1.数据清洗

1.1 重复值

1.检查"id"是否与"trackname"一一对应:
总数共有7197条, 但是"trackname"只有7195条,说明可能不是一一对应的关系,
查看后发现是两个版本不同的同一个软件(id不同),由于之后处理的是付费App,这几个软件(是免费App)不会再看到,所以不作处理.

1.2 缺失值

# 查看缺失值
df_app.isnull().sum() # 没有缺失值(常规)
df_app.info()

看一下总体样本数据, 以价格划分:
总体中,免费App占比为56.36%,比付费占比43.64%要大.说明免费App比付费的要多.
但本次重点关注的是付费App的特点, 所以单独将其提取出来df_Paid
(待完善点: 之后可以拿免费和付费的各个指标做比较(假设检验))

本例不讨论关于版本的问题,所以删掉带"ver"的3个版本相关的变量:
‘ver’,‘rating_count_ver’,‘user_rating_ver’

1.3 异常值

# 检查数据类别:
df_Paid.nunique() 

可以得知以下几个是分类变量:(4个)

• vpp_lic, 0/1
• user_rating, 0~5 (0.5/each)
• cont_rating, 4种
• prime_genre , 23种

数值型变量有: (6个)

• ipadSc_urls.num 截屏数
• price(因变量y) 价格
• rating_count_tot 评分总人数
• sup_devices.num 支持设备数
• lang.num 支持语言数
• size_bytes_in_MB App大小

字符串类型:app_desc 不算以上两个任意一个 (1个)

采用箱线图结合变量实际意义，判断数据异常值。绘制箱线图如下：

df_Paid.iloc