数据分析实战项目1：应用商店Appstore数据分析

案例1 ：Appstore数据分析

1.1 背景和分析需求

苹果商店的数据
分析背景：对App下载和评分数据分析，帮助App开发者获取和留存用户
分析需求：
免费和收费的App都集中在哪些类别
收费App的价格分布？不同类别的价格分布？
App文件的大小和价格，评分之间是否有关
分析流程：—框架套
1，看数据概况（行列数据，缺失值）
2，单变量分析（数值型-平均值、最小最大、标准差，类别型-多少类别、占比）
3，多变量分析（类别交叉分析，变量之间的相关性分析）
4，可视化分析（分布趋势-直方图，不同组差异-柱状图，相关性-散点图、热力图）

1.2 数据加载和处理

数据加载-数据查看-数据规范化处理（新增列，删除列，换单位）
applestore数据-密码jirj

app = pd.read_csv("./data/applestore.csv",index_col=0) #已经有序号列了，所有index_col=0不用再添加
app.head()
app.shape #(7197,10)
app.describe() #每列的最大值最小值，计数，均值
app.info()# 每列类型和空缺值

了解数据后，下面对数据的规范化处理

#对size_bytes列，单位换成mb,兆
app['size_bytes']/(1024*1024)
app.head()
app['size_bytes'].describe()

#增加一列，说明该app是否是免费的，根据价格列
app['paid'] = app['price'].apply(lambda x: 1 if x>0 else 0)
app.head()

1.3 App价格不同维度分析

单变量分析

value_count()函数：对列中不同种类进行计数

#查看spp价格整体分布
app.price.value_count() #计数一下

pd.cut(根据分组列，分组临界值，labels标签列)

#安装价格将APP数据进行分组
bins = [0,2,10,30] #左开右闭
labels = ['<2','<10','<30']
app['price_new'] = pd.cut(app['price'],bins,right=False, labels = labels)  
#right=False将原本默认的左开右闭的区间改成左闭右开
#labels设置自己设置的标签
app.head()

groupby(‘列A’).列B.describe()

#按区间查看app的价格分布
app.groupby('price_new').price.describe() #按照price_new分组后，再查看价格列的统计数值

#不同类别app价格是如何分布的
app.groupby('prime_genre').price.describe()

删除列A不满足条件的行： data = data[date[列A]要满足条件]

#删除价格高于49.99的app数据
app = app[app['price']<49.99]
app.head()

#对app评分数量的统计信息
app.rating_count_tot.describe()
#对评分数据再划分一下组
bins = [0,1000,5000,100000,5000000]
app['rating_new'] = pd.cut(app['rating_count_tot'],bins,right=False)

app.groupby('rating_new').price.describe()

1.4 数据可视化分析

1）查看app的类别和用户评分之间的关系-折线图

import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
sns.replot(x='prime_genre',y='user_rating',kind='line',data=app,height=5,aspect=3)
#height=5,aspect=3是高，宽高比

问题：x轴的值全部挤在了一起

将x轴的项旋转一下

sns.replot(x='prime_genre',y='user_rating',kind='line',data=app,height=5,aspect=3)
plt.xticks(rotation=45,horizontalalignment='right',fontweight='light',fontsize='x-large')
#rotation=45旋转45度

评分大多分布在2-4分之间
2）查看价格小于9.9元的app价格分布 --柱状图

plt.figure(figsize=(20,8))
app_result = app[app['price']<=9.9]
sns.distplot(app_result['price'])

结论：大多是免费的，0-3占了绝大多数

3）查看不同类别的收费App的价格分布 --箱线图

plt.figure(figsize=(20,8))
sns.boxplot(x='price',y='prime_genre',data=app[app['paid']==1]) #数据筛选出收费的
plt.yticks(fontweight='light',fontsize='x-large')#设置y轴的字体和大小

4）查看数量最多的前五个类别收费App的价格分布

#筛选出数量最多的前五个类别的app数据
top5 = app.groupby('prime_genre')['price'].count().sort_values(ascending=False).head()
#箱线图
plt.figure(figsize=(20,8))
sns.boxplot(x='price',y='prime_genre',data=app5[app5['paid']==1])

5)查看app数据中价格和用户评分的关系，绘制散点图

plt.figure(figsize=(20,8))
sns.scatterplot(x='price',y='user_rating',data=app)

结论：从散点图可以看出，价格和评价关联不强，高价的应用评价两极分化，但数据相对较少

#前5类app的分类和评分的关系，区分收费和没收费
sns.barplot(x='prime_genre',y='user_rating',date=app5)

#如何区分收费与不收费呢？
sns.barplot(x='prime_genre',y='user_rating',date=app5,hue='paid')#hub加颜色

1.5 业务需求分析

1.5.1 免费或收费App集中在哪些类别？

思路：统计类别有多少app，排序，可视化时通过颜色区分收费和免费的

plt.figure(figsize=(20,8))
sns.countplot(y='prime_genre',data=app,hue='paid',order=app['prime_genre'].value_count().index)
#hue颜色区分,order按数量排序
#app['prime_genre'].value_count().index指按类别分组排序计数的名称

1.5.2 免费或收费App在不同评分区间的分布？

思路：评分做区间分组，分组后看每组的评分数据

bins= [0,0.5,2.5,4.5,5.1]
app['rating_level'] = pd.cut(app.user_rating,bins=bins,right=False)
app.head()

app.groupby('rating_level')['user_rating'].describe()

plt.figure(figsize=(20,8))
sns.countplot(x='paid',data=app,hue='rating_level')#不同评分区间内的付费or免费app的数量图

1.5.3 app价格、大小和用户评分之间的关系

思路：计算相关系数，热力图

app[['price','size_mb','user_rating']].corr()

#热力图
sns.heatmap(app[['price','size_mb','user_rating']].corr())

结论：大小和价格之间有点相关性，其他的没有