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。