Python数据探索案例——哪些电视游戏最受欢迎。直接使用pandas输出条件格式，可视化数据简单一招！

点

前言

之前已经多篇文章关于使用 pandas 处理数据，那仅仅是工作的开端，只是把数据整理完毕而不继续探索数据，那么就白白浪费了 Python 这样的好工具。

之后会陆续分享一系列的案例，敬请关注！！！

今天要探索的数据来自于微软的 power bi 关于 TV Game 的销量相关案例，我们开始吧。

本文概要

通过本文你将会学到以下知识点：

• pandas 连接多表数据
• 如何高效编写代码，以方便多维度汇总数据
• 直接在 DataFrame 中可视化输出，如下：

案例介绍

案例数据有5个表的数据，以5个 csv 文件保存。以下是每个表的概要信息：

• sales ：记录每个游戏的销售情况(销量、用户评分如何？)
• games ：记录每个游戏的基本信息(游戏名字、开发商、分级、发布日期)
• consoles ： 每个游戏终端信息(电视游戏主机、厂商有哪些？)
• ratings ： 每个分级信息
• genres ： 游戏类型信息(动作游戏还是解密游戏？)

最多的记录就是销量表 sales ，以他为中心关联其他的表即可得到以下信息数据：

• 游戏xxx是微软的主机 xbox360 的
• 销量是10.5 百万
• 用户评分7.5分
• 是一款动作类游戏

各个表关系图如下：

• sales 表对 games 表的关系是多对一关系
• 实际上 sales 表的每行的游戏都是唯一的，也就是 GameID 列没有重复的

加载数据

我们现在需要从5个 csv 文件加载数据，然后把5个表连接成一个 DataFrame。 首先定义一个方法，负责加载、连接数据。方法名字就叫 get_df ，如下图：

• 上图是加载 sales 表的代码，就两句代码。
• 中间省略了其他4个表的加载代码。
• 定义 sales_cols 列表，表示加载所需的列，我们不要加载所有的列。
• pd.read_csv ，读取 csv 文件，其中参数 usecols 指定需要的列。
• 在加载游戏信息表时，特别指定 pd.read_csv 方法中的参数 parse_dates ，让其把 Release 列(游戏发布日期)作为日期处理

然后同样是在 方法 get_df 中，把5个表连接起来。如下：

• 这里有个技巧，从核心表 sales 表开始，按照关系图一直"左连接"到所有的表。
• 左连接的左边一般是一对多关系中的"多方"。
• merge ，用于连接2个 DataFrame 。参数 how='left' 指定为左连接， on=xxx 表示用 xxx 字段做 key。

我们来看看表关系图和连接代码之间的关系。

关联好数据了，现在看看数据的情况。

• 调用之前定义的 get_df 方法，加载数据
• df.info() ，查看数据的基本元信息
• 可以清楚看到，数据有20621笔数据
• Total_Sales 销量列，有一半数据是缺失的
• User_Score 用户评分，只有6000多笔数据而已

定义核心问题

我们先制定一些探索目标，否则整个过程没有方向，很容易迷失。 我们希望通过数据，回答以下一些问题：

• 整体游戏市场的销量如何？
• 各个主机的游戏销量如何？
• 什么类型的游戏比较好卖或受欢迎？

不要重复写汇总代码

假设我们希望看看每个品牌主机的游戏销量，那么可能会编写如下代码：

虽然此代码编写也算容易，但是我们需要经常变换汇总维度，每次重复编写这样的代码会很不方便。

因此，我们希望每次调用时，只需要告诉 pandas 以下信息即可：

• 用哪些维度字段做汇总
• 使用哪个字段做统计，统计方法是什么(平均、求和还是计数)，统计后的列名字是什么

首先定义一个方法 cal ，每次只需要调用他即可得到汇总结果：

• 参数 labels ，就是"需要的维度字段列表"
• 参数 cal_funcs ，是统计方法列表，这里特意定义为无限个数的参数，那么就可以一次统计多个不同的方法

接下来，我们就要根据数据定义统计方法。 比如：销量求总，用来分析销量情况

• CalFunc 只是一个 namedtuple，用于记录3个信息(统计列名、统计方法、统计后的新列名字)
• 如上图，对 Total_Sales 列进行求和计算(sum) ，结果列名字为 total_revenue

我们试试，统计每个品牌每年的销量，如下:

接着，根据我们之前定义的核心问题，可以编写以下2个方法：

• cal_total_games ，用于分析游戏数量
• cal_avg_user_score ，用于分析用户对游戏的喜欢程度

看图说话

Python 上做图表有许多库可以选择，不过这次我们来试试直接在 DataFrame 中添加格式来可视化数据。

首先定义一个通用的方法用于输出带格式的 DataFrame。

• 通过 DataFrame.style.bar ,即可输出带 css 格式的文本
• 参数 subset ，用于表示哪些列需要带格式
• 参数 color ，格式的颜色

看看整体市场每年的游戏数量与销量走势。

• 由于年份太多，因此只保留2000年以后的数据
• 可以看到2008年游戏数量和销售量都是最好的
• 而2017年虽然游戏数量与2008年接近，但销量却是差很多
• 为什么2019年这么少(这可能是数据出问题)？

看看不同厂商品牌的销量情况。

• sony 大热胜出
• 微软则不管游戏数量和销量都是垫底

哪类型游戏比较受欢迎？

• 策略类和角色扮演类游戏的用户评分最高
• 动作类游戏用户评分虽然只是第4，但游戏数量和销量高出其他类型很多。是动作游戏比较容易取材和制作？

最后

篇幅有限，本文先把此案例解析到这里。可以看到，即使在不制作图表的情况，可以做一些简单的格式化输出，同样可以达到探索数据的效果。