R语言——googleplaystore数据和googleplaystore_user_reviews数据描述性统计分析

一、Googleplaystore数据：

这组数据集提供了13个变量——App的名称、Category(分类)、Rating(评分)、Reviews(评论数)、Size(大小)、Installs(下载量)、Type(免费还是付费)、Price(价格)、Content.Rating(内容评级)、Genres(风格)、Last.updated(最近一次更新的时间)、Current.Ver(目前的版本)、Android.Ver(安卓的版本)

其中定类变量为：Category、Type、Content.Rating、Genres。
定序变量为：Rating、Reviews、Size、Installs、Price。

数据预处理：

data<-read.csv("C://Users//Administrator//Desktop//2.csv",na.strings=c("NA","","NAN","NaN"))
#仅保留type中free和paid的数据
a<-which(data$Type!="Free" & data$Type!="Paid")
data=data[-a,]
#判别数据中哪些变量存在缺失值
which(is.na(data$Android.Ver)==TRUE)
#发现Rating、Type、Content Rating、Current Ver、Android Ver含有缺失值
#去除App重复数据
data=data[!duplicated(data[,1]),]
#去除缺失数据
data=na.omit(data)
#将installs中的+，去除
Installs<-gsub("[^[:alnum:]///' ]", "", data[,6])
data=data[,-6]
#将szie中存在'Varies with device'，‘M’去除；k在excel中去除并已单位统一
Size<-gsub("[M]", "", data[,5])
Size<-gsub("[Varies with device]", "", Size)
data=data[,-5]
#‘Price'中存在'$'，需要去除
Price=gsub("[$]","",data[,6])
data=data[,-6]
#整合数据
da=cbind(data,Installs,Size,Price)

描述性统计并绘图
其中定类变量为：Category、Type、Content.Rating、Genres。
定序变量为：Rating、Reviews、Size、Installs、Price。
【注：游戏版本根据各游戏发布时间有差异，因此不做分析】

（1）先将所有的定序变量做交互分析，寻找数据可能存在的关系

#将变量转换为数值型
Rating=as.numeric(as.character(da$Rating))
Size=as.numeric(as.character(da$Size))
Price=as.numeric(as.character(da$Price))
Reviews=as.numeric(as.character(da$Reviews))
Installs=as.numeric(as.character(da$Installs))
da2=cbind(Rating,Size,Price,Reviews,Installs)
library(corrplot)
da2_cor<-cor(da2) 
col3 <- colorRampPalette(c("blue", "white", "red")) #自定义指定梯度颜色 
cor.plot <- corrplot(corr = da2_cor,col=col3(10),type="upper",tl.pos="d",tl.cex = 0.75) #画右上方 方法默认“圆形“
cor.plot <- corrplot(corr = da2_cor,add=TRUE, type="lower",col=col3(10),method="color",addCoef.col="black",diag=FALSE,tl.pos="n", cl.pos="n",number.cex = 0.7) #画左下方 方法 “颜色”

得到交互分析图为

可以看出定序变量之间存在一定的相关性。

（2）Google Play Store各类型的app占比：

首先将处理后的数据导出为excel，在excel中，把类型变量中不合适名称的删除。（这一步用R怎么处理我暂时不会，请教大家了）

write.csv(da,"C://Users//Administrator//Desktop//22.csv",row.names = FALSE) 
library(readxl)
dataa=read_excel("C://Users//Administrator//Desktop//hhhh.xlsx")
dataa=data.frame(dataa)
library(ggplot2)
dataa = dataa[order(dataa$数量, decreasing = TRUE),]   ## 用 order() 让数据框的数据按 A 列数据从大到小排序
myLabel = as.vector(dataa$名字)
myLabel = paste(myLabel, "(", round(dataa$数量 / sum(dataa$数量) * 100, 2), "%)        ", sep = "") 
p = ggplot(dataa, aes(x = "", y = dataa$数量, fill = dataa$名字)) + 
  geom_bar(stat = "identity", width = 1) +    
  coord_polar(theta = "y") + 
  labs(x = "", y = "", title = "") + 
  theme(axis.ticks = element_blank()) + 
  theme(legend.title = element_blank(), legend.position = "top") + 
  scale_fill_discrete(breaks = dataa$名字, labels = myLabel)  
  p

图为

可以看出占据市场份额前五名分别为家庭类、游戏类、工具类、商业类、生产类。

（3）App的评分概览：
接下来对rating（评分）进行分析，首先要去除rating为空值的数据，并结合下载量、评论数、对应人群进行分析。

hist(Rating, breaks=12,col="pink",xlab="Rating")

由图可知，大多数app的评分集中在4-5，且平均分为4.17。

（4）为了看每一类型的评分与总评分是否有差异，我们做单因素方差分析

Category=as.character(da$Category)
fit <- aov(Rating ~ Category)
summary(fit)

由于p值<2e-16，结果显示不同类别的app评分分布具有显著差异。

（5）对app大小与评分进行分析

library(ggplot2)
b=cbind(Rating,Size)
b=data.frame(b)
ggplot(b, aes(x = b$Size, y =b$Rating )) +
 geom_point()

可以发现大部分高分app的内存在2～40MB之间，即不太小也不太大。

（6）接着分析app类型与app内存之间的关系

data1=read_excel("C://Users//Administrator//Desktop//hhh.xlsx")#该数据中只有种类、评分和内存
ggplot(data1, aes(x = data1$Rating, y = data1$Size, colour = data1$Category)) +
  # 散点图函数
  geom_point()

由 图中可知，内存大的apps （> 50MB）属于游戏和家庭类别。并且这些apps的评分相当高，这表明它们内置的功能很丰富。

（7）分析app选取的价格策略

大多数高分app的价格在1～30美元之间，定价超过20的app很少。

（8）将视角转向付费市场，分析不同付费app之间是否有差异

data2=read_excel("C://Users//Administrator//Desktop//hh.xlsx")#该数据中的app均为付费app
ggplot(data2, aes(x = data2$Rating, y = data2$Size),colour=blue) +
  # 散点图函数
  geom_point()

可知大多数高分、付费app占内存很小。这说明大多数付费app是“小而美”的，专注于特定的功能。并且用户更愿意为轻量级的app付费。内存过大的app可能在付费市场中表现不佳。

（9）分析评论数和下载量之间的关系

cor(Reviews,Installs)

评论数和下载量之间存在0.63的中度正相关。这意味越多的人对这个app给出意见，用户越倾向于下载这个app。

总结以上分析，得到以下结论：

1)Google Play Store中app的平均评分为4.17。

2)用户更愿意为内存较小的app付费。大多数高评价app的最佳大小在2MB到40MB之间，既不太大也不太小。

3)大多数评价最高的app的价格介于1～30美元之间-既不太贵也不太便宜。医疗和家庭app是最昂贵的。

4)用户更倾向于下载评论多的app，评论能够促进下载量的提升。

二、Googleplaystore_user_reviews数据
该数据主要分析用户的评论，该数据集提供了5个变量，即APP、Translated_Review（评论）、Sentiment（情感）、Sentiment_Polarity（情绪分级）、Sentiment_Subjectivity（情感主体）

首先清洗数据

dt=read.csv("C://Users//Administrator//Desktop//3.csv",na.strings=c("NA","","NAN","NaN","nan"))
dt=dt[which(is.na(dt$App)==FALSE),]
dt=dt[which(is.na(dt$Translated_Review)==FALSE),]
dt=dt[which(is.na(dt$Sentiment)==FALSE),]
dt=dt[which(is.na(dt$Sentiment_Polarity)==FALSE),]
dt=dt[which(is.na(dt$Sentiment_Subjectivity)==FALSE),]
#将Sentiment中与Positive、Neutral、Negative无关的数据删除
a<-which(dt$Sentiment!="Positive" & dt$Sentiment!="Neutral"& dt$Sentiment!="Negative")
dt=dt[-a,]
write.csv(dt,"C://Users//Administrator//Desktop//h.csv",row.names = FALSE)#将数据读出，并用excel分出好评、中评、差评的数据。

数据描述性统计

(1)绘制好评、差评、中评词云图

dt1=read_excel("C://Users//Administrator//Desktop//positive.xlsx")
#词云图
library(jiebaR)
library(wordcloud2)
review=dt1$Translated_Review
mixseg<-worker(type="mix")
seg<-mixseg[review]#获取分词结果
seg<-seg[nchar(seg)>1] #去除字符长度小于2的词语
num<-table(seg)
reviewp=data.frame(num)
wordcloud2(reviewp)
dt2=read_excel("C://Users//Administrator//Desktop//negative.xlsx")
review1=dt2$Translated_Review
mixseg<-worker(type="mix")
seg<-mixseg[review1]#获取分词结果
seg<-seg[nchar(seg)>1] #去除字符长度小于2的词语
num<-table(seg)
reviewp=data.frame(num)
wordcloud2(reviewp)
dt3=read_excel("C://Users//Administrator//Desktop//neutral.xlsx")
review2=dt3$Translated_Review
mixseg<-worker(type="mix")
seg<-mixseg[review2]#获取分词结果
seg<-seg[nchar(seg)>1] #去除字符长度小于2的词语
num<-table(seg)
reviewp=data.frame(num)
wordcloud2(reviewp)

结果如下：



对比下三张图，可以看到：

跟好评有关的情绪高频词有best,easy,awesome,better,amazing等
跟差评有关的情绪高频词有game,bad,annoying,ads,problem等
跟中评有关的情绪高频词有like,can,want,app等

（2）将数据中的app与googleplaystore数据中的app在excel中查找判断其种类（这一步也不会用R来完成，希望有人指教）。
通过转化成APP占比分析各category中好评，中评，差评的数量多少

dt4=read.csv("C://Users//Administrator//Desktop//h.csv")
library(plyr)
dt4$number <- 1
#占比条形图
dt5 <- ddply(dt4,'Category',transform,percent = 1/sum(number)*100)
ggplot(dt5,aes(Category,percent,fill=Sentiment))+
  geom_bar(stat="identity",position="stack")+
  ggtitle("")+
  theme_bw()+
  theme(axis.ticks.length=unit(0.5,'cm'))+
  guides(fill=guide_legend(title=NULL))

由图可知，好评较高的category有Tools, ,Education, Auto and
vehicles,Commics.