Tabla de contenidos
- 1 Pre-análisis de los datos
- 2 Análisis de los datos
- 3 Perfil de usuario para región
- 4 Pruebas de hipótesis
- 5 Conclusión general
Introducción¶
La tienda online Ice vende videojuegos por todo el mundo. Las reseñas de usuarios y expertos, los géneros, las plataformas (por ejemplo, Xbox o PlayStation) y los datos históricos sobre las ventas de juegos están disponibles en fuentes abiertas. Se debe identificar patrones que determinen si un juego tiene éxito o no. Esto permitirá detectar proyectos prometedores y planificar campañas publicitarias.
Descripción de datos¶
Se trabajará con el dataframe games.csv proporcionado para este análisis. El archivo contiene las siguientes columnas:
Name(Nombre)Platform(Plataforma)Year_of_Release(Año de lanzamiento)Genre(Género)NA_sales(ventas en Norteamérica en millones de dólares estadounidenses)EU_sales(ventas en Europa en millones de dólares estadounidenses)JP_sales(ventas en Japón en millones de dólares estadounidenses)Other_sales(ventas en otros países en millones de dólares estadounidenses)Critic_Score(máximo de 100)User_Score(máximo de 10)Rating(ESRB)
Es posible que los datos de 2016 estén incompletos.
Pauta de trabajo¶
Tomando en consideración la descripción de los datos, podemos darnos cuenta de la gran cantidad de posibilidades para realizar el análisis:
- Primero que todo se importará el dataset y se hará limpieza de los datos en la medida de lo posible.
- Se extraerán: la cantidad de juegos lanzados por año y el comportamiento en el mercado de las plataformas más rentables (como cuantos años tardan en llegar a su peak, cuantos años se mantienen y cuanto tardan en descender), esto para saber desde qué año en adelante tendremos información valiosa para detectar un futuro proyecto prometedor.
- En base a lo previamente recolectado, se analizará cuales plataformas son potencialmente rentables y se extraerá información acerca de ellas.
- Se comprobará si las opiniones de la crítica y de los usuarios afectan las ventas de juegos de una determinada plataforma.
- Se estudiará cuales son las diferencias entre los géneros con mas y con menos juegos vendidos.
- Se creará un perfil de usuario para las tres principales regiones (Norteamérica, la Unión Europea y Jopón) donde se conocerán los géneros, plataformas y clasificación ESRB de los juegos que se consumen.
- Finalmente se comprobarán estadísticamente dos hipótesis:
- Las calificaciones promedio de los usuarios para las plataformas Xbox One y PC son las mismas
- Las calificaciones promedio de los usuarios para los géneros de Acción y Deportes son diferentes.
Pre-análisis de los datos¶
Esta fase contempla todos los preparativos, importación de librerías, limpieza, etc. que se deben realizar antes de empezar con el análisis.
Inicialización¶
Se procede a importar las librerías para el análisis, visualización y pruebas estadísticas
import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
from scipy import stats as st
import math as mt
import seaborn as sns
Se importan todas las librerias exitosamente.
plt.style.use('ggplot')
Se estilizan los graficos realizados con matplotlib
Carga de datos¶
Ahora, se montará el dataset usando read.csv
games = pd.read_csv('/datasets/games.csv')
Una vez montado, se previsualiza el contenido.
games.info()
games.head()
<class 'pandas.core.frame.DataFrame'> RangeIndex: 16715 entries, 0 to 16714 Data columns (total 11 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 Name 16713 non-null object 1 Platform 16715 non-null object 2 Year_of_Release 16446 non-null float64 3 Genre 16713 non-null object 4 NA_sales 16715 non-null float64 5 EU_sales 16715 non-null float64 6 JP_sales 16715 non-null float64 7 Other_sales 16715 non-null float64 8 Critic_Score 8137 non-null float64 9 User_Score 10014 non-null object 10 Rating 9949 non-null object dtypes: float64(6), object(5) memory usage: 1.4+ MB
| Name | Platform | Year_of_Release | Genre | NA_sales | EU_sales | JP_sales | Other_sales | Critic_Score | User_Score | Rating | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | Wii Sports | Wii | 2006.0 | Sports | 41.36 | 28.96 | 3.77 | 8.45 | 76.0 | 8 | E |
| 1 | Super Mario Bros. | NES | 1985.0 | Platform | 29.08 | 3.58 | 6.81 | 0.77 | NaN | NaN | NaN |
| 2 | Mario Kart Wii | Wii | 2008.0 | Racing | 15.68 | 12.76 | 3.79 | 3.29 | 82.0 | 8.3 | E |
| 3 | Wii Sports Resort | Wii | 2009.0 | Sports | 15.61 | 10.93 | 3.28 | 2.95 | 80.0 | 8 | E |
| 4 | Pokemon Red/Pokemon Blue | GB | 1996.0 | Role-Playing | 11.27 | 8.89 | 10.22 | 1.00 | NaN | NaN | NaN |
Se previsualizan los datos, encontrando valores ausentes y tipos de datos incorrectos en más de una columna.
Preparar datos¶
Una vez cargado el dataset e identificados los problemas principales, se empiezan a limpiar los datos. Se empieza por la búsqueda de filas duplicadas.
games.duplicated().sum()
0
Se comprueba que en el dataframe no existen filas duplicadas que trabajar.
Se procede a transformar a minúsculas los títulos de las columnas para facilitar el trabajo posterior.
games.columns = games.columns.str.lower()
games.head()
| name | platform | year_of_release | genre | na_sales | eu_sales | jp_sales | other_sales | critic_score | user_score | rating | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | Wii Sports | Wii | 2006.0 | Sports | 41.36 | 28.96 | 3.77 | 8.45 | 76.0 | 8 | E |
| 1 | Super Mario Bros. | NES | 1985.0 | Platform | 29.08 | 3.58 | 6.81 | 0.77 | NaN | NaN | NaN |
| 2 | Mario Kart Wii | Wii | 2008.0 | Racing | 15.68 | 12.76 | 3.79 | 3.29 | 82.0 | 8.3 | E |
| 3 | Wii Sports Resort | Wii | 2009.0 | Sports | 15.61 | 10.93 | 3.28 | 2.95 | 80.0 | 8 | E |
| 4 | Pokemon Red/Pokemon Blue | GB | 1996.0 | Role-Playing | 11.27 | 8.89 | 10.22 | 1.00 | NaN | NaN | NaN |
La transformación es exitosa.
Ahora se examinará la columna user_score ya que está en un formato erróneo.
games['user_score'].value_counts()
tbd 2424
7.8 324
8 290
8.2 282
8.3 254
...
2.3 2
1.3 2
1.1 2
9.7 1
0 1
Name: user_score, Length: 96, dtype: int64
Se descubre que gran parte de los juegos ingresados aparecen con tbd en la columna user_score, que significa "to be determined", al ser una parte importante de los datos se conservarán estas filas y cuando toque el momento de analizar puntajes, se creará un dataset filtrado sin los tbd. Se procederá de igual forma con la columna critic_score.
Ahora vamos a las columnas name y las categóricas que presentan valores ausentes y se rellenan con Unknown.
games['name'].fillna('Unknown', inplace=True)
games['genre'].fillna('Unknown', inplace=True)
games ['rating'].fillna('Unknown',inplace=True)
La limpieza termina exitosamente.
Enriquecer los datos¶
Se crea una columna de ventas totales sumando las ventas de las regiones importantes más la columna de other_sales.
games['total_sales'] = games['na_sales'] + games['eu_sales'] + games['jp_sales'] + games['other_sales']
games.head()
| name | platform | year_of_release | genre | na_sales | eu_sales | jp_sales | other_sales | critic_score | user_score | rating | total_sales | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | Wii Sports | Wii | 2006.0 | Sports | 41.36 | 28.96 | 3.77 | 8.45 | 76.0 | 8 | E | 82.54 |
| 1 | Super Mario Bros. | NES | 1985.0 | Platform | 29.08 | 3.58 | 6.81 | 0.77 | NaN | NaN | Unknown | 40.24 |
| 2 | Mario Kart Wii | Wii | 2008.0 | Racing | 15.68 | 12.76 | 3.79 | 3.29 | 82.0 | 8.3 | E | 35.52 |
| 3 | Wii Sports Resort | Wii | 2009.0 | Sports | 15.61 | 10.93 | 3.28 | 2.95 | 80.0 | 8 | E | 32.77 |
| 4 | Pokemon Red/Pokemon Blue | GB | 1996.0 | Role-Playing | 11.27 | 8.89 | 10.22 | 1.00 | NaN | NaN | Unknown | 31.38 |
Análisis de los datos¶
Ya terminado el pre-procesamiento se puede empezar con el análisis, donde se tratará de abarcar todas las variables posibles para tener una campaña exitosa en 2017.
Juegos lanzados por año¶
Para saber la cantidad de juegos lanzados por año se trazará un gráfico de linea, que mostrará a partir de qué año hay juegos suficientes para realizar un análisis completo.
games['year_of_release'].value_counts().sort_index(ascending=False).plot(style='o-', grid='on', xlabel='Año', ylabel='Número de juegos', title='Juegos lanzados por año');
Se observa la cantidad de videojuegos lanzados por año, podemos apreciar que desde 1995 se superan los 200 juegos lanzados por año y que desde el 2001 se superan los 400, haciendo que los datos recopilados sean significativos para un análisis. Además podemos notar un periodo record en 2008 y 2009, en donde se lanzaron más de 1400 juegos a la venta.
Análisis de plataformas¶
Un gráfico de barras será lo mejor para averiguar cuáles son las plataformas con más ventas en la historia de los videojuegos.
games.groupby('platform')['total_sales'].sum().sort_values(ascending=False).head(15).plot(kind='bar', grid='on',rot=75, xlabel='Consola', ylabel='Millones de dólares vendidos en juegos', title='Ranking histórico de ventas de las plataformas más populares');
A partir del gráfico anterior se seleccionaran las 5 primeras plataformas (por ser las más rentables en cuanto a venta de videojuegos) y se analizará por año el ingreso de cada una.
top_platform = games[(games['platform'] == 'PS2') | (games['platform'] == 'X360') | (games['platform'] == 'PS3') | (games['platform'] == 'Wii') | (games['platform'] == 'DS')]
sns.lineplot(y='total_sales', x='year_of_release', data=top_platform, hue='platform', estimator=sum, marker='o', ci=None).set_title('Consolas con más venta de juegos (2000-2016)')
plt.xlim(2000, 2016)
plt.ylabel('Ventas totales (millones de dólares)')
plt.xlabel('Año')
plt.legend(title='Consola');
Del presente gráfico se puede apreciar que las plataformas de PlayStation, Xbox y la Nintendo DS, se demoran entre dos a tres años en tomar una posición sólida en el mercado, donde se mantienen por entre cuatro a cinco años. La Nintendo Wii se muestra como una excepción, ya que muestra un peak muy alto en 2009 y después se desploma brúscamente.
Tomando en cuenta la información recolectada anteriormente, se analizarán los juegos lanzados desde 2013 en adelante, de esta forma podremos saber qué plataformas están en camino a despegar, cuales no lo están haciendo, y cuales están bajando su popularidad.
Plataformas potencialmente rentables¶
Se crearán dos filtros para continuar con el análisis, el que filtra juegos desde 2013 en adelante y otro que filtra de 2010 en adelante, para tener un más contexto histórico de las ventas de las plataformas populares del último tiempo.
filtered_year = games[games['year_of_release'] > 2009]
games = games[games['year_of_release'] > 2012]
print(games.groupby('platform')['total_sales'].sum().sort_values(ascending=False).head(10))
platform PS4 314.14 PS3 181.43 XOne 159.32 3DS 143.25 X360 136.80 WiiU 64.63 PC 39.43 PSV 32.99 Wii 13.66 PSP 3.50 Name: total_sales, dtype: float64
Aquí creamos la variable filtered_year para seguir los datos históricos de las plataformas seleccionadas en games. Como se puede apreciar, se actualizó la variable games para que abarque sólo los datos de 2013 en adelante, revelando la lista de las nuevas plataformas mas rentables, apareciendo ahora la PS4 en primer lugar.
Se analizarán los top en ventas de las plataformas por año, para detectar si hay una que haya aparecido bruscamente en el mercado y deba ser puesta en el siguiente gráfico.
t2014 = games[games['year_of_release'] == 2014]
print(t2014.groupby('platform')['total_sales'].sum().sort_values(ascending=False).head(10))
print()
t2015 = games[games['year_of_release'] == 2015]
print(t2015.groupby('platform')['total_sales'].sum().sort_values(ascending=False).head(10))
print()
t2016 = games[games['year_of_release'] == 2016]
print(t2016.groupby('platform')['total_sales'].sum().sort_values(ascending=False).head(10))
platform PS4 100.00 XOne 54.07 PS3 47.76 3DS 43.76 X360 34.74 WiiU 22.03 PC 13.28 PSV 11.90 Wii 3.75 PSP 0.24 Name: total_sales, dtype: float64 platform PS4 118.90 XOne 60.14 3DS 27.78 PS3 16.82 WiiU 16.35 X360 11.96 PC 8.52 PSV 6.25 Wii 1.14 PSP 0.12 Name: total_sales, dtype: float64 platform PS4 69.25 XOne 26.15 3DS 15.14 PC 5.25 WiiU 4.60 PSV 4.25 PS3 3.60 X360 1.52 Wii 0.18 Name: total_sales, dtype: float64
No se encuentran surgimientos repentinos.
Se seleccionan las plataformas con más ventas de los últimos años para ser comparadas su ventas de juegos en el tiempo, de esa forma se podrá saber cuales son potencialmente rentables y cuales van en descenso.
top_new_platform = filtered_year[(filtered_year['platform'] == 'PS4') | (filtered_year['platform'] == 'PS3') | (filtered_year['platform'] == 'XOne') | (filtered_year['platform'] == '3DS') | (filtered_year['platform'] == 'X360')]
sns.lineplot(y='total_sales', x='year_of_release', data=top_new_platform, hue='platform', estimator=sum, marker='o', ci=None).set_title('Consolas con más venta de juegos (2010-2015)')
plt.xlim(2010, 2015)
plt.ylabel('Ventas totales (millones de dólares)')
plt.xlabel('Año')
plt.legend(title='Consola');
El gráfico muestra que las plataformas potencialmente rentables son PS4 y Xbox One, que han ido subiendo en ventas desde 2013 y se espera que lo sigan haciendo hasta tomar una posición sólida en el mercado, la nintendo 3DS ha ido bajando paulatinamente sus ventas, sin embargo, en 2015 sigue siendo la tercera plataforma mas exitosa en ventas de juegos.
En el caso de PS3 y Xbox 360, podemos ver una caída rápida desde que aparecen las sucesoras (PS4 y Xbox One), lo que puede significar que serán plataformas muy exitosas hasta que sean reemplazadas por sus respectivas sucesoras en 2019/2020 aproximadamente, tomando en cuenta que entre el lanzamiento de PS2 y PS3 hay 6 años, y entre PS3 y PS4 hay 7 años de diferencia. En el caso de Xbox, entre la 360 y la One también hay 7 años de diferencia.
Ventas de todos los juegos¶
Mediante estadística descriptiva y visualizaciones, se analizará cuanto generan en ventas los juegos y las diferencias por plataforma.
Debido a que se actualiza la variable games todos los gráficos y conclusiones que se muestren a partir de este punto, contemplan exclusivamente información de 2013 en adelante.
Se calculará qué porcentaje de juegos supera el millón de dólares en ventas y la distribución por cuartiles en las ventas de juegos.
more_1m = games[games['total_sales'] > 1]['name'].count()
total= games['name'].count()
print('El porcentaje de juegos que supera el millón de dólares en ventas es de :',(round(more_1m/total, 2)*100),'%')
print()
more_5m = games[games['total_sales'] > 5]['name'].count()
total= games['name'].count()
print('El porcentaje de juegos que supera los cinco millones de dólares en ventas es de :',(round(more_5m/total, 2)*100),'%')
print()
print(games['total_sales'].describe())
El porcentaje de juegos que supera el millón de dólares en ventas es de : 12.0 % El porcentaje de juegos que supera los cinco millones de dólares en ventas es de : 1.0 % count 2233.000000 mean 0.488442 std 1.235226 min 0.010000 25% 0.030000 50% 0.110000 75% 0.400000 max 21.050000 Name: total_sales, dtype: float64
En cuanto a las ventas totales, se observa una media muy superior a la mediana y una distribución que nos indica que la proporción de valores atípicos es muy baja, sin embargo estos soy muy altos. Los calulos indical que de todos los juegos lanzados a la venta entre 2013 y 2016 un 12% superó el millon de dólares en ventas y apenas un 1% superó los 5 millones.
games['total_sales'].plot(kind='box', vert=False, grid='on', title='Ventas totales de cada juego (2013-2016)')
plt.show()
games['total_sales'].plot(kind='box', vert=False, grid='on', xlim=[0,1.5]);
El gráfico de caja confirma e ilustra lo concluído anteriormente.
Para continuar con el análisis de la distribución de ventas, se presentan gráficos de dispersión y de caja por plataforma para las consolas más populares.
sns.stripplot(x='platform', y='total_sales', data=top_new_platform).set_title('Distribición de las ventas de cada juego por plataforma (2013-2016)')
plt.xlabel('Consola')
plt.ylabel('Ventas por juego (Millones de dólares)');
Este gráfico está enfocado en los valores atípicos, muestra que la X360 y la PS3 tienen más best sellers que el resto, mientras que de la nueva ola de plataformas, destacan la 3DS y la PS4. Ahora se procederá con el gráfico de caja.
sns.boxplot(x='platform', y='total_sales', data=top_new_platform).set_title('Distribición de las ventas de cada juego por plataforma (2013-2016)')
plt.ylim(0,1.8)
plt.xlabel('Consola')
plt.ylabel('Ventas por juego (Millones de dólares)');
Este gráfico muestra que las medianas en ventas son parejas, salvo por la 3DS que se queda atrás en la distribución.
print('Un juego en X360 genera en promedio' ,games[games['platform'] == 'X360']['total_sales'].mean().round(2), 'Millones de dólares')
print('Un juego en PS3 genera en promedio' ,games[games['platform'] == 'PS3']['total_sales'].mean().round(2), 'Millones de dólares')
print('Un juego en PS4 genera en promedio' ,games[games['platform'] == 'PS4']['total_sales'].mean().round(2), 'Millones de dólares')
print('Un juego en 3DS genera en promedio' ,games[games['platform'] == '3DS']['total_sales'].mean().round(2), 'Millones de dólares')
print('Un juego en X360 genera en promedio' ,games[games['platform'] == 'XOne']['total_sales'].mean().round(2), 'Millones de dólares')
Un juego en X360 genera en promedio 0.74 Millones de dólares Un juego en PS3 genera en promedio 0.53 Millones de dólares Un juego en PS4 genera en promedio 0.8 Millones de dólares Un juego en 3DS genera en promedio 0.47 Millones de dólares Un juego en X360 genera en promedio 0.65 Millones de dólares
En cuanto a las medias, la PS4 es la clara ganadora, debido a su distribución estable y buena cantidad de best sellers es que se posiciona como la plataforma con más potencial para 2017, seguida por la Xbox One.
Correlación entre calificaciones y ventas: PS4¶
Se analizará la correlación entre calificaciones tanto de usuario como la crítica, y la venta de juegos en ps4
Correlación entre calificaciones de usuario y ventas¶
Se procederá un un gráfico de dispersión y se calculará en coeficiente de correlación.
users_score = games[(~games['user_score'].isna())]
users_score = users_score[(users_score['user_score'] != 'tbd')]
users_score['user_score'] = users_score['user_score'].astype('float64')
users_ps4 = users_score[users_score['platform'] == 'PS4']
sns.jointplot(x='user_score', y='total_sales', data=users_score, kind='reg')
print()
print('El coeficiente de correlación es:', users_ps4['user_score'].corr(users_ps4['total_sales']))
El coeficiente de correlación es: -0.031957110204556424
En base al gráfico de arriba se puede concluir que no hay correlación directa entre las críticas de los usuarios y las ventas de juegos de PS4.
Correlación entre calificaciones de la crítica y ventas¶
Se procederá un un gráfico de dispersión y se calculará en coeficiente de correlación.
critic_ps4 = games[(games['platform'] == 'PS4')]
sns.jointplot(x='critic_score', y='total_sales', data=critic_ps4, kind='reg')
print()
print('El coeficiente de correlacion es:', critic_ps4['critic_score'].corr(critic_ps4['total_sales']))
El coeficiente de correlacion es: 0.40656790206178095
Tomando en cuenta el gráfico, se puede concluir que existe un 40% de correlación entre las calificaciones de los críticos y las ventas de juegos. Esto se aprecia sobre todo en los juegos más exitosos, que solo tienen calificaciones por sobre los 75 puntos. Esto quiere decir que una calificación alta de la crítica no garantiza un rotundo éxito del juego, pero, una calificación baja si garantiza que el juego no será un "best seller".
Comparación en venta de juegos populares: PlayStation versus Xbox¶
Debido a que han sido las principales marcas en el mercado de las consolas, se hará una comparación de ventas de best sellers entre PlayStation y Xbox.
PS3 vs. Xbox 360¶
Se seleccionan los cinco juegos más vendidos que tengan versión en estas dos plataformas.
games.groupby('name')['total_sales'].sum().sort_values(ascending=False).head(15).reset_index()
| name | total_sales | |
|---|---|---|
| 0 | Grand Theft Auto V | 56.58 |
| 1 | Call of Duty: Ghosts | 27.39 |
| 2 | Call of Duty: Black Ops 3 | 25.67 |
| 3 | Minecraft | 24.16 |
| 4 | Call of Duty: Advanced Warfare | 21.97 |
| 5 | FIFA 15 | 17.37 |
| 6 | FIFA 14 | 16.46 |
| 7 | FIFA 16 | 16.30 |
| 8 | Pokemon X/Pokemon Y | 14.60 |
| 9 | Battlefield 4 | 13.94 |
| 10 | Assassin's Creed IV: Black Flag | 13.06 |
| 11 | Fallout 4 | 12.67 |
| 12 | Destiny | 12.54 |
| 13 | Super Smash Bros. for Wii U and 3DS | 12.42 |
| 14 | Star Wars Battlefront (2015) | 12.19 |
Se procede a crear un gráfico de barras comparativo.
filtered_games = games[(games['name'] == 'Grand Theft Auto V') | (games['name'] == 'Call of Duty: Ghosts') | (games['name'] == 'Call of Duty: Black Ops 3') | (games['name'] == 'Minecraft') | (games['name'] == 'Call of Duty: Advanced Warfare')]
filtered_games = filtered_games[(filtered_games['platform'] == 'PS3') | (filtered_games['platform'] == 'X360')]
sns.barplot(x='name', y='total_sales', estimator=sum, data=filtered_games, hue='platform').set_title('Ventas totales PS3 vs. X360 (2013-2016)')
plt.xticks(rotation=75)
plt.ylabel('Ventas totales (millones de dólares)')
plt.xlabel('Videojuego')
plt.legend(title='Consola');
Como se puede apreciar, ambas plataformas están muy parejas salvo en G.T.A. 5 y en Minecraft, donde se inclina la preferencia de los usuarios hacia una de las dos consolas. Cabe destacar que la única instancia en que Xbox supera claramente a Playstation es en ventas de Minecraft, un juego de categoría Misc, esto puede indicar que dependiendo el genero del juego, los usuarios usarán una consola u otra.
PS4 vs. Xbox One¶
De la lista construída anteriormente se seleccionan los 5 juegos más populares que tengan versión para estas dos plataformas y se procede a construir un gráfico de barras comparativo.
comp = games[(games['platform'] == 'PS4') | (games['platform'] == 'XOne')]
comp = comp.sort_values('total_sales', ascending=False).head(30)
comp = comp[(comp['name'] == 'Grand Theft Auto V') | (comp['name'] == 'Fallout 4') | (comp['name'] == 'Call of Duty: Black Ops 3') | (comp['name'] == 'Star Wars Battlefront (2015)') | (comp['name'] == 'Call of Duty: Advanced Warfare')]
sns.barplot(x='name', y='total_sales', estimator=sum, data=comp, hue='platform').set_title('Ventas totales PS4 vs. XOne (2013-2016)')
plt.xticks(rotation=75)
plt.ylabel('Ventas totales (millones de dólares)')
plt.xlabel('Videojuego')
plt.legend(title='Consola');
En este gráfico se aprecia claramente la superioridad en ventas de juegos de la PS4 por sobre su rival, aunque se debe tener claro que los juegos del top son casi todos de la categoría Shooter a excepción de G.T.A. 5 que es de Acción, sin embargo son categorías similares.
Distribución general de los juegos por género¶
games.groupby('genre')['total_sales'].sum().sort_values(ascending=False).plot(kind='bar', rot=75, ylabel='Ventas totales (Millones de dólares)', xlabel='Género', title='Ventas totales de cada género (2013-2016)', grid='on');
En base al gráfico de arriba se clasificarán las plataformas como populares e impopulares, siendo seleccionadas las cuatro primeras y las cuatro últimas en ventas, respectivamente. Se categorizarán mediante una función.
def categorization(row):
genre = row['genre']
if genre == 'Action' or genre == 'Sports' or genre == 'Shooter' or genre == 'Role-Playing':
return 'popular_genre'
elif genre == 'Puzzle' or genre == 'Simulation' or genre == 'Strategy' or genre == 'Adventure':
return 'unpopular_genre'
else:
return 'moderately_popular'
games['popularity'] = games.apply(categorization, axis=1)
users_score['popularity'] = users_score.apply(categorization, axis=1)
games.head()
| name | platform | year_of_release | genre | na_sales | eu_sales | jp_sales | other_sales | critic_score | user_score | rating | total_sales | popularity | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 16 | Grand Theft Auto V | PS3 | 2013.0 | Action | 7.02 | 9.09 | 0.98 | 3.96 | 97.0 | 8.2 | M | 21.05 | popular_genre |
| 23 | Grand Theft Auto V | X360 | 2013.0 | Action | 9.66 | 5.14 | 0.06 | 1.41 | 97.0 | 8.1 | M | 16.27 | popular_genre |
| 31 | Call of Duty: Black Ops 3 | PS4 | 2015.0 | Shooter | 6.03 | 5.86 | 0.36 | 2.38 | NaN | NaN | Unknown | 14.63 | popular_genre |
| 33 | Pokemon X/Pokemon Y | 3DS | 2013.0 | Role-Playing | 5.28 | 4.19 | 4.35 | 0.78 | NaN | NaN | Unknown | 14.60 | popular_genre |
| 42 | Grand Theft Auto V | PS4 | 2014.0 | Action | 3.96 | 6.31 | 0.38 | 1.97 | 97.0 | 8.3 | M | 12.62 | popular_genre |
Mediante la aplicación de la función categorization se crea la columna popularity donde popular_genre y unpopular_genre determinan la si el género es de los mas o menos populares.
Géneros populares¶
Se graficarán las plataformas mas rentables para los géneros populares.
games[games['popularity'] == 'popular_genre'].groupby('platform')['total_sales'].sum().sort_values(ascending=False).head(5).plot(kind='bar', grid='on', title='Plataformas mas rentables para los géneros populares (2013-2016)', rot=0, xlabel='Consola', ylabel='Ventas totales (Millones de dólares)');
La PS4 es notoriamente la plataforma mas rentable para los géneros populares.
Géneros impopulares¶
Se graficarán las plataformas mas rentables para los géneros impopulares.
games[games['popularity'] == 'unpopular_genre'].groupby('platform')['total_sales'].sum().sort_values(ascending=False).head(5).plot(kind='bar', grid='on', title='Plataformas mas rentables para los géneros impopulares (2013-2016)', rot=0, xlabel='Consola', ylabel='Ventas totales (Millones de dólares)');
Los jugadores de generos impopulares prefieren la 3DS y el PC, sobre las demás opciones.
Diferencias en la calificación según popularidad¶
Se trazarán gráficos de caja para comparar las distribuciones de las calificaciones por popularidad, se empieza con las calificaciones de la crítica.
boxplot = games[games['popularity'] != 'moderately_popular']
sns.boxplot(y='critic_score', x='popularity', data=boxplot).set_title('Distribución de las calificaciones de la crítica por popularidad del género (2013-2016)')
plt.ylabel('Puntuación de la crítica')
plt.xlabel('Popularidad del género');
No hay muchas diferencias en cuanto a la distribución de las calificaciones de la crítica.
boxplot2 = users_score[users_score['popularity'] != 'moderately_popular']
sns.boxplot(y='user_score', x='popularity', data=boxplot2).set_title('Distribución de las calificaciones de los usuarios por popularidad del género (2013-2016)')
plt.ylabel('Puntuación de los usuarios')
plt.xlabel('Popularidad del género');
El gráfico muestra que, sorprendentemente, las calificaciones de usuario para generos impopulares superan a las de los géneros populares, esto puede deberse a que los jugadores de géneros no tan masivos son un nicho pequeño, pero muy fiel a los juegos/sagas.
Perfil de usuario para región¶
Para obtener un perfil de usuario para cada región, se recopilará información sobre los géneros más jugados, las plataformas preferidas (y sus variaciones en las cuotas de mercado con las otras regiones) y las clasificaciones ESRB de los 50 juegos más jugados.
Norteamérica¶
Mediante diversas gráficas se obtendrá el perfil de usuario para la región de norteamérica, empezando con los plataformas favoritas.
games.groupby('platform')['na_sales'].sum().sort_values(ascending=False).head(5).plot(kind='bar', rot=0, grid='on', title='Las 5 plataformas con mas venta de juegos en Norteamérica (2013-2016)', xlabel='Consola', ylabel='Ventas totales (Millones de dólares)');
La consola preferida en Norteamérica es la PlayStation 4, seguida de las Xbox.
Ahora se comparará la popularidad de estas plataformas en las otras regiones.
na_comp = games.pivot_table(index=['platform'], values=['na_sales','eu_sales','jp_sales'], aggfunc=['sum'])
na_comp = na_comp.loc[['PS4','XOne','X360','PS3','3DS']]
na_comp.plot(kind='bar', grid='on', rot=0, xlabel='Consola', ylabel='Ventas totales (Millones de dólares)', title='Variaciones en las cuotas de mercado (2013-2016)')
plt.legend(['UE','Japón','NA']);
Norteamérica es la región donde las Xbox tienen mayor presencia, probablemente debido a que es un producto estadounidense. En japón casi no se compran juegos de Xbox.
Ahora se visualizarán los géneros más populares de la región.
games.groupby('genre')['na_sales'].sum().sort_values(ascending=False).head(5).plot(kind='bar', rot=0, xlabel='Género', ylabel='Ventas totales (Millones de dólares)', title='Top 5 géneros más populares en Norteamérica (2013-2016)', grid='on');
En cuanto a géneros preferidos, los consumidores de Norteamérica prefieren notoriamente los juegos de acción y los shooter.
Finalmente se analizarán las preferencias en cuanto a calificación ESRB.
na_rank = games.sort_values('na_sales', ascending=False)
na_rank = na_rank[na_rank['rating'] != 'Unknown']
na_rank = na_rank.head(50)
na_rank.groupby('rating')['name'].count().sort_values(ascending=False).plot(kind='bar', rot=0, xlabel='Calificación ESRB', ylabel='Juegos', title='Calificación ESRB de los 50 juegos más vendidos en NA (2013-2016)');
Una gran mayoría prefiere juegos para mayores de 17 años.
Unión europea¶
Mediante diversas gráficas se obtendrá el perfil de usuario para la región de la unión europea, empezando con los plataformas favoritas.
games.groupby('platform')['eu_sales'].sum().sort_values(ascending=False).head(5).plot(kind='bar', rot=0, grid='on', title='Las 5 plataformas con mas venta de juegos en la UE (2013-2016)', xlabel='Consola', ylabel='Ventas totales (Millones de dólares)');
Con marcada diferencia, la plataforma mas popular es la PS4, se aprecia que en la UE prefieren las PlayStation antes que las Xbox.
Ahora se comparará la popularidad de estas plataformas en las otras regiones.
eu_comp = games.pivot_table(index=['platform'], values=['na_sales','eu_sales','jp_sales'], aggfunc=['sum'])
eu_comp = na_comp.loc[['PS4','PS3','XOne','X360','3DS']]
eu_comp.plot(kind='bar', grid='on', rot=0, xlabel='Consola', ylabel='Ventas totales (Millones de dólares)', title='Variaciones en las cuotas de mercado (2013-2016)')
plt.legend(['UE','Japón','NA']);
La UE es la región donde más se compran juegos de PS4.
Ahora se visualizarán los géneros más populares de la región.
games.groupby('genre')['eu_sales'].sum().sort_values(ascending=False).head(5).plot(kind='bar', rot=0, xlabel='Género', ylabel='Ventas totales (Millones de dólares)', title='Top 5 géneros más populares en la UE (2013-2016)', grid='on');
Al igual que en norteamérica, los géneros favoritos son Action y Shooter.
Finalmente se analizarán las preferencias en cuanto a calificación ESRB.
eu_rank = games.sort_values('eu_sales', ascending=False)
eu_rank = eu_rank[eu_rank['rating'] != 'Unknown']
eu_rank = eu_rank.head(50)
eu_rank.groupby('rating')['name'].count().sort_values(ascending=False).plot(kind='bar', rot=0, xlabel='Calificación ESRB', ylabel='Juegos', title='Calificación ESRB de los 50 juegos más vendidos en la UE (2013-2016)');
El orden es el mismo que para la región de norteamérica, siendo los juegos para mayores de 17 años, los favoritos.
Japan¶
Mediante diversas gráficas se obtendrá el perfil de usuario para la región de Japón, empezando con los plataformas favoritas.
games.groupby('platform')['jp_sales'].sum().sort_values(ascending=False).head(5).plot(kind='bar', rot=0, grid='on', title='Las 5 plataformas con mas venta de juegos en Japón (2013-2016)', xlabel='Consola', ylabel='Ventas totales (Millones de dólares)');
En cuanto a preferencia de consolas, el top 5 de esta región son todas consolas de compañías japonesas. La consola favorita de los japoneses es la Nintendo 3DS y en tercer lugar tenemos la PlayStation Vita, ambas son consolas portátiles, lo cual es indicio de que los "gamers" japoneses se comportan de manera diferente a los del resto de las regiones.
Ahora se comparará la popularidad de estas plataformas en las otras regiones.
jp_comp = games.pivot_table(index=['platform'], values=['na_sales','eu_sales','jp_sales'], aggfunc=['sum'])
jp_comp = jp_comp.loc[['3DS','PS3','PSV','PS4','WiiU']]
jp_comp.plot(kind='bar', grid='on', rot=0, xlabel='Consola', ylabel='Ventas totales (Millones de dólares)', title='Variaciones en las cuotas de mercado (2013-2016)')
plt.legend(['UE','Japón','NA']);
Japón es donde más se venden juegos de 3DS y de PSV, esto confirma que las consolas portátiles son muy populares en el público nipón.
Ahora se visualizarán los géneros más populares de la región.
games.groupby('genre')['jp_sales'].sum().sort_values(ascending=False).head(5).plot(kind='bar', rot=0, xlabel='Género', ylabel='Ventas totales (Millones de dólares)', title='Top 5 géneros más populares en Japón (2013-2016)', grid='on');
La categoría Role-Playing es la favorita del público japonés, mientras que los Shooter populares de otras regiones se ven desplazados al 5 lugar.
Finalmente se analizarán las preferencias en cuanto a calificación ESRB.
jp_rank = games.sort_values('jp_sales', ascending=False)
jp_rank = jp_rank[jp_rank['rating'] != 'Unknown']
jp_rank = jp_rank.head(50)
jp_rank.groupby('rating')['name'].count().sort_values(ascending=False).plot(kind='bar', rot=0, xlabel='Calificación ESRB', ylabel='Juegos', title='Calificación ESRB de los 50 juegos más vendidos en Japón (2013-2016');
En japón, los juegos para todas las edades son más populares que en las otras regiones, lo que indica que hay gamers de todas las edades con gustos variados.
Pruebas de hipótesis¶
A continuación se realizarán dos comprobaciones de hipótesis relacionadas con las calificaciones de los usuarios, que serán muy importantes para el desarrollo del proyecto. Se buscará usar la prueba t, pero si los supuestos (varianza y distribución normal) no se cumplen, se usará la prueba no paramétrica de Mann-Whitney.
alpha = .05
Se ha configurado el valor de alpha como 0.05, lo cual funcionará como un umbral para el valor p y determinar si la hipótesis nula se acepta o se rechaza.
Las calificaciones promedio de los usuarios para las plataformas Xbox One y PC son las mismas¶
Se probará la siguiente hipótesis: Las calificaciones promedio de los usuarios para las plataformas Xbox One y PC son las mismas. La hipótesis nula es que, efectivamente, son iguales estadísticamente las calificaciones promedio para estas dos plataformas, si se rechaza, quiere decir que hay una variación estadísticamente considerable entre las calificaciones de los usuarios para estas dos plataformas. Se usará una prueba estadística para comparar las medias de dos muestras de datos.
Comenzamos dividiendo los datos para extraer lo que necesitamos.
hipo_xone = users_score[users_score['platform'] == 'XOne']['user_score']
print('Xbox One')
print(hipo_xone.describe())
print()
hipo_pc = users_score[users_score['platform'] == 'PC']['user_score']
print('PC')
print(hipo_pc.describe())
Xbox One count 182.000000 mean 6.521429 std 1.380941 min 1.600000 25% 5.800000 50% 6.800000 75% 7.500000 max 9.200000 Name: user_score, dtype: float64 PC count 155.000000 mean 6.269677 std 1.742381 min 1.400000 25% 5.300000 50% 6.800000 75% 7.600000 max 9.300000 Name: user_score, dtype: float64
Procedemos a realizar una prueba de homogeneidad de las varianzas entre los conjuntos a estudiar.
stat, p_value = st.levene(hipo_xone, hipo_pc)
print("Estadístico de Levene:", stat)
print("p-value:", p_value)
# Interpreta el p-value
if p_value < 0.05:
print("Las varianzas no son homogéneas (rechazar hipótesis nula)")
else:
print("Las varianzas son homogéneas (no se rechaza hipótesis nula)")
Estadístico de Levene: 8.44812129543499 p-value: 0.003897553110130418 Las varianzas no son homogéneas (rechazar hipótesis nula)
Las varianzas no son homogéneas, por lo que se usará la prueba de Mann-Whitney.
results = st.mannwhitneyu(hipo_xone, hipo_pc)
print('valor p:', results.pvalue)
if results.pvalue < alpha:
print("Rechazamos la hipótesis nula")
else:
print("No podemos rechazar la hipótesis nula")
valor p: 0.5011006734622374 No podemos rechazar la hipótesis nula
Debido a los resultados obtenidos, no podemos rechazar la hipótesis nula, lo que significa que la afirmación de que las calificaciones de los usuarios son iguales es estadísticamente verdadera.
Las calificaciones promedio de los usuarios para los géneros de Acción y Deportes son diferentes¶
Se probará la siguiente hipótesis: Las calificaciones promedio de los usuarios para los géneros de Acción y Deportes son diferentes. La hipótesis nula es que no hay una diferencia estadística significativa en las calificaciones promedio de ambos géneros, si se rechaza, quiere decir que, efectivamente, hay una variación estadísticamente considerable entre las calificaciones de los usuarios para estos dos géneros. Se usará una prueba estadística para comparar las medias de dos muestras de datos.
Comenzamos dividiendo los datos para extraer lo que necesitamos.
hipo_action = users_score[users_score['genre'] == 'Action']['user_score']
print('Acción')
print(hipo_action.describe())
print()
print('Deportes')
hipo_sports = users_score[users_score['genre'] == 'Sports']['user_score']
print(hipo_sports.describe())
Acción count 389.000000 mean 6.837532 std 1.330173 min 2.000000 25% 6.300000 50% 7.100000 75% 7.800000 max 9.100000 Name: user_score, dtype: float64 Deportes count 160.000000 mean 5.238125 std 1.783427 min 0.200000 25% 4.100000 50% 5.500000 75% 6.500000 max 8.800000 Name: user_score, dtype: float64
Procedemos a realizar una prueba de homogeneidad de las varianzas entre los conjuntos a estudiar.
stat, p_value = st.levene(hipo_action, hipo_sports)
print("Estadístico de Levene:", stat)
print("p-value:", p_value)
# Interpreta el p-value
if p_value < alpha:
print("Las varianzas no son homogéneas (rechazar hipótesis nula)")
else:
print("Las varianzas son homogéneas (no se rechaza hipótesis nula)")
Estadístico de Levene: 26.20600718947607 p-value: 4.2566688218274047e-07 Las varianzas no son homogéneas (rechazar hipótesis nula)
Las varianzas no son homogéneas, por lo que se usará la prueba de Mann-Whitney.
results = st.mannwhitneyu(hipo_action, hipo_sports)
print('valor p:', results.pvalue)
if results.pvalue < alpha:
print("Rechazamos la hipótesis nula")
else:
print("No podemos rechazar la hipótesis nula")
valor p: 1.5189170584819927e-23 Rechazamos la hipótesis nula
Se rechaza la hipotesis nula, lo que significa que efectivamente las calificaciones promedio para estos dos géneros son estadísticamente diferentes, siendo las de acción, mayores que las de deportes.
Conclusión general¶
Después de todo el análisis realizado y tomando en consideración que el objetivo del análisis es planificar una campañas publicitarias para 2017, se pueden recoger las siguientes conclusiones:
- Las categorías de "Action" y "Shooter" son las favoritas en Norteamérica y en la unión europea, y la mayoría de juegos vendidos son para mayores de 18 años, gran parte de los "best sellers" como G.T.A. y la saga Call of Duty entra en esta categoría y además son juegos que suelen hacer referencia tanto a la cultura estadounidense como a la europea (con temáticas como guerras mundiales, ciudades estadounidenses, etc.)
- La PS4 es la reina indiscutida en la EU y en NA, sin embargo, norteamérica es la región donde las Xbox tienen mayor presencia, probablemente debido a que es un producto estadounidense.
- El público japonés prefiere consolas portátiles y de fabricantes japoneses. Su género favorito es el "Role-Playing".
- Probablemente (en la UE y en NA) la PlayStation y la Xbox One serán las favoritas del público hasta que sean reemplazadas por sus sucesoras en 2019/2020 aproximadamente.
- Debido al tiempo que lleva en el mercado la Nintendo 3DS y tomando en cuenta la diferencia entre en lanzamiento de la DS y la 3DS (6 años) es posible que en 2017 aproximadamente, Nintendo lance una consola portátil que entrará fuerte en el mercado, sobretodo en Japón.
- En cuanto a las calificaciones para juegos de PS4, las que vienen de usuarios no generan impacto en las ventas, sin embargo las que vienen de la crítica pueden tener un impacto, en otras palabras, una calificación alta de la crítica no garantiza un rotundo éxito del juego, pero, una calificación baja si garantiza que el juego no será un "best seller".
- Las ventas promedio de los juegos son bajas, la mediana es de 110.000 dolares de ganancia por juego, el porcentaje de juegos lanzados que superan los 5 millones de dólares en ventas de un 1%. Un "best seller" es una excepción a la regla, y fenómenos como "Minecraft" que vienen sin una reconocida saga por detrás, lo son aún más.
- Las calificaciones de usuario para los juegos de accion son estadísticamente mayores que las de los juegos de deportes.
- Las calificaciones de usuario para los juegos de PC y de Xbox One son estadísticamente iguales, probablemente debido a que juegan géneros similares, se puede seguir profundizando en esto.