尧图网站建设 
简介本资源是一份面向数据科学学习者、游戏行业研究者及商业分析从业者的高质量Steam游戏市场数据集覆盖2021至2025年关键发展周期助力趋势建模、品类洞察与定价策略分析。压缩包共含2个文件1个Python采集脚本collect_data_v2.py用于复现数据获取逻辑1个结构化CSV文件a_steam_data_2021_2025.csv总大小仅1.93MB轻量易加载适配Jupyter/Pandas等主流分析环境。已有345人下载学习反映出其在入门级数据分析项目与课程实践中的实用价值。数据集包含65,521款游戏的10维核心字段从唯一appid、发行日期、美元标价到类型/类别标签、开发者与发行商信息再到用户推荐数这一关键热度指标全部源自Steam官方网页API真实可靠特别纳入计划于2025年发布的未发售游戏支持前瞻性研究。1. 一份游戏数据宝藏的诞生与价值最近在整理个人项目时翻出了一个压箱底的宝贝——一份从2021年到2025年期间涵盖了超过6.5万个独立游戏条目的Steam数据集。这份数据以CSV格式存储包含了10个核心特征字段。对于任何对游戏市场分析、数据科学学习或者独立游戏开发感兴趣的朋友来说这都是一块未经雕琢的璞玉。你可能正在学习Python的pandas库苦于没有一份体量适中、特征清晰、领域有趣的真实数据集来练手或者你是一名游戏行业的观察者想了解近几年Steam平台的游戏发布趋势、定价策略或玩家评价分布但苦于数据获取和清洗的繁琐。这份数据集恰好能填补这个空白。它不是什么官方发布的完美报告而是通过技术手段从公开信息中聚合、清洗后的成果因此更贴近“实战”环境——里面会有数据缺失、格式不一、甚至偶尔的矛盾而这正是真实世界数据的常态。处理它的过程本身就是一次绝佳的数据分析实战演练。接下来我将带你全方位地“盘活”这份数据从如何获取与理解数据结构到使用Python进行深度分析再到挖掘出那些隐藏在数字背后的、关于Steam游戏市场的有趣洞察。2. 数据集深度解析10个特征字段的“前世今生”在动手写任何一行代码之前彻底理解你手中的数据是至关重要的第一步。这份数据集的10个特征字段每一个都承载着特定的信息也隐藏着一些需要特别注意的“坑”。2.1 核心特征字段释义与数据来源推测根据常见的Steam游戏数据维度我们可以对这10个特征进行合理的推断和定义。这并非数据字典而是基于经验的解读你需要在实际加载数据后验证。appid: Steam平台上每个游戏的唯一数字标识符。这是连接所有数据的“主键”绝对唯一且至关重要。在后续与其他数据集如玩家评论数据关联时全靠这个字段。name: 游戏的名称。需要注意的是同一游戏在不同区域可能有细微的名称差异数据集通常采用英文原名。这个字段可能包含特殊字符在读取时需要指定正确的编码如UTF-8。release_date: 游戏的发行日期。格式可能是YYYY-MM-DD也可能是MM/DD/YYYY这是CSV数据中常见的混乱点之一必须在分析前进行统一的日期格式解析。price_final: 游戏的最终售价通常以美元计。这里可能指的是折扣后的价格或者是某个时间点的采样价格。需要关注是否有免费游戏价格为0以及价格异常值极高或极低。price_original: 游戏的原价。与price_final结合可以计算折扣力度(1 - price_final / price_original)。注意原价可能为0免费游戏或与最终价相同无折扣。discount: 折扣百分比。可能是一个直接给出的字段也可能是通过上述价格计算得出的。如果直接提供需检查其与价格字段的逻辑一致性。rating: 游戏评分。这很可能不是简单的用户好评率而可能是综合评分如Metacritic评分或经过处理的推荐指数。需要查看其数值范围例如是0-10分制还是0-100分制来理解其含义。positive_ratings: 好评数量。来自Steam用户的好评数。negative_ratings: 差评数量。来自Steam用户的差评数。owners_estimate: 所有者数量估计。这是一个非常有趣但也很“模糊”的字段。Steam不公开精确的销量数据这个字段通常是基于玩家数量区间如“0-20000”“20000-50000”或第三方算法估算得出的。处理时需要将其视为一个数量级指标而非精确值。注意以上字段释义是基于通用情况的推测。在实际操作中第一件事一定是使用pandas的head()、info()和describe()方法查看数据的前几行、字段类型和基本统计信息以确认每个字段的真实含义和格式。2.2 数据质量预判与清洗预备清单面对6.5万行数据直接进行分析必然会遇到问题。以下是在加载数据后应立即进行的“体检”项目缺失值侦察哪些字段存在大量空值NaNrating或owners_estimate这类字段缺失可能很常见。你需要决定是删除缺失行、填充默认值如用中位数填充价格还是标记后单独处理。格式统一release_date是否是统一的日期格式price_final和price_original是否是数值类型如果有discount字段它是否是字符串如“-50%”需要统一转换为适合分析的格式。异常值处理是否存在价格为负数或高得离谱如9999美元的记录positive_ratings的数量是否可能远大于owners_estimate这可能是数据抓取错误需要根据业务逻辑进行筛选或修正。重复项检查虽然appid应唯一但有时可能因数据抓取周期问题导致同一游戏有多个版本记录如预发布版和正式版。需要检查并去重。3. 从文件到洞察Python Pandas 全流程实战现在让我们进入实战环节。假设你已经将这份CSV文件下载到本地命名为steam_games_2021_2025.csv。我们将使用Python的Pandas库一步步完成从数据加载到基础分析的全过程。3.1 环境搭建与数据加载首先确保你的Python环境已安装pandas。如果没有通过pip install pandas安装。我们还会用到matplotlib或seaborn进行可视化可以一并安装pip install matplotlib seaborn。import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns # 设置中文显示如果需要和图表样式 plt.rcParams[font.sans-serif] [SimHei] # 用来正常显示中文标签 plt.rcParams[axes.unicode_minus] False # 用来正常显示负号 sns.set_style(whitegrid) # 加载CSV文件 # 注意编码问题如果出错可尝试 ISO-8859-1 或 latin1 file_path steam_games_2021_2025.csv try: df pd.read_csv(file_path, encodingutf-8) except UnicodeDecodeError: try: df pd.read_csv(file_path, encodingISO-8859-1) except: df pd.read_csv(file_path, encodinglatin1) print(数据集形状行列:, df.shape) print(\n前5行数据) print(df.head()) print(\n数据基本信息) print(df.info()) print(\n数值型字段描述性统计) print(df.describe())运行这段代码你将对数据有一个全局的认识有多少行数据、每个字段的类型是对象、整数还是浮点数、有多少非空值以及数值字段的分布均值、标准差、最小最大值。3.2 数据清洗与预处理的关键步骤根据df.info()和df.describe()的输出开始针对性清洗。步骤一处理日期字段# 假设 release_date 是对象类型尝试转换为日期时间格式 # pd.to_datetime 非常强大可以自动推断多种格式 df[release_date] pd.to_datetime(df[release_date], errorscoerce) # errorscoerce 将解析失败的转为NaT # 检查转换后有多少无效日期 print(f无效的日期记录数: {df[release_date].isna().sum()})步骤二处理价格与折扣字段# 确保价格字段为数值型 df[price_final] pd.to_numeric(df[price_final], errorscoerce) df[price_original] pd.to_numeric(df[price_original], errorscoerce) # 如果存在 discount 字段且为字符串如“-50%”则提取数字并转换为浮点数 if discount in df.columns and df[discount].dtype object: # 移除百分号转换为负数因为折扣是负的 df[discount_pct] df[discount].str.rstrip(%).astype(float) * -1 # 也可以计算折扣力度 df[calculated_discount] (df[price_final] - df[price_original]) / df[price_original] * 100步骤三处理缺失值与异常值# 1. 删除完全空白的行所有字段都缺失 df_cleaned df.dropna(howall) # 2. 对于关键字段如appid, name缺失的行通常选择删除 df_cleaned df_cleaned.dropna(subset[appid, name]) # 3. 对于价格异常值可以基于分位数进行过滤 # 假设我们认为价格高于200美元或低于0美元为异常 price_upper_limit 200 df_cleaned df_cleaned[(df_cleaned[price_final] 0) (df_cleaned[price_final] price_upper_limit)] df_cleaned df_cleaned[(df_cleaned[price_original] 0) (df_cleaned[price_original] price_upper_limit)] # 4. 对于评分可以填充中位数或均值但更好的方法是标记“缺失评分”作为一个类别 rating_median df_cleaned[rating].median() df_cleaned[rating_filled] df_cleaned[rating].fillna(rating_median) df_cleaned[is_rating_missing] df_cleaned[rating].isna() print(f清洗后数据形状: {df_cleaned.shape})3.3 基础分析回答关于Steam市场的第一个问题清洗完成后我们可以开始提出一些具体问题并用数据来回答。问题一每年的游戏发行数量趋势如何# 提取发行年份 df_cleaned[release_year] df_cleaned[release_date].dt.year # 按年统计游戏数量 games_per_year df_cleaned[release_year].value_counts().sort_index() # 绘制折线图 plt.figure(figsize(10,6)) games_per_year.plot(kindline, markero) plt.title(Steam平台年度游戏发行数量趋势 (2021-2025)) plt.xlabel(发行年份) plt.ylabel(游戏数量) plt.grid(True, linestyle--, alpha0.7) plt.tight_layout() plt.show()这段代码将生成一张折线图直观展示从2021到2025年Steam每年上架的游戏数量是增长、下降还是保持稳定。这能反映平台生态的活跃度。问题二游戏的价格分布是怎样的大多数游戏集中在什么价位# 关注最终售价的分布 price_data df_cleaned[price_final].dropna() # 由于可能存在大量免费或低价游戏我们使用对数坐标或分段统计 plt.figure(figsize(12,5)) # 子图1直方图聚焦于0-50美元区间 plt.subplot(1,2,1) plt.hist(price_data[price_data 50], bins30, edgecolorblack, alpha0.7) plt.title(游戏价格分布 (0-50美元区间)) plt.xlabel(最终价格 (美元)) plt.ylabel(游戏数量) # 子图2箱线图查看整体分布和异常值 plt.subplot(1,2,2) plt.boxplot(price_data, vertFalse) plt.title(游戏价格箱线图) plt.xlabel(最终价格 (美元)) plt.tight_layout() plt.show() # 计算关键分位数 print(f价格中位数: ${price_data.median():.2f}) print(f价格均值: ${price_data.mean():.2f}) print(f75%的游戏价格低于: ${price_data.quantile(0.75):.2f})这个分析能告诉你Steam游戏的定价策略。你会发现很可能有一个非常长的右尾——即绝大多数游戏价格很低甚至免费但少数大作价格很高。问题三游戏评分与价格、好评数有关系吗# 计算好评率如果原始数据没有 df_cleaned[positive_rate] df_cleaned[positive_ratings] / (df_cleaned[positive_ratings] df_cleaned[negative_ratings]) df_cleaned[positive_rate] df_cleaned[positive_rate].replace([np.inf, -np.inf], np.nan) # 处理除零错误 # 绘制散点图矩阵观察几个核心数值变量间的关系 # 为了可视化清晰可以采样一部分数据 plot_df df_cleaned[[price_final, rating_filled, positive_rate, owners_estimate]].dropna().sample(n1000, random_state42) sns.pairplot(plot_df, diag_kindkde, plot_kws{alpha:0.5}) plt.suptitle(核心数值特征关系散点图矩阵, y1.02) plt.show() # 计算相关系数 corr_matrix plot_df.corr() print(相关系数矩阵) print(corr_matrix)通过这个分析你可能会发现一些有趣的关联例如“好评率与评分高度正相关”这符合直觉但“价格与评分/好评率可能没有强相关”甚至可能出现“低价独立游戏凭借口碑获得高评分”的现象。4. 进阶探索从描述性统计到洞察性挖掘基础分析描绘了轮廓进阶探索则试图回答更复杂的“为什么”和“怎么样”。4.1 时间序列下的折扣策略分析我们可以按月份或季度分析平台整体折扣力度的变化。例如夏季促销、冬季促销期间平均折扣是否显著加深# 提取发行月份和季度 df_cleaned[release_month] df_cleaned[release_date].dt.month df_cleaned[release_quarter] df_cleaned[release_date].dt.quarter # 假设我们有了 calculated_discount 字段负值表示折扣 if calculated_discount in df_cleaned.columns: # 按季度计算平均折扣深度取绝对值使其为正值便于理解 df_cleaned[discount_depth] df_cleaned[calculated_discount].abs() avg_discount_by_quarter df_cleaned.groupby(release_quarter)[discount_depth].mean() plt.figure(figsize(8,5)) avg_discount_by_quarter.plot(kindbar) plt.title(不同季度发行的游戏平均折扣深度) plt.xlabel(季度) plt.ylabel(平均折扣深度 (%)) plt.xticks(rotation0) plt.show()这个分析可以帮助你理解Steam平台或发行商是否倾向于在特定时间点以更深的折扣发布游戏。4.2 游戏“性价比”的量化尝试我们可以创建一个简单的“价值指数”综合考量价格、评分和好评数量。这并非一个科学严谨的指标但能提供一种有趣的视角。# 一个简单的价值指数示例 (评分 * 好评率) / (价格 1) # 加1是为了避免除零并对免费游戏也能计算 df_cleaned[value_index] (df_cleaned[rating_filled] * df_cleaned[positive_rate]) / (df_cleaned[price_final] 1) # 找出价值指数最高的游戏 top_value_games df_cleaned[[name, price_final, rating_filled, positive_rate, value_index]].sort_values(byvalue_index, ascendingFalse).head(20) print(价值指数最高的20款游戏) print(top_value_games)你会发现这个榜单很可能被那些“评分极高、价格极低甚至免费”的优质独立游戏或经典老游戏占据。这为寻找“宝藏游戏”提供了一个数据驱动的思路。4.3 基于文本特征的简单探索游戏名称虽然只有10个特征但name字段是文本我们仍可以做最基础的文本分析比如找出最常见的词汇。from collections import Counter import re # 将所有游戏名称合并为一个字符串并转换为小写 all_names .join(df_cleaned[name].dropna().astype(str).str.lower()) # 使用正则表达式提取单词简单处理忽略标点 words re.findall(r\b[a-z]{3,}\b, all_names) # 只提取长度3的单词 # 计算词频 word_freq Counter(words) # 移除常见的停用词如the, and, of, game等 common_stopwords {the, and, of, game, edition, version, definitive, complete} filtered_word_freq {word: count for word, count in word_freq.items() if word not in common_stopwords} # 获取前20个最常见的词 top_words pd.Series(filtered_word_freq).nlargest(20) plt.figure(figsize(12,6)) top_words.sort_values().plot(kindbarh) plt.title(Steam游戏名称中最常见的词汇 (2021-2025)) plt.xlabel(出现频次) plt.tight_layout() plt.show()这个分析可以直观反映出近几年游戏命名的流行趋势比如是否大量出现“Simulator”、“Legacy”、“Remastered”等词汇。5. 数据导出、应用扩展与避坑指南完成分析后你可能需要将清洗或处理后的数据保存下来或者将分析结果应用到其他场景。5.1 将处理好的数据保存为新CSV# 保存清洗并添加了新特征的数据框 output_path steam_games_2021_2025_cleaned_enriched.csv df_cleaned.to_csv(output_path, indexFalse, encodingutf-8-sig) # utf-8-sig 对Excel等软件更友好 print(f处理后的数据已保存至: {output_path})5.2 与其他工具链的衔接数据库导入你可以将CSV导入到MySQL、PostgreSQL甚至SQLite中进行更复杂的SQL查询和分析。使用pandas的to_sql方法或数据库的LOAD DATA INFILEMySQL命令可以方便地完成。可视化仪表板利用Plotly Dash或Streamlit库你可以快速将上述分析构建成一个交互式的Web仪表板动态筛选年份、价格区间查看游戏详情。机器学习入门这份数据可以作为简单的回归预测游戏评分或分类根据特征划分游戏类型如果后续能加入类型标签任务的入门数据集。5.3 实战中踩过的“坑”与心得编码“幽灵”CSV文件编码问题是最常见的“第一道坎”。如果pd.read_csv默认的utf-8报错不要慌依次尝试encodingISO-8859-1或encodinglatin1。在保存为CSV时使用utf-8-sig编码可以避免许多下游工具如Excel打开时的乱码问题。日期解析的“陷阱”pd.to_datetime的errorscoerce参数是你的好朋友。它会把所有无法解析的日期变成NaTNot a Time而不是让整个程序崩溃。之后你可以再单独检查这些NaT行决定是删除还是手动修正。“免费”游戏的干扰在分析价格分布时免费游戏价格为0会极大地影响均值并使直方图在0点处出现一个极高的柱状。通常的做法是将免费游戏单独分类或者在分析付费游戏时将其过滤掉df_paid df_cleaned[df_cleaned[price_final] 0]。估算字段的“模糊性”像owners_estimate这样的字段切忌将其当作精确值进行复杂的数学运算。更合理的用法是将其分箱binning转化为“销量等级”如“小众”、“热门”、“爆款”然后进行类别分析。内存与性能6.5万行数据对于现代的Pandas来说是小菜一碟。但如果数据量增长到百万级在groupby、apply等操作时就要开始注意性能。可以考虑使用dtype参数指定数据类型以节省内存或者使用pandas的query()方法进行过滤。处理这样一份真实的、带有“毛刺”的数据集其价值远大于处理一份完美的教学数据集。每一个数据清洗的决策、每一个异常值的处理都是对业务理解的深化。这份Steam数据集就像一座矿山上述分析只是最初级的勘探更深层的宝藏——比如结合外部数据如游戏类型、开发商信息进行关联分析或者构建更复杂的预测模型——正等待你去挖掘。本文还有配套的精品资源点击获取 Steam游戏数据分析实战：用Python Pandas挖掘6.5万条数据洞察
简介本资源是一份面向数据科学学习者、游戏行业研究者及商业分析从业者的高质量Steam游戏市场数据集覆盖2021至2025年关键发展周期助力趋势建模、品类洞察与定价策略分析。压缩包共含2个文件1个Python采集脚本collect_data_v2.py用于复现数据获取逻辑1个结构化CSV文件a_steam_data_2021_2025.csv总大小仅1.93MB轻量易加载适配Jupyter/Pandas等主流分析环境。已有345人下载学习反映出其在入门级数据分析项目与课程实践中的实用价值。数据集包含65,521款游戏的10维核心字段从唯一appid、发行日期、美元标价到类型/类别标签、开发者与发行商信息再到用户推荐数这一关键热度指标全部源自Steam官方网页API真实可靠特别纳入计划于2025年发布的未发售游戏支持前瞻性研究。1. 一份游戏数据宝藏的诞生与价值最近在整理个人项目时翻出了一个压箱底的宝贝——一份从2021年到2025年期间涵盖了超过6.5万个独立游戏条目的Steam数据集。这份数据以CSV格式存储包含了10个核心特征字段。对于任何对游戏市场分析、数据科学学习或者独立游戏开发感兴趣的朋友来说这都是一块未经雕琢的璞玉。你可能正在学习Python的pandas库苦于没有一份体量适中、特征清晰、领域有趣的真实数据集来练手或者你是一名游戏行业的观察者想了解近几年Steam平台的游戏发布趋势、定价策略或玩家评价分布但苦于数据获取和清洗的繁琐。这份数据集恰好能填补这个空白。它不是什么官方发布的完美报告而是通过技术手段从公开信息中聚合、清洗后的成果因此更贴近“实战”环境——里面会有数据缺失、格式不一、甚至偶尔的矛盾而这正是真实世界数据的常态。处理它的过程本身就是一次绝佳的数据分析实战演练。接下来我将带你全方位地“盘活”这份数据从如何获取与理解数据结构到使用Python进行深度分析再到挖掘出那些隐藏在数字背后的、关于Steam游戏市场的有趣洞察。2. 数据集深度解析10个特征字段的“前世今生”在动手写任何一行代码之前彻底理解你手中的数据是至关重要的第一步。这份数据集的10个特征字段每一个都承载着特定的信息也隐藏着一些需要特别注意的“坑”。2.1 核心特征字段释义与数据来源推测根据常见的Steam游戏数据维度我们可以对这10个特征进行合理的推断和定义。这并非数据字典而是基于经验的解读你需要在实际加载数据后验证。appid: Steam平台上每个游戏的唯一数字标识符。这是连接所有数据的“主键”绝对唯一且至关重要。在后续与其他数据集如玩家评论数据关联时全靠这个字段。name: 游戏的名称。需要注意的是同一游戏在不同区域可能有细微的名称差异数据集通常采用英文原名。这个字段可能包含特殊字符在读取时需要指定正确的编码如UTF-8。release_date: 游戏的发行日期。格式可能是YYYY-MM-DD也可能是MM/DD/YYYY这是CSV数据中常见的混乱点之一必须在分析前进行统一的日期格式解析。price_final: 游戏的最终售价通常以美元计。这里可能指的是折扣后的价格或者是某个时间点的采样价格。需要关注是否有免费游戏价格为0以及价格异常值极高或极低。price_original: 游戏的原价。与price_final结合可以计算折扣力度(1 - price_final / price_original)。注意原价可能为0免费游戏或与最终价相同无折扣。discount: 折扣百分比。可能是一个直接给出的字段也可能是通过上述价格计算得出的。如果直接提供需检查其与价格字段的逻辑一致性。rating: 游戏评分。这很可能不是简单的用户好评率而可能是综合评分如Metacritic评分或经过处理的推荐指数。需要查看其数值范围例如是0-10分制还是0-100分制来理解其含义。positive_ratings: 好评数量。来自Steam用户的好评数。negative_ratings: 差评数量。来自Steam用户的差评数。owners_estimate: 所有者数量估计。这是一个非常有趣但也很“模糊”的字段。Steam不公开精确的销量数据这个字段通常是基于玩家数量区间如“0-20000”“20000-50000”或第三方算法估算得出的。处理时需要将其视为一个数量级指标而非精确值。注意以上字段释义是基于通用情况的推测。在实际操作中第一件事一定是使用pandas的head()、info()和describe()方法查看数据的前几行、字段类型和基本统计信息以确认每个字段的真实含义和格式。2.2 数据质量预判与清洗预备清单面对6.5万行数据直接进行分析必然会遇到问题。以下是在加载数据后应立即进行的“体检”项目缺失值侦察哪些字段存在大量空值NaNrating或owners_estimate这类字段缺失可能很常见。你需要决定是删除缺失行、填充默认值如用中位数填充价格还是标记后单独处理。格式统一release_date是否是统一的日期格式price_final和price_original是否是数值类型如果有discount字段它是否是字符串如“-50%”需要统一转换为适合分析的格式。异常值处理是否存在价格为负数或高得离谱如9999美元的记录positive_ratings的数量是否可能远大于owners_estimate这可能是数据抓取错误需要根据业务逻辑进行筛选或修正。重复项检查虽然appid应唯一但有时可能因数据抓取周期问题导致同一游戏有多个版本记录如预发布版和正式版。需要检查并去重。3. 从文件到洞察Python Pandas 全流程实战现在让我们进入实战环节。假设你已经将这份CSV文件下载到本地命名为steam_games_2021_2025.csv。我们将使用Python的Pandas库一步步完成从数据加载到基础分析的全过程。3.1 环境搭建与数据加载首先确保你的Python环境已安装pandas。如果没有通过pip install pandas安装。我们还会用到matplotlib或seaborn进行可视化可以一并安装pip install matplotlib seaborn。import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns # 设置中文显示如果需要和图表样式 plt.rcParams[font.sans-serif] [SimHei] # 用来正常显示中文标签 plt.rcParams[axes.unicode_minus] False # 用来正常显示负号 sns.set_style(whitegrid) # 加载CSV文件 # 注意编码问题如果出错可尝试 ISO-8859-1 或 latin1 file_path steam_games_2021_2025.csv try: df pd.read_csv(file_path, encodingutf-8) except UnicodeDecodeError: try: df pd.read_csv(file_path, encodingISO-8859-1) except: df pd.read_csv(file_path, encodinglatin1) print(数据集形状行列:, df.shape) print(\n前5行数据) print(df.head()) print(\n数据基本信息) print(df.info()) print(\n数值型字段描述性统计) print(df.describe())运行这段代码你将对数据有一个全局的认识有多少行数据、每个字段的类型是对象、整数还是浮点数、有多少非空值以及数值字段的分布均值、标准差、最小最大值。3.2 数据清洗与预处理的关键步骤根据df.info()和df.describe()的输出开始针对性清洗。步骤一处理日期字段# 假设 release_date 是对象类型尝试转换为日期时间格式 # pd.to_datetime 非常强大可以自动推断多种格式 df[release_date] pd.to_datetime(df[release_date], errorscoerce) # errorscoerce 将解析失败的转为NaT # 检查转换后有多少无效日期 print(f无效的日期记录数: {df[release_date].isna().sum()})步骤二处理价格与折扣字段# 确保价格字段为数值型 df[price_final] pd.to_numeric(df[price_final], errorscoerce) df[price_original] pd.to_numeric(df[price_original], errorscoerce) # 如果存在 discount 字段且为字符串如“-50%”则提取数字并转换为浮点数 if discount in df.columns and df[discount].dtype object: # 移除百分号转换为负数因为折扣是负的 df[discount_pct] df[discount].str.rstrip(%).astype(float) * -1 # 也可以计算折扣力度 df[calculated_discount] (df[price_final] - df[price_original]) / df[price_original] * 100步骤三处理缺失值与异常值# 1. 删除完全空白的行所有字段都缺失 df_cleaned df.dropna(howall) # 2. 对于关键字段如appid, name缺失的行通常选择删除 df_cleaned df_cleaned.dropna(subset[appid, name]) # 3. 对于价格异常值可以基于分位数进行过滤 # 假设我们认为价格高于200美元或低于0美元为异常 price_upper_limit 200 df_cleaned df_cleaned[(df_cleaned[price_final] 0) (df_cleaned[price_final] price_upper_limit)] df_cleaned df_cleaned[(df_cleaned[price_original] 0) (df_cleaned[price_original] price_upper_limit)] # 4. 对于评分可以填充中位数或均值但更好的方法是标记“缺失评分”作为一个类别 rating_median df_cleaned[rating].median() df_cleaned[rating_filled] df_cleaned[rating].fillna(rating_median) df_cleaned[is_rating_missing] df_cleaned[rating].isna() print(f清洗后数据形状: {df_cleaned.shape})3.3 基础分析回答关于Steam市场的第一个问题清洗完成后我们可以开始提出一些具体问题并用数据来回答。问题一每年的游戏发行数量趋势如何# 提取发行年份 df_cleaned[release_year] df_cleaned[release_date].dt.year # 按年统计游戏数量 games_per_year df_cleaned[release_year].value_counts().sort_index() # 绘制折线图 plt.figure(figsize(10,6)) games_per_year.plot(kindline, markero) plt.title(Steam平台年度游戏发行数量趋势 (2021-2025)) plt.xlabel(发行年份) plt.ylabel(游戏数量) plt.grid(True, linestyle--, alpha0.7) plt.tight_layout() plt.show()这段代码将生成一张折线图直观展示从2021到2025年Steam每年上架的游戏数量是增长、下降还是保持稳定。这能反映平台生态的活跃度。问题二游戏的价格分布是怎样的大多数游戏集中在什么价位# 关注最终售价的分布 price_data df_cleaned[price_final].dropna() # 由于可能存在大量免费或低价游戏我们使用对数坐标或分段统计 plt.figure(figsize(12,5)) # 子图1直方图聚焦于0-50美元区间 plt.subplot(1,2,1) plt.hist(price_data[price_data 50], bins30, edgecolorblack, alpha0.7) plt.title(游戏价格分布 (0-50美元区间)) plt.xlabel(最终价格 (美元)) plt.ylabel(游戏数量) # 子图2箱线图查看整体分布和异常值 plt.subplot(1,2,2) plt.boxplot(price_data, vertFalse) plt.title(游戏价格箱线图) plt.xlabel(最终价格 (美元)) plt.tight_layout() plt.show() # 计算关键分位数 print(f价格中位数: ${price_data.median():.2f}) print(f价格均值: ${price_data.mean():.2f}) print(f75%的游戏价格低于: ${price_data.quantile(0.75):.2f})这个分析能告诉你Steam游戏的定价策略。你会发现很可能有一个非常长的右尾——即绝大多数游戏价格很低甚至免费但少数大作价格很高。问题三游戏评分与价格、好评数有关系吗# 计算好评率如果原始数据没有 df_cleaned[positive_rate] df_cleaned[positive_ratings] / (df_cleaned[positive_ratings] df_cleaned[negative_ratings]) df_cleaned[positive_rate] df_cleaned[positive_rate].replace([np.inf, -np.inf], np.nan) # 处理除零错误 # 绘制散点图矩阵观察几个核心数值变量间的关系 # 为了可视化清晰可以采样一部分数据 plot_df df_cleaned[[price_final, rating_filled, positive_rate, owners_estimate]].dropna().sample(n1000, random_state42) sns.pairplot(plot_df, diag_kindkde, plot_kws{alpha:0.5}) plt.suptitle(核心数值特征关系散点图矩阵, y1.02) plt.show() # 计算相关系数 corr_matrix plot_df.corr() print(相关系数矩阵) print(corr_matrix)通过这个分析你可能会发现一些有趣的关联例如“好评率与评分高度正相关”这符合直觉但“价格与评分/好评率可能没有强相关”甚至可能出现“低价独立游戏凭借口碑获得高评分”的现象。4. 进阶探索从描述性统计到洞察性挖掘基础分析描绘了轮廓进阶探索则试图回答更复杂的“为什么”和“怎么样”。4.1 时间序列下的折扣策略分析我们可以按月份或季度分析平台整体折扣力度的变化。例如夏季促销、冬季促销期间平均折扣是否显著加深# 提取发行月份和季度 df_cleaned[release_month] df_cleaned[release_date].dt.month df_cleaned[release_quarter] df_cleaned[release_date].dt.quarter # 假设我们有了 calculated_discount 字段负值表示折扣 if calculated_discount in df_cleaned.columns: # 按季度计算平均折扣深度取绝对值使其为正值便于理解 df_cleaned[discount_depth] df_cleaned[calculated_discount].abs() avg_discount_by_quarter df_cleaned.groupby(release_quarter)[discount_depth].mean() plt.figure(figsize(8,5)) avg_discount_by_quarter.plot(kindbar) plt.title(不同季度发行的游戏平均折扣深度) plt.xlabel(季度) plt.ylabel(平均折扣深度 (%)) plt.xticks(rotation0) plt.show()这个分析可以帮助你理解Steam平台或发行商是否倾向于在特定时间点以更深的折扣发布游戏。4.2 游戏“性价比”的量化尝试我们可以创建一个简单的“价值指数”综合考量价格、评分和好评数量。这并非一个科学严谨的指标但能提供一种有趣的视角。# 一个简单的价值指数示例 (评分 * 好评率) / (价格 1) # 加1是为了避免除零并对免费游戏也能计算 df_cleaned[value_index] (df_cleaned[rating_filled] * df_cleaned[positive_rate]) / (df_cleaned[price_final] 1) # 找出价值指数最高的游戏 top_value_games df_cleaned[[name, price_final, rating_filled, positive_rate, value_index]].sort_values(byvalue_index, ascendingFalse).head(20) print(价值指数最高的20款游戏) print(top_value_games)你会发现这个榜单很可能被那些“评分极高、价格极低甚至免费”的优质独立游戏或经典老游戏占据。这为寻找“宝藏游戏”提供了一个数据驱动的思路。4.3 基于文本特征的简单探索游戏名称虽然只有10个特征但name字段是文本我们仍可以做最基础的文本分析比如找出最常见的词汇。from collections import Counter import re # 将所有游戏名称合并为一个字符串并转换为小写 all_names .join(df_cleaned[name].dropna().astype(str).str.lower()) # 使用正则表达式提取单词简单处理忽略标点 words re.findall(r\b[a-z]{3,}\b, all_names) # 只提取长度3的单词 # 计算词频 word_freq Counter(words) # 移除常见的停用词如the, and, of, game等 common_stopwords {the, and, of, game, edition, version, definitive, complete} filtered_word_freq {word: count for word, count in word_freq.items() if word not in common_stopwords} # 获取前20个最常见的词 top_words pd.Series(filtered_word_freq).nlargest(20) plt.figure(figsize(12,6)) top_words.sort_values().plot(kindbarh) plt.title(Steam游戏名称中最常见的词汇 (2021-2025)) plt.xlabel(出现频次) plt.tight_layout() plt.show()这个分析可以直观反映出近几年游戏命名的流行趋势比如是否大量出现“Simulator”、“Legacy”、“Remastered”等词汇。5. 数据导出、应用扩展与避坑指南完成分析后你可能需要将清洗或处理后的数据保存下来或者将分析结果应用到其他场景。5.1 将处理好的数据保存为新CSV# 保存清洗并添加了新特征的数据框 output_path steam_games_2021_2025_cleaned_enriched.csv df_cleaned.to_csv(output_path, indexFalse, encodingutf-8-sig) # utf-8-sig 对Excel等软件更友好 print(f处理后的数据已保存至: {output_path})5.2 与其他工具链的衔接数据库导入你可以将CSV导入到MySQL、PostgreSQL甚至SQLite中进行更复杂的SQL查询和分析。使用pandas的to_sql方法或数据库的LOAD DATA INFILEMySQL命令可以方便地完成。可视化仪表板利用Plotly Dash或Streamlit库你可以快速将上述分析构建成一个交互式的Web仪表板动态筛选年份、价格区间查看游戏详情。机器学习入门这份数据可以作为简单的回归预测游戏评分或分类根据特征划分游戏类型如果后续能加入类型标签任务的入门数据集。5.3 实战中踩过的“坑”与心得编码“幽灵”CSV文件编码问题是最常见的“第一道坎”。如果pd.read_csv默认的utf-8报错不要慌依次尝试encodingISO-8859-1或encodinglatin1。在保存为CSV时使用utf-8-sig编码可以避免许多下游工具如Excel打开时的乱码问题。日期解析的“陷阱”pd.to_datetime的errorscoerce参数是你的好朋友。它会把所有无法解析的日期变成NaTNot a Time而不是让整个程序崩溃。之后你可以再单独检查这些NaT行决定是删除还是手动修正。“免费”游戏的干扰在分析价格分布时免费游戏价格为0会极大地影响均值并使直方图在0点处出现一个极高的柱状。通常的做法是将免费游戏单独分类或者在分析付费游戏时将其过滤掉df_paid df_cleaned[df_cleaned[price_final] 0]。估算字段的“模糊性”像owners_estimate这样的字段切忌将其当作精确值进行复杂的数学运算。更合理的用法是将其分箱binning转化为“销量等级”如“小众”、“热门”、“爆款”然后进行类别分析。内存与性能6.5万行数据对于现代的Pandas来说是小菜一碟。但如果数据量增长到百万级在groupby、apply等操作时就要开始注意性能。可以考虑使用dtype参数指定数据类型以节省内存或者使用pandas的query()方法进行过滤。处理这样一份真实的、带有“毛刺”的数据集其价值远大于处理一份完美的教学数据集。每一个数据清洗的决策、每一个异常值的处理都是对业务理解的深化。这份Steam数据集就像一座矿山上述分析只是最初级的勘探更深层的宝藏——比如结合外部数据如游戏类型、开发商信息进行关联分析或者构建更复杂的预测模型——正等待你去挖掘。本文还有配套的精品资源点击获取