转发本文并私信我"python"，即可获得Python资料以及各种心得(持续更新的)
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。
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。
之后会陆续分享一系列的案例，敬请关注！！！
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，进行一些简单的格式化输出，同样可以达到探索数据的效果。
不过，图表对于数据可视化是必不可少。之后我会结合 Python 和 Power BI 分享更多案例。
由于本例的数据比较多，需要源码以及数据的小伙伴，请私信我
请关注本号，后续会有更多相关教程。
