Вводная часть:
- Какие данные были выбраны и где они были найдены:
В качестве основы для анализа был выбран датасет с платформы Kaggle, содержащий информацию об играх в Steam. В таблице представлены такие характеристики, как жанры, цены, пользовательские оценки, количество отзывов и многие другие параметры, описывающие рынок видеоигр.
- Почему именно эти данные представляют интерес
Во первых: я люблю индустрию игр и в целом очень хорошо знаком с этим миром еще с детства. Во вторых: игровая индустрия — одна из самых быстрорастущих сфер цифровых развлечений. Эти данные позволяют проследить, какие жанры наиболее популярны, как формируются цены на игры и существует ли связь между стоимостью продукта и оценками пользователей. Анализ таких данных помогает лучше понять устройство современного игрового рынка.
- Какие виды графиков были выбраны и почему:
Для анализа данных были использованы следующие типы визуализаций:
— Столбчатая диаграмма — для отображения самых популярных жанров по количеству игр.
— Столбчатая диаграмма средних значений — для сравнения средней цены игр в разных жанрах.
— Гистограмма — для анализа распределения цен на игры.
— Диаграмма рассеяния — для выявления зависимости между ценой игры и пользовательской оценкой.
Выбор этих типов графиков обусловлен тем, что они наглядно показывают структуру данных, позволяют сравнивать значения и выявлять скрытые тенденции.
Этапы работы:
Обработка данных
Сначала прикреплю полный, изначальный код, затем второй поэтапно — уже тот, который использовался для создания финальных графиков.
Теперь второй код — он финальный и уже доработанный
- Импорт библиотек + настройка отображения
pandas — для загрузки и обработки таблиц (CSV). matplotlib.pyplot — для построения графиков. seaborn — для более красивых визуализаций. matplotlib as mpl — для глубокой настройки стилей и шрифтов. %matplotlib inline — чтобы графики отображались прямо внутри нотбука.
- Настройка фирменного пастельного стиля визуализации
Задаём единый шрифт для всех графиков. Устанавливаем базовый размер текста. Заголовки делаем жирными, чтобы выделялись.
- Создание авторской цветовой палитры
Мы не используем стандартные цвета Python. Все графики оформлены в едином пастельном стиле. Выполняется критерий: «Цвета заданы кодом».
- Настройка «журнального» светлого оформления
Светлый фон — как у дизайнерской инфографики. Тёмные подписи для контраста. Мягкая сетка для удобства чтения. Все графики выглядят как единая серия.
- Загрузка датасета
Загружается CSV-файл с играми. df.shape показывает размер таблицы (строки × столбцы). df.head () показывает первые 5 строк для проверки данных.
- Подготовка и очистка данных
Преобразуем цену из текста в число.
df_genres — для анализа жанров. df_genres_price — для средней цены по жанрам. df_price — для распределения цен.