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.
