利用python进行《野蛮时代》游戏数据分析

【数据来源】游戏玩家付费金额预测大赛
数据包含近229万条记录，109个字段，以下取较重要的字段进行说明。

【字段说明】

user_id：用户编码，用户唯一标识
bd_stronghold_level：要塞等级，相当于游戏账号等级
wood_reduce_value：木头消耗数量
stone_reduce_value：石头消耗数量
ivory_reduce_value：象牙消耗数量
meat_reduce_value：肉消耗数量
magic_reduce_value：魔法消耗数量
general_acceleration_reduce_value：通用加速消耗数量
building_acceleration_reduce_value：建筑加速消耗数量
reaserch_acceleration_reduce_value：科研加速消耗数量
training_acceleration_reduce_value：训练加速消耗数量
treatment_acceleration_reduce_value：治疗加速消耗数量
pvp_battle_count：玩家对玩家次数
pve_battle_count：玩家对机器次数
avg_online_minutes：日均在线时间
pay_price: 消费金额
pay_count：消费次数

【分析思路】

用户注册时间分布情况？
用户的付费情况（付费率，ARPU，ARPPU）？
各等级用户的付费情况？
用户的消费习惯？
可视化数据

【分析过程】

导入数据

import numpy as np
import pandas as pd
import matplotlib.pyplotas plt
import pylab as pl
from matplotlib.font_managerimport FontManager, FontProperties
pd.set_option('display.max_columns',None)

#为了数据安全，copy一份数据
df = df0

#检查是否有空值
print(df.isnull().any().any())

#观察数据构成
print(df.head())

清洗数据

#以user_id为维度，删除重复数据，并查看用户总数
df = df.drop_duplicates(subset='user_id')
print('用户总数：',len(df['user_id']))

用户总数：2288007

计算用户注册时间分布

#首先将注册时间精确到天
register_date = []
for i in df['register_time']:
	date = i[5:10]
    register_date.append(date)
df['register_time'] = register_date

#计算每天的注册人数
df_register = df.groupby('register_time').size()
df_register.columns = ['日期','注册人数']
print(df_register)

#可视化
plt.plot(df_register)
plt.grid(True)
pl.xticks(rotation=90)
font = FontProperties(fname='/System/Library/Fonts/PingFang.ttc')
plt.title('用户注册分布图',fontproperties=font)
plt.show()

利用python进行《野蛮时代》游戏数据分析

用户的付费情况（付费率，ARPU，ARPPU）

#付费率（付费人数/活跃人数）
df_pay_user = df[(df['pay_price']>0)]
pay_rate = df_pay_user['user_id'].count()/df_active_user['user_id'].count()
print('付费率：%.2f'%(pay_rate))

#ARPU（总付费金额/活跃人数）
arpu = df_pay_user['pay_price'].sum()/df_active_user['user_id'].count()
print('ARPU:%.2f'%(arpu))

#ARPPU（总付费金额/付费人数）
arppu = df_pay_user['pay_price'].sum()/df_pay_user['user_id'].count()
print('ARPPU:%.2f'%(arppu))

付费率：0.29
ARPU:8.55
ARPPU:29.52

△目前盈利较好的手游的ARPU超过5元，一般手游在3~5元之间，盈利较差的低于3元，该游戏的ARPU为8.55元，说明盈利水平较高。

不同等级用户的付费情况

df_user = df[['user_id','bd_stronghold_level','pay_price','pay_count']]
df_table = pd.pivot_table(df_user,index=['bd_stronghold_level'],
values = ['user_id','pay_price','pay_count'],
aggfunc = {'user_id':'count','pay_price':'sum','pay_count':'sum'})
df_stronghold_pay = pd.DataFrame(df_table.to_records())

#各等级付费人数
df_stronghold_pay['pay_num'] = df_user[(df_user['pay_price']>0)].groupby('bd_stronghold_level').user_id.count()

#各等级付费转化率
df_stronghold_pay['pay_rate'] = df_stronghold_pay['pay_num']/df_stronghold_pay['user_id']

#各等级平均付费金额
df_stronghold_pay['avg_pay_price'] = df_stronghold_pay['pay_price']/df_stronghold_pay['user_id']

#各等级平均付费次数
df_stronghold_pay['avg_pay_count'] = df_stronghold_pay['pay_count']/df_stronghold_pay['user_id']

#重命名列名
df_stronghold_pay.columns = ['要塞等级','总付费次数','总付费金额','总人数','付费人数','付费转化率','人均付费金额','人均付费次数']
df_stronghold_pay = df_stronghold_pay[['要塞等级','总人数','付费人数','付费转化率','总付费金额','人均付费金额','总付费次数','人均付费次数']]
df_stronghold_pay = df_stronghold_pay.round(2)
print(df_stronghold_pay)

为了方便查看，我将数据导出至excel展示
利用python进行《野蛮时代》游戏数据分析

#可视化
#要塞等级—付费转化率
x = df_stronghold_pay['要塞等级']
y = df_stronghold_pay['付费转化率']
plt.xticks(x,range(0,len(x),1))
plt.plot(x,y)
plt.grid(True)
plt.title('不同等级用户付费转化率',fontproperties=font)
plt.show()

利用python进行《野蛮时代》游戏数据分析

#要塞等级-人均付费金额
x = df_stronghold_pay['要塞等级']
y = df_stronghold_pay['人均付费金额']
plt.xticks(x,range(0,len(x),1))
plt.plot(x,y)
plt.grid(True)
plt.title('不同等级用户人均付费jine',fontproperties=font)
plt.show()

利用python进行《野蛮时代》游戏数据分析

#要塞等级-人均付费次数
x = df_stronghold_pay['要塞等级']
y = df_stronghold_pay['人均付费次数']
plt.xticks(x,range(0,len(x),1))
plt.plot(x,y)
plt.grid(True)
plt.title('不同等级用户人均付费次数',fontproperties=font)
plt.show()

利用python进行《野蛮时代》游戏数据分析
△用户等级到达10级时，付费率接近60%，等级到达13级时，付费率接近100%，且人均付费金额和次数两项指标也在用户达到10级后增长迅速，因此可以认定10级以上用户为游戏的核心用户。
△但是观察用户等级分布，发现绝大部分用户还是处在10级以下的水平，因此如何使用户达到10级是游戏运营接下来需要考虑的事。

不同玩家的消费习惯
该游戏充值主要可以获得道具类（木头、石头、象牙、肉、魔法）和加速券类（通用、建筑、科研、训练、医疗）。根据用户的充值金额大小，分别分析两类消费品的消耗情况。

#将等级>=10级的玩家划分为：消费>=500为高消费玩家，<500为普通玩家
df_eli_user = df[(df['pay_price']>=500)&(df['bd_stronghold_level']>=10)]
df_nor_user = df[(df['pay_price']<500)&(df['bd_stronghold_level']>10)]

#不同玩家的道具消耗情况
wood_avg = [df_eli_user['wood_reduce_value'].mean(),df_nor_user['wood_reduce_value'].mean()]
stone_avg = [df_eli_user['stone_reduce_value'].mean(),df_nor_user['stone_reduce_value'].mean()]
ivory_avg = [df_eli_user['ivory_reduce_value'].mean(),df_nor_user['ivory_reduce_value'].mean()]
meat_avg = [df_eli_user['meat_reduce_value'].mean(),df_nor_user['meat_reduce_value'].mean()]
magic_avg = [df_eli_user['magic_reduce_value'].mean(),df_nor_user['magic_reduce_value'].mean()]
props_data = {'high_value_player':[wood_avg[0],stone_avg[0],ivory_avg[0],meat_avg[0],magic_avg[0]],
              'normal_player':[wood_avg[1],stone_avg[1],ivory_avg[1],meat_avg[1],magic_avg[1]]}
df_props = pd.DataFrame(props_data,index=['wood','stone','ivory','meat','magic'])
df_props = df_props.round(2)
print(df_props)

#可视化
ax = df_props.plot(kind='bar',title='Props Reduce',grid=True,legend=True)
plt.show()

利用python进行《野蛮时代》游戏数据分析
△普通玩家和高消费玩家对木头、石头、肉的消耗都较大，魔法的消耗都较小，而在象牙的消耗上，高消费玩家和普通玩家的消耗差距较大。

#不同玩家的加速券消耗情况
general_avg = [df_eli_user['general_acceleration_reduce_value'].mean(),
			   df_nor_user['general_acceleration_reduce_value'].mean()]
building_avg = [df_eli_user['building_acceleration_reduce_value'].mean(),
				df_nor_user['building_acceleration_reduce_value'].mean()]
research_avg = [df_eli_user['reaserch_acceleration_reduce_value'].mean(),
 				df_nor_user['reaserch_acceleration_reduce_value'].mean()]
training_avg = [df_eli_user['training_acceleration_reduce_value'].mean(),
			    df_nor_user['training_acceleration_reduce_value'].mean()]
treatment_avg = [df_eli_user['treatment_acceleration_reduce_value'].mean(),
				 df_nor_user['treatment_acceleration_reduce_value'].mean()]
acceleration_data = {'high_value_player':[general_avg[0],building_avg[0],research_avg[0], training_avg[0],treatment_avg[0]],
                     'normal_player':[general_avg[1],building_avg[1],research_avg[1],training_avg[1],treatment_avg[1]]}
df_acceleration = pd.DataFrame(acceleration_data,index['general','building','researching','training','treatment'])
print(df_acceleration.round(2))

#可视化
ax = df_acceleration.plot(kind='bar',title='Acceleration Reduce',grid=True,legend=True)
plt.show()

利用python进行《野蛮时代》游戏数据分析
△两类玩家对对治疗加速券消耗都很小，对通用加速券的消耗差异较大，其他三种加速券消耗差别不大。

【结论】

该游戏具有较大的用户基数，且新用户注册受游戏活动、新版本等因素影响较大。
该游戏的ARPU为8.55，说明该游戏的盈利能力较高。
用户等级达到10级后，付费意愿明显上升，且达到13级时付费率将近100%。但是绝大多数用户仍然停留在10级以下，如何使用户平滑升至10级尤为重要。
消费习惯上，高消费玩家对象牙和通用加速券的需求远多于一般玩家。

利用python进行《野蛮时代》游戏数据分析

相关推荐