El conjunto de datos contiene más de 41 millones de recomendaciones (reseñas) de usuarios limpias y preprocesadas de Steam Store, una plataforma en línea líder para comprar y descargar videojuegos, DLC y otro contenido relacionado con juegos. Además, contiene información detallada sobre juegos y complementos.
El conjunto de datos consta de la entidad principal:
games.csv : una tabla de información sobre juegos (o complementos) sobre clasificaciones, precios en dólares estadounidenses, fecha de lanzamiento, etc. En los metadatos se encuentran detalles adicionales no tabulares sobre los juegos, como descripciones y etiquetas.
#Cargar paquetes
library(tidyverse)
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr 1.1.1 ✔ readr 2.1.4
✔ forcats 1.0.0 ✔ stringr 1.5.0
✔ ggplot2 3.4.2 ✔ tibble 3.2.1
✔ lubridate 1.9.2 ✔ tidyr 1.3.0
✔ purrr 1.0.1
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag() masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(googledrive)
1. Descargue el archivo y lea su contenido en un data.frame.
#Cargar archivo
#install.packages(“googledrive”)
# Enlace al archivo CSV en Google Driveenlace <-"https://drive.google.com/file/d/1IX76wvo_2AunbdVLSEIe_062liKXMfGr/view?usp=sharing"# Nombre del archivo en tu sistema localgames <-"games.csv"# Verifica si el archivo ya existe localmenteif (!file.exists(games)) {# Descarga el archivo CSV desde Google Drive con la opción de sobrescribir drive_file <-drive_download(as_id(games), overwrite =TRUE)# Verifica si la descarga fue exitosaif (drive_file$status =="ok") {message("Archivo descargado exitosamente.") } else {warning("Hubo un problema al descargar el archivo.") }} else {message("El archivo ya existe localmente.")}
El archivo ya existe localmente.
# Si el archivo se descargó correctamente o ya existe, procede a leerloif (file.exists(games)) {# Lee el archivo CSV descargado games <-read.csv(games)# Visualiza las primeras filas del archivo CSV descargadohead(games)} else {warning("No se pudo descargar o encontrar el archivo.")}
app_id title date_release win mac linux
1 13500 Prince of Persia: Warrior Within™ 2008-11-21 true false false
2 22364 BRINK: Agents of Change 2011-08-03 true false false
3 113020 Monaco: What's Yours Is Mine 2013-04-24 true true true
4 226560 Escape Dead Island 2014-11-18 true false false
5 249050 Dungeon of the ENDLESS™ 2014-10-27 true true false
6 250180 METAL SLUG 3 2015-09-14 true false false
rating positive_ratio user_reviews price_final price_original discount
1 Very Positive 84 2199 9.99 9.99 0
2 Positive 85 21 2.99 2.99 0
3 Very Positive 92 3722 14.99 14.99 0
4 Mixed 61 873 14.99 14.99 0
5 Very Positive 88 8784 11.99 11.99 0
6 Very Positive 90 5579 7.99 7.99 0
steam_deck
1 true
2 true
3 true
4 true
5 true
6 true
2. Despliegue el tipo de datos reconocido en cada variable del archivo. Transforme #en factores aquellas variables que considere lo ameritan.
3. Calcule la media, la varianza, la desviación estándar, el máximo, el mínimo, la #mediana y los cuartiles de cada variable numérica. Comente sus hallazgos.
#Calcular medidas de resumen para cada #variable numérica
Media: 77.05; Varianza: 332.19; Desviación estándar: 18.25; Máximo: 100.00 Mínimo (Minimo): 0; Mediana: 81.00; Cuartil 25: 67.00; Cuartil 50: 81.00; Cuartil 75: 91.00; Observaciones: La variable positive_ratio muestra una distribución de valores entre 0 y 100, con una media de aproximadamente 77. La desviación estándar es relativamente baja (18.25), lo que indica que los valores tienden a estar cercanos a la media.
user_reviews:
Media: 1824.42; Varianza: 1’605,887,000.00; Desviación estándar: 40073.52; Máximo: 7,494,460.00; Mínimo: 10; Mediana: 49.00; Cuartil 25: 19.00; Cuartil 50: 49.00; Cuartil 75: 206.00; Observaciones: La variable user_reviews muestra una amplia variación en los valores, con una alta varianza y desviación estándar. Esto sugiere que hay juegos con un amplio rango de reseñas de usuarios, desde unos pocos hasta millones.
price_final y price_original:
Observaciones: Ambas variables, price_final y price_original, muestran valores relativamente similares en términos de media, varianza y desviación estándar. Esto indica que los precios finales y originales de los juegos tienen una distribución similar en este conjunto de datos.
discount:
Observaciones: La variable discount tiene una varianza y desviación estándar más bajas en comparación con otras variables, lo que sugiere que los descuentos tienden a tener valores más consistentes en el conjunto de datos. Estos hallazgos proporcionan una visión general de la distribución y variabilidad de las variables numéricas en el conjunto de datos de juegos de Steam, lo que puede ser útil para comprender mejor las características y tendencias relacionadas con los juegos y sus precios, reseñas y descuentos.
4. Calcule la moda de cada variable no numérica. Comente sus hallazgos.
title date_release win mac linux rating
"Loop" "2020-06-18" "true" "false" "false" "7"
steam_deck
"true"
#Comentario de los hallazgos:
title: “Loop”
Esta es la moda para la variable “title”, lo que significa que el juego “Loop” es el título más frecuente en su conjunto de datos.
date_release: “2020-06-18”
Esta es la moda para la variable “date_release”, lo que indica que la fecha de lanzamiento más frecuente en su conjunto de datos es “2020-06-18”.
win: “true”
Esta es la moda para la variable “win”, lo que sugiere que la mayoría de los juegos en su conjunto de datos son compatibles con Windows.
mac: “false”
Esta es la moda para la variable “mac”, lo que indica que la mayoría de los juegos en su conjunto de datos no son compatibles con Mac.
linux: “false”
Esta es la moda para la variable “linux”, lo que sugiere que la mayoría de los juegos en su conjunto de datos no son compatibles con Linux.
rating: “7”
Esta es la moda para la variable “rating”, lo que significa que la calificación “7” es la más frecuente en su conjunto de datos.
steam_deck: “true”
Esta es la moda para la variable “steam_deck”, lo que sugiere que la mayoría de los juegos en su conjunto de datos son compatibles con Steam Deck.
5.Una de las variables del archivo se denomina price_final. Contiene el precio de cada juego de la tabla. Cree una nueva variable llamada price_cat que contenga las categorías “bajo”, “medio” y “alto” en términos de si el precio pertenece al cuartil 1, al 2 o 3, respectivamente. Asegúrese de que dicha variable es entendida como un factor.
# Calcula los cuartiles del precio finalcuartiles_precio <-quantile(games$price_final, probs =c(0.25, 0.50, 0.75))# Define los cortes para crear tres intervaloscortes <-c(-Inf, cuartiles_precio[1], cuartiles_precio[2], Inf)# Define las etiquetas para los intervalosetiquetas <-c("bajo", "medio", "alto")# Crea la nueva variable price_cat utilizando cut()games$price_cat <-cut(games$price_final, breaks = cortes, labels = etiquetas, include.lowest =TRUE)# Convierte price_cat en un factorgames$price_cat <-factor(games$price_cat, levels = etiquetas)# Muestra las primeras filas para verificarhead(games$price_cat)
[1] alto medio alto alto alto alto
Levels: bajo medio alto
6. Elabore y presente tablas de frecuencia apropiadas para las variables win, mac y linux. Comente sus hallazgos
# Calcular la frecuencia de la variable winwin<-as.data.frame(table(games$win))win
Var1 Freq
1 false 796
2 true 50076
# Calcular la frecuencia de la variable macmac<-as.data.frame(table(games$mac))mac
Var1 Freq
1 false 37854
2 true 13018
# Calcular la frecuencia de la variable linuxlinux<-as.data.frame(table(games$linux))linux
Var1 Freq
1 false 41831
2 true 9041
#Comentario de los hallazgos:
Compatibilidad con Windows: La mayoría de los registros en la columna win son true, con solo unos pocos siendo false. Esto es esperado ya que la mayoría de las aplicaciones de juegos de Steam están diseñadas para ejecutarse en sistemas Windows.
Compatibilidad con Mac y Linux: Si observamos las columnas mac y linux, vemos que hay un número significativo de registros con valores true en ambas columnas. Esto indica que una proporción considerable de juegos también son compatibles con sistemas operativos macOS y Linux. Esta es una señal positiva en términos de diversidad de sistemas operativos compatibles.
En general, parece haber una buena compatibilidad con los tres sistemas operativos principales (Windows, macOS y Linux), lo que sugiere que los juegos en la plataforma Steam son bastante accesibles para diferentes tipos de usuarios de computadoras.
7. Elabore y presente tablas de frecuencia apropiadas para las variables positive_ratio, user_reviews y price_final. Comente sus hallazgos.
# Calcular la frecuencia de la variable positive_ratio#Tabla de frecuencias de una variable continua agrupada en intervalos.library(agricolae)tbFreqpstratio=table.freq(hist(games$positive_ratio,plot=FALSE))tbFreqpstratio
Analizando las tablas de frecuencia proporcionadas:
Variable positive_ratio
La mayoría de las observaciones se encuentran en los intervalos superiores de la variable positive_ratio, con un porcentaje creciente a medida que aumentan los valores. Los intervalos de 75-80, 80-85, 85-90, 90-95 y 95-100 concentran una proporción significativa de las observaciones. Esto sugiere que hay una tendencia general hacia calificaciones más positivas en los juegos, ya que la mayoría de las observaciones están en los intervalos superiores de positive_ratio.
Variable user_reviews
La mayoría de las observaciones se concentran en el rango de 0-500000 para la variable user_reviews. Hay muy pocas observaciones en los rangos superiores de user_reviews, lo que indica que la mayoría de los juegos tienen una cantidad relativamente baja de reseñas. Esto podría significar que la mayoría de los juegos tienen una base de usuarios más pequeña en términos de reseñas.
Variable price_final La mayor proporción de observaciones se encuentra en el rango de precios de 0-20 y 20-40 para la variable price_final. A medida que aumenta el rango de precios, la frecuencia de observaciones disminuye considerablemente, lo que sugiere que la mayoría de los juegos tienen precios más bajos.
Hay muy pocas observaciones en los rangos superiores de precios, como 160-180, 180-200, 200-220, etc. Estos hallazgos son útiles para comprender la distribución de las variables y pueden proporcionar información valiosa sobre el perfil general de los juegos en el conjunto de datos. Por ejemplo, la predominancia de calificaciones positivas y precios más bajos podría ser un indicador importante para ciertos análisis y recomendaciones.
8. Para las variables mencionadas en 6 y 7, elabore y despliegue gráficos apropiados que ilustren sus valores.
# Calcular la tabla de frecuencia y porcentaje para la variable wintabla_win <-table(games$win)porcentajes <-round(prop.table(tabla_win) *100, 1)# Crear etiquetas con el conteo y el porcentajeetiquetas <-paste(names(tabla_win), ": ", tabla_win, " (", porcentajes, "%)", sep ="")# Crear el gráfico de torta con etiquetas, leyenda y porcentajepie(tabla_win, labels = etiquetas, col =c("red", "blue"), main ="Distribución de Win", cex.main =1.2)# Agregar una leyendalegend("topright", legend =c("False", "True"), fill =c("red", "blue"),title ="Valores", cex =0.8)
# Calcular la tabla de frecuencia y porcentaje para la variable mactabla_mac <-table(games$mac)porcentajes_mac <-round(prop.table(tabla_mac) *100, 1)# Crear etiquetas con el conteo y el porcentaje para macetiquetas_mac <-paste(names(tabla_mac), ": ", tabla_mac, " (", porcentajes_mac, "%)", sep ="")# Crear el gráfico de torta con etiquetas, leyenda y porcentaje para macpie(tabla_mac, labels = etiquetas_mac, col =c("#13E8BB", "orange"), main ="Distribución de Mac", cex.main =1.2)# Agregar una leyenda para maclegend("topright", legend =c("False", "True"), fill =c("#13E8BB", "orange"),title ="Valores", cex =0.8)
# Calcular la tabla de frecuencia y porcentaje para la variable linuxtabla_linux <-table(games$linux)porcentajes_linux <-round(prop.table(tabla_linux) *100, 1)# Crear etiquetas con el conteo y el porcentaje para linuxetiquetas_linux <-paste(names(tabla_linux), ": ", tabla_linux, " (", porcentajes_linux, "%)", sep ="")# Crear el gráfico de torta con etiquetas, leyenda y porcentaje para linuxpie(tabla_linux, labels = etiquetas_linux, col =c("#E88613", "#6C52EA"), main ="Distribución de Linux", cex.main =1.2)# Agregar una leyenda para linuxlegend("topright", legend =c("False", "True"), fill =c("#E88613", "#6C52EA"),title ="Valores", cex =0.8)
# Crear el histograma con título y color azul para la variable positive_ratiohist(games$positive_ratio, col ="blue", main ="Distribución de Positive Ratio", xlab ="Positive Ratio")
# Crear el histograma con título y color azulhist(games$user_reviews, col ="#E81337", main ="Distribución de User Reviews", xlab ="User Reviews")
# Crear el histograma con título, color azul y escala en el eje x# Crear el histograma con título y color azulhist(games$price_final, col ="#EBDB52", main ="Distribución de Price Final", xlab ="Price Final")
9. Considerando la nueva variable creada price_cat y la variable positive_ratio, elabore y despliegue un gráfico de cajas que le permita comentar entre la relación del precio del juego con la opinión de los jugadores consultados.
# Crear el gráfico de cajas# Crear el gráfico de cajasggplot(games, aes(x = price_cat, y = positive_ratio, fill = price_cat)) +geom_boxplot(outlier.shape =NA) +# Remover los valores atípicoslabs(title ="Relación entre Price Category y Positive Ratio",x ="Price Category", y ="Positive Ratio") +theme_minimal() +scale_y_continuous(limits =c(70, 100)) # Establecer límites en el eje Y
# A tibble: 3 × 4
price_cat positive_ratio_min positive_ratio_prom positive_ratio_max
<fct> <int> <dbl> <int>
1 bajo 0 75.7 100
2 medio 0 77.4 100
3 alto 0 77.6 100
10. Elabore y despliegue una serie de tiempo del precio (price_final) con relación a la fecha de lanzamiento (date_release)
# Convertir date_release a formato de fecha si no lo estádf <- games[games$date_release >as.Date("2000-01-01"), ]df$date_release <-as.Date(df$date_release)# Crear el gráfico de líneasggplot(df, aes(x = date_release, y = price_final)) +geom_line() +labs(title ="Precio Final a lo largo del Tiempo",x ="Fecha de Lanzamiento", y ="Precio Final") +theme_minimal()+geom_vline(xintercept =as.Date("2007-09-15"),linetype =3, color =2, linewidth =1)
# Convertir date_release a formato de fecha si no lo está# Convertir date_release a formato de fecha si no lo estágames$date_release <-as.Date(games$date_release)# Extraer el año de date_releasegames$year <-year(games$date_release)# Crear el gráfico de serie de tiempo con el año en el eje xggplot(games, aes(x = year, y = price_final)) +geom_line() +labs(title ="Serie de Tiempo del Precio Final por Año",x ="Año", y ="Precio Final Promedio") +theme_minimal()+geom_point()+geom_smooth(se =FALSE)
`geom_smooth()` using method = 'gam' and formula = 'y ~ s(x, bs = "cs")'
# Límites# Convertir date_release a formato de fecha si no lo estágames$date_release <-as.Date(games$date_release)# Crear el gráfico de líneasggplot(games, aes(x = date_release, y = price_final)) +geom_line() +labs(title ="Precio Final durante el 2023",x ="Fecha de Lanzamiento", y ="Precio Final") +scale_x_date(limit =c(as.Date("2023-01-01"), as.Date("2023-12-31"))) +theme_minimal()
# Obtener el año con el precio máximoyear_max_price <- resumen3 %>%filter(price_final_max ==max(price_final_max)) %>%pull(year)# Obtener el año con el mejor promedio de preciosyear_best_avg_price <- resumen3 %>%filter(price_final_prom ==max(price_final_prom)) %>%pull(year)# Obtener el año con el promedio más bajo de preciosyear_worst_avg_price <- resumen3 %>%filter(price_final_prom ==min(price_final_prom)) %>%pull(year)# Mostrar los valores de los añosprint(paste("Año con el precio máximo:", year_max_price))
[1] "Año con el precio máximo: 2014"
print(paste("Año con el mejor promedio de precios:", year_best_avg_price))
[1] "Año con el mejor promedio de precios: 2023"
print(paste("Año con el promedio más bajo de precios:", year_worst_avg_price))
[1] "Año con el promedio más bajo de precios: 2005"