Análisis de ventas de videojuegos con python

Proyecto final de módulo de Python - BEDU

Presentado por: Daniel Carmona

Para el proyecto final, se utilizo la base de datos de Video Game Sales y multiple data source

Este conjunto de datos contiene una lista de videojuegos con ventas superiores a 100.000 copias. Fue generado por un raspado de vgchartz.com.
Los campos incluyen:

  • Clasificación: clasificación de las ventas generales
  • Nombre: el nombre del juego
  • Plataforma: plataforma del lanzamiento del juego (es decir, PC, PS4, etc.)
  • Año: año de lanzamiento del juego
  • Género: género del juego
  • Editor: editor del juego
  • NA_Sales - Ventas en Norteamérica (en millones)
  • EU_Sales - Ventas en Europa (en millones)
  • JP_Sales - Ventas en Japón (en millones)
  • Other_Sales - Ventas en el resto del mundo (en millones)
  • Global_Sales: ventas mundiales totales.

Tabla de contenido

  1. Librerias
  2. Lectura de conjuntos
  3. Visualización del Dataframe
  4. Normalizar los DataFrames
  5. Uniendo los dataframes con pd.concat()
  6. Descripción de los datos con info() y describre()
  7. Limpieza y tranformación de valores
  8. Aplicando Apply
  9. Analizando la data

1. Librerias

import pandas as pd

2. Lectura del conjunto de datos

url_ventas_antes_2016 = "vgsales.csv" url_ps4 = "PS4_GamesSales.csv" url_xboxone = "XboxOne_GameSales.csv"
df_games = pd.read_csv(url_ventas_antes_2016) df_ps4 = pd.read_csv(url_ps4, encoding='iso-8859-1') df_xboxone = pd.read_csv(url_xboxone,encoding='iso-8859-1')

Vemos las dimensiones del dataframe

print('df_games:\n numero de filas: ',df_games.shape[0],' y numero de columas',df_games.shape[1]) print('df_ps4:\n numero de filas: ',df_ps4.shape[0],' y numero de columas',df_ps4.shape[1]) print('df_xboxone:\n Numero de filas: ',df_xboxone.shape[0],' y numero de columas',df_xboxone.shape[1])
df_games: numero de filas: 16598 y numero de columas 11 df_ps4: numero de filas: 1034 y numero de columas 9 df_xboxone: Numero de filas: 613 y numero de columas 10

3. Visualización del Dataframe

print(df_games.head(3))
# Rank Name Platform Year Genre Publisher NA_Sales EU_Sales JP_Sales Other_Sales Global_Sales
0 1 Wii Sports Wii 2006.0 Sports Nintendo 41.49 29.02 3.77 8.46 82.74
1 2 Super Mario Bros. NES 1985.0 Platform Nintendo 29.08 3.58 6.81 0.77 40.24
2 3 Mario Kart Wii Wii 2008.0 Racing Nintendo 15.85 12.88 3.79 3.31 35.82
print(df_ps4.head(3))
# Game Year Genre PublisherNorth America Europe JapanRest of World Global
0Grand Theft Auto V2014.0ActionRockstar Games6.069.71 0.603.0219.39
1 Call of Duty: Black Ops 3 2015.0 Shooter Activision 6.18 6.05 0.41 2.44 15.09
2 Red Dead Redemption 2 2018.0 Action-Adventure Rockstar Games 5.26 6.21 0.21 2.26 13.94
print(df_xboxone.head(3))
# Pos Game Year Genre Publisher North America Europe Japan Rest of World Global
0 1 Grand Theft Auto V 2014.0 Action Rockstar Games 4.70 3.25 0.01 0.76 8.72
1 2 Call of Duty: Black Ops 3 2015.0 Shooter Activision 4.63 2.04 0.02 0.68 7.37
2 3 Call of Duty: WWII 2017.0 Shooter Activision 3.75 1.91 0.00 0.57 6.23

4. Normalizar los DataFrames

Se crea una nueva columna a los DataFrames de PS4 y XboxOne y se le agrega su respectiva plataforma.

df_ps4['Platform' ] = "PS4" df_xboxone['Platform' ] = "XOne" print(df_ps4.head(3))
# Game Platform Year Genre Publisher North America Europe Japan Rest of World Global
0 Grand Theft Auto V PS4 2014.0 Action Rockstar Games 6.06 9.71 0.60 3.02 19.39
1 Call of Duty: Black Ops 3 PS4 2015.0 Shooter Activision 6.18 6.05 0.41 2.44 15.09
2 Red Dead Redemption 2 PS4 2018.0 Action-Adventure Rockstar Games 5.26 6.21 0.21 2.26 13.94

Se eliminaran las columnas 'Rank' y 'Pos'para poder unir de forma efectiva los 3 dataframes

df_xboxone2 = df_xboxone.drop(columns=['Pos' ]) df_games2 = df_games.drop(columns=['Rank' ]) df_xboxone2.head(3)
# Game Year Genre Publisher North America Europe Japan Rest of World Global
0 Grand Theft Auto V 2014.0 Action Rockstar Games 4.70 3.25 0.01 0.76 8.72
1 Call of Duty: Black Ops 3 2015.0 Shooter Activision 4.63 2.04 0.02 0.68 7.37
2 Call of Duty: WWII 2017.0 Shooter Activision 3.75 1.91 0.00 0.57 6.23

Renombrando columnas de df_games2 para que sean las mismas de PS4 y XboxOne

titulos = { 'Name': 'Game', 'NA_Sales': 'North America', 'EU_Sales': 'Europe', 'JP_Sales': 'Japan', 'Other_Sales': "Rest of World", 'Global_Sales': 'Global' } df_games_rename = df_games2.rename(columns=titulos) df_games_rename.head(2)
# Game Platform Year Genre Publisher North America Europe Japan Rest of World Global
0 Wii Sports Wii 2006.0 Sports Nintendo 41.49 29.02 3.77 8.46 82.74
1 Super Mario Bros. NES 1985.0 Platform Nintendo 29.08 3.58 6.81 0.77 40.24

5. Uniendo los dataframes con pd.concat()

Uniremos los 3 DataFrames ahora que tienen la misma cantidad columnas y mismos nombres de columnas

df = pd.concat([df_games_rename, df_ps4,df_xboxone2], axis=0) df.head(3)
# Game Platform Year Genre Publisher North America Europe Japan Rest of World Global
0 Wii Sports Wii 2006.0 Sports Nintendo 41.49 29.02 3.77 8.46 82.74
1 Super Mario Bros. NES 1985.0 Platform Nintendo 29.08 3.58 6.81 0.77 40.24
2 Mario Kart Wii Wii 2008.0 Racing Nintendo 15.85 12.88 3.79 3.31 35.82

Cambiamos encabezados

headers = ["Nombre", "Plataforma", "Anio_lanzamiento", "Genero", "Empresa", "NorteAmerica", "Europa", "Japon", "Resto_del_Mundo", "Global"] print("headers:\n", headers)
headers: ['Nombre', 'Plataforma', 'Anio_lanzamiento', 'Genero', 'Empresa', 'NorteAmerica', 'Europa', 'Japon', 'Resto_del_Mundo', 'Global']
df.columns = headers df.head(2)
# Nombre Plataforma Anio_lanzamiento Genero Empresa NorteAmerica Europa Japon Resto_del_Mundo Global
0Wii Sports Wii2006.0SportsNintendo41.4929.023.778.4682.74
1Super Mario Bros. NES1985.0PlatformNintendo29.083.586.810.7740.24
2Mario Kart Wii Wii2008.0RacingNintendo15.8512.883.793.3135.82

6. Descripcción de los datos con info() y describre()

df.describe()
# NorteAmerica Europa Japon Resto_del_Mundo Global
count 17621.000000 17621.000000 17621.000000 17621.000000 17621.000000
mean 0.266835 0.155775 0.074881 0.051384 0.549131
std 0.809443 0.529187 0.301364 0.193330 1.564241
min 0.000000 0.000000 0.000000 0.000000 0.000000
25% 0.000000 0.000000 0.000000 0.000000 0.060000
50% 0.080000 0.020000 0.000000 0.010000 0.170000
75% 0.240000 0.110000 0.030000 0.040000 0.480000
max 41.490000 29.020000 10.220000 10.570000 82.740000
df.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 18245 entries, 0 to 612
Data columns (total 10 columns):
#   Column                   Non-Null Count  Dtype  
---  ------                   --------------  -----  
0   Game                     18245 non-null  object 
1   Platform                 18245 non-null  object 
2   Year                     17657 non-null  float64
3   Genre                    18245 non-null  object 
4   Publisher                17870 non-null  object 
5   North America            18245 non-null  float64
6   Europe                   18245 non-null  float64
7   Japan                    18245 non-null  float64
8   Rest of World            18245 non-null  float64
9   Global                   18245 non-null  float64
dtypes: float64(6), object(4)
memory usage: 1.5+ MB
df.columns = headers df.head(2)

7. Limpieza y tranformación de valores

Veremos cuantos elementos NA tenemos en el DataFrame

df.isna().sum()
Nombre                0
Plataforma            0
Anio_lanzamiento    588
Genero                0
Empresa             375
NorteAmerica          0
Europa                0
Japon                 0
Resto_del_Mundo       0
Global                0
dtype: int64
df = df.dropna() df.isna().sum()
Nombre                0
Plataforma            0
Anio_lanzamiento      0
Genero                0
Empresa               0
NorteAmerica          0
Europa                0
Japon                 0
Resto_del_Mundo       0
Global                0
dtype: int64

Reseteamos los indices ya que se eliminaron filas

df = df.reset_index(drop=True)

Ahora si tenemos que cambiar los valores a su tipo de dato que corresponden

df.dtypes
Nombre               object
Plataforma           object
Anio_lanzamiento    float64
Genero               object
Empresa              object
NorteAmerica        float64
Europa              float64
Japon               float64
Resto_del_Mundo     float64
Global              float64
dtype: object

Cambiamos 'Anio_lanzamiento a valor de fecha

df['Anio_lanzamiento'] = pd.to_datetime(df['Anio_lanzamiento' ],format='%Y', errors='ignore') df['Anio_lanzamiento']
0       2006-01-01
1       1985-01-01
2       2008-01-01
3       2009-01-01
4       1996-01-01
           ...    
17616   2018-01-01
17617   2019-01-01
17618   2017-01-01
17619   2017-01-01
17620   2019-01-01
Name: Anio_lanzamiento, Length: 17621, dtype: datetime64[ns]

8. Aplicando Apply

Creamos la función que aplicaremos al DataFrame

def print_row(value):
  print(value)
  print("------------------------------")
df.iloc[0:3].apply(print_row, axis=1)
Nombre                       Wii Sports
Plataforma                          Wii
Anio_lanzamiento    2006-01-01 00:00:00
Genero                           Sports
Empresa                        Nintendo
NorteAmerica                      41.49
Europa                            29.02
Japon                              3.77
Resto_del_Mundo                    8.46
Global                            82.74
Name: 0, dtype: object
------------------------------
Nombre                Super Mario Bros.
Plataforma                          NES
Anio_lanzamiento    1985-01-01 00:00:00
Genero                         Platform
Empresa                        Nintendo
NorteAmerica                      29.08
Europa                             3.58
Japon                              6.81
Resto_del_Mundo                    0.77
Global                            40.24
Name: 1, dtype: object
------------------------------
Nombre                   Mario Kart Wii
Plataforma                          Wii
Anio_lanzamiento    2008-01-01 00:00:00
Genero                           Racing
Empresa                        Nintendo
NorteAmerica                      15.85
Europa                            12.88
Japon                              3.79
Resto_del_Mundo                    3.31
Global                            35.82
Name: 2, dtype: object
------------------------------
0    None
1    None
2    None
dtype: object
df.columns = headers df.head(2)

9. Analizando la data

Asignamos a variables significativas, los valores que se enceuntran en las columnas 'Nombre','Plataforma','Genero' y 'Empresa'

juegos = df['Nombre'].unique().tolist() plataformas = df['Plataforma'].unique().tolist() generos = df['Genero'].unique().tolist() empresas = df['Empresa'].unique().tolist()

Imprimos cada variable de forma ordenada

sorted(plataformas)
['2600', '3DO', '3DS', 'DC', 'DS', 'GB', 'GBA', 'GC', 'GEN', 'GG', 'N64', 'NES', 'NG', 'PC', 'PCFX', 'PS', 'PS2', 'PS3', 'PS4', 'PSP', 'PSV', 'SAT', 'SCD', 'SNES', 'TG16', 'WS', 'Wii', 'WiiU', 'X360', 'XB', 'XOne']
sorted(Generos)
['Action', 'Action-Adventure', 'Adventure', 'Fighting', 'MMO', 'Misc', 'Music', 'Party', 'Platform', 'Puzzle', 'Racing', 'Role-Playing', 'Shooter', 'Simulation', 'Sports', 'Strategy', 'Visual Novel']
print(f'Descripción: \n') print(f'---------------------------------------\n') print(f'{("Cantidad de juegos"):29} | {len(juegos):9}') print(f'{("Plataformas de Videojuegos"):29} | {len(plataformas):9}') print(f'{("Total de generos"):29} | {len(generos):9}') print(f'{("Total de desarrolladoras"):29} | {len(empresas):9}')
Descripción: 

---------------------------------------

Cantidad de juegos            |     11804
Plataformas de Videojuegos    |        31
Total de generos              |        17
Total de desarrolladoras      |       649

9.1 Genéros más populares

df['Genero'].value_counts()
Action              3573
Sports              2431
Misc                1771
Role-Playing        1613
Shooter             1423
Adventure           1381
Racing              1318
Platform             926
Simulation           888
Fighting             884
Strategy             709
Puzzle               585
Action-Adventure      66
Music                 31
Visual Novel          10
MMO                   10
Party                  2
Name: Genero, dtype: int64
genero = df['Genero'].value_counts().index[0] cantidad_genero = df['Genero'].value_counts()[0] print(f"{genero} es el genero más popular con {cantidad_genero} juegos")
Action es el genero más popular con 3573 juegos

9.2 ¿Cuantas copias a vendido el genero acción?

df.groupby('Genero')['Global'].sum().sort_values(ascending=False)
Genero
Action              1910.17
Sports              1444.52
Shooter             1253.40
Role-Playing        1002.62
Platform             849.55
Misc                 811.23
Racing               770.02
Fighting             469.71
Simulation           397.00
Adventure            254.63
Puzzle               242.96
Strategy             175.48
Action-Adventure      79.33
Music                  9.44
MMO                    5.04
Party                  0.65
Visual Novel           0.48
Name: Global, dtype: float64
cantidad_ventas_genero = df.groupby('Genero')['Global'].sum().sort_values(ascending=False)[0] print(f"El genero Action ha vendido un total de {int(cantidad_ventas_genero)} millones de copias" )
El genero Action ha vendido un total de 1910 millones de copias

9.3 ¿Cuál fue el año que más juegos se publicaron?

df['Anio_lanzamiento'].value_counts().index[0]
2009-01-01    1431
2008-01-01    1428
2010-01-01    1257
2007-01-01    1201
2011-01-01    1136
2006-01-01    1008
2005-01-01     936
2015-01-01     895
2002-01-01     829
2003-01-01     775
2014-01-01     755
......
Name: Anio_lanzamiento, dtype: int64
anio = df['Anio_lanzamiento'].value_counts().index[0] cantidad_x_anio = df['Anio_lanzamiento'].value_counts()[0] print(f'El año {anio.year} fue el año con más juegos que se publicaron con un total de {cantidad_x_anio} juegos'
El año 2009 fue el año con más juegos que se publicaron con un total de 1431 juegos

9.4 ¿Cuantós juegos con la palabra WII existen?

cantidad_wii = df[df['Nombre'].str.startswith('Wii')].shape

print(f'Hay un total de {cantidad_wii[0]} juegos con la palabra WII\n')
for game in df[df['Nombre'].str.startswith('Wii')].Nombre.to_list():
  print(game)
Hay un total de 12 juegos con la palabra WII Wii Sports Wii Sports Resort Wii Play Wii Fit Wii Fit Plus Wii Party Wii Music Wii Party U Wii Play: Motion Wii Fit U Wii Sports Club Wii de Asobu Chibi-Robo!

9.5 Los 10 videojuegos más viejos

df.sort_values('Anio_lanzamiento', ascending=True).head(10).reset_index().drop(columns = 'index')
#NombrePlatformaAnio_lanzamientoGeneroEmpresaNorteAmericaEuropaJaponResto_del_MundoGlobal
0 Checkers 2600 1980-01-01 Misc Atari 0.22 0.01 0.0 0.00 0.24
1 Kaboom! 2600 1980-01-01 Misc Activision 1.07 0.07 0.0 0.01 1.15
2 Freeway 2600 1980-01-01 Action Activision 0.32 0.02 0.0 0.00 0.34
3 Defender 2600 1980-01-01 Misc Atari 0.99 0.05 0.0 0.01 1.05
4 Asteroids 2600 1980-01-01 Shooter Atari 4.00 0.26 0.0 0.05 4.31
5 Boxing 2600 1980-01-01 Fighting Activision 0.72 0.04 0.0 0.01 0.77
6 Missile Command 2600 1980-01-01 Shooter Atari 2.56 0.17 0.0 0.03 2.76
7 Bridge 2600 1980-01-01 Misc Activision 0.25 0.02 0.0 0.00 0.27
8 Ice Hockey 2600 1980-01-01 Sports Activision 0.46 0.03 0.0 0.01 0.49
9 Astroblast 2600 1981-01-01 Action Mattel Interactive 0.29 0.02 0.0 0.00 0.31

9.6 ¿Qué plataforma tiene más juegos?

plataforma_mayor = df['Plataforma'].value_counts().index[0] cantidad_x_plataforma = df['Plataforma'].value_counts()[0] plataforma_mayor2 = df['Plataforma'].value_counts().index[1] cantidad_x_plataforma2 = df['Plataforma'].value_counts()[1] print(f'La consola {plataforma_mayor} tiene un total de {cantidad_x_plataforma} juegos, seguido de la consola \n{plataforma_mayor2} con un total de {cantidad_x_plataforma2} juegos')
La consola DS tiene un total de 2131 juegos, seguido de la consola PS2 con un total de 2127 juegos

9.7 ¿Qué plataforma ha vendido más copias?

plataforma_mayor_venta = df.groupby('Plataforma')['Global'].sum().sort_values(ascending=False).index[0] valor_mayor_venta = df.groupby('Plataforma')['Global'].sum().sort_values(ascending=False)[0] print(f'La consola {plataforma_mayor_venta} ha ventido un total de {int(valor_mayor_venta)} millones de copias de juegos')
La consola PS2 ha ventido un total de 1233 millones de copias de juegos

9.8 ¿Qué empresa ha vendido más copias?

empresa_mas_copias = df.groupby('Empresa')['Global'].sum().sort_values(ascending=False).index[0] cantidad_empresa_copias = df.groupby('Empresa')['Global'].sum().sort_values(ascending=False)[0] print(f"La empresa {empresa_mas_copias} ha vendido un total de {int(cantidad_empresa_copias)} millones de copias de juegos")
La empresa Nintendo ha vendido un total de 1784 millones de copias de juegos

9.9 ¿Cuantas copias ha vendido cada una de las consolas de la empresa Nintento?

copias_nintendo = df[df['Empresa'] == 'Nintendo'].groupby('Plataforma')['Global'].sum() copias_nintendo
Plataforma
3DS     156.45
DS      349.10
GB      229.06
GBA     112.00
GC       79.15
N64     129.62
NES     183.97
SNES     96.84
Wii     390.34
WiiU     57.90
Name: Global, dtype: float64
suma = 0
for e in copias_nintendo:
  suma = suma + e

print(f'La suma de las copias vendidas de cada una de las consolas de la empresa Nintendo da un total de {int(suma)} millones de copias vendidas')
La suma de las copias vendidas de cada una de las consolas de la empresa Nintendo da un total de 1784 millones de copias vendidas

9.10 ¿Cuál es el videojuego más vendido de cada plataforma?

idx = df.groupby(['Plataforma'])['Global'].transform(max) == df['Global'] df[idx][['Plataforma', 'Nombre', 'Global']].sort_values('Global',ascending=False)
Plataforma	Nombre	Global
Wii	Wii Sports                                    82.74
NES	Super Mario Bros.	                      40.24
GB	Pokemon Red/Pokemon Blue	              31.37
DS	New Super Mario Bros.	                      30.01
X360	Kinect Adventures!	                      21.82
PS3	Grand Theft Auto V	                      21.40
PS2	Grand Theft Auto: San Andreas	              20.81
SNES	Super Mario World	                      20.61
PS4	Grand Theft Auto V	                      19.39
GBA	Pokemon Ruby/Pokemon Sapphire	              15.85
3DS	Pokemon X/Pokemon Y	                      14.35
N64	Super Mario 64	                              11.89
PS	Gran Turismo	                              10.95
XOne	Grand Theft Auto V	                       8.72
XB	Halo 2	                                       8.49
PC	The Sims 3	                               8.11
2600	Pac-Man	                                       7.81
PSP	Grand Theft Auto: Liberty City Stories	       7.72
GC	Super Smash Bros. Melee	                       7.07
WiiU	Mario Kart 8	                               6.96
GEN	Sonic the Hedgehog 2	                       6.03
DC	Sonic Adventure                                2.42
PSV	Minecraft	                               2.25
SAT	Virtua Fighter 2	                       1.93
SCD	Sonic CD	                               1.50
WS	Final Fantasy	                               0.51
NG	Samurai Shodown II	                       0.25
TG16	Doukyuusei	                               0.14
3DO	Policenauts	                               0.06
GG	Sonic the Hedgehog 2 (8-bit)	               0.04
PCFX	Blue Breaker: Ken Yorimo Hohoemi o	       0.03

9.11 ¿Cuales han sido los mejores juegos por cada año que más a vendido Nintendo?

df_nintendo = df[df['Empresa'] == 'Nintendo'] idx = df_nintendo.groupby(['Anio_lanzamiento'])['Global'].transform(max) == df_nintendo['Global'] df_nintendo[idx][['Anio_lanzamiento', 'Nombre', 'Global']].sort_values('Global',ascending=False)
Anio_lanzamiento      Nombre                                       Global
2006	              Wii Sports	                            82.74
1985	              Super Mario Bros.	                            40.24
2008	              Mario Kart Wii	                            35.82
2009	              Wii Sports Resort	                            33.00
1996	              Pokemon Red/Pokemon Blue	                    31.37
1989	              Tetris	                                    30.26
1984	              Duck Hunt	                                    28.31
2005	              Nintendogs	                            24.76
1999	              Pokemon Gold/Pokemon Silver	            23.10
2007	              Wii Fit	                                    22.72
1990	              Super Mario World	                            20.61
1988	              Super Mario Bros. 3	                    17.28
2002	              Pokemon Ruby/Pokemon Sapphire	            15.85
2010	              Pokemon Black/Pokemon White	            15.32
1998	              Pokémon Yellow: Special Pikachu Edition	    14.64
2013	              Pokemon X/Pokemon Y	                    14.35
2011	              Mario Kart 7	                            12.21
2014	              Pokemon Omega Ruby/Pokemon Alpha Sapphire	    11.33
1992	              Super Mario Land 2: 6 Golden Coins	    11.18
1993	              Super Mario All-Stars	                    10.55
2004	              Pokemon FireRed/Pokemon LeafGreen	            10.49
2012	              New Super Mario Bros. 2	                     9.82
1994	              Donkey Kong Country	                     9.30
1997	              GoldenEye 007	                             8.09
2001	              Super Smash Bros. Melee	                     7.07
2003	              Mario Kart: Double Dash!!	                     6.95
1986	              The Legend of Zelda	                     6.51
2000	              Pokémon Crystal Version	                     6.39
1995	              Donkey Kong Country 2: Diddy's Kong Quest	     5.15
1991	              The Legend of Zelda: A Link to the Past	     4.61
2015	              Splatoon	                                     4.57
1987	              Zelda II: The Adventure of Link	             4.38
1983	              Baseball	                                     3.20
2016	              The Legend of Zelda: Twilight Princess HD	     0.94

9.12 ¿Qué genero se vende más en Norte America, Europa, Japón y Resto del mundo?

valores_continentes = df.groupby('Genero')['NorteAmerica', 'Europa', 'Japon', 'Resto_del_Mundo'].sum() df1_transposed = valores_continentes.T df1_transposed
# Action Action -Adventure Adventure Fighting MMO Misc Music Party Platform Puzzle Racing Role-Playing Shooter Simulation Sports Strategy Visual Novel
NorteAmerica 940.48 32.73 109.88 233.72 2.27 405.80 5.58 0.09 453.00 122.45 371.29 358.55 683.00 184.77 729.01 69.08 0.20
Europa 589.22 33.28 71.52 107.41 1.87 220.65 2.40 0.47 210.37 50.72 258.99 214.65 395.27 115.79 427.06 45.23 0.02
Japon 169.00 1.97 53.66 88.83 0.20 107.64 0.17 0.00 131.32 56.68 57.46 359.66 42.80 63.82 136.61 49.44 0.21
Resto_del_Mundo 210.26 11.41 19.35 39.75 0.69 76.57 1.27 0.10 54.53 12.60 82.01 69.75 131.90 32.29 151.41 11.49 0.05
df1_transposed.max(axis=1)
NorteAmerica       940.48     Action
Europa             589.22     Action
Japon              359.66     Role-Playing
Resto_del_Mundo    210.26     Action
dtype: float64
# Action Action -Adventure Adventure Fighting MMO Misc Music Party Platform Puzzle Racing Role-Playing Shooter Simulation Sports Strategy Visual Novel
NorteAmerica 940.48 32.73 109.88 233.72 2.27 405.80 5.58 0.09 453.00 122.45 371.29 358.55 683.00 184.77 729.01 69.08 0.20
Europa 589.22 33.28 71.52 107.41 1.87 220.65 2.40 0.47 210.37 50.72 258.99 214.65 395.27 115.79 427.06 45.23 0.02
Japon 169.00 1.97 53.66 88.83 0.20 107.64 0.17 0.00 131.32 56.68 57.46 359.66 42.80 63.82 136.61 49.44 0.21
Resto_del_Mundo 210.26 11.41 19.35 39.75 0.69 76.57 1.27 0.10 54.53 12.60 82.01 69.75 131.90 32.29 151.41 11.49 0.05

Otros proyectos

Proyecto de limpieza de datos

Ataque de tibutones.

2 Feb. 2022
Notebook

Proyecto de Track Data Science | DataCamp

Analizando datos de TV SuperBowl.

18 Sep. 2018
Notebook

Proyecto Final Intersemestral | UNAM

Análisis estadístico sobre Coronavirus (COVID-19) en México

18 Sep. 2018
Proyecto en GitHub