Для анализа и визуализации данных был выбран взятый с Kaggle датасет с 70 тысячами отзывами на площадке Steam об игре Apex Legends. Я выбрал этот датасет, потому что он содержит исчерпывающий набор данных о каждом из отзывов.
Не смотря на то, что популярность игр в жанре Королевская битва спала уже пару лет назад, Apex Legends остаётся популярной. Кроме того, эта игра — шутер от первого лица, где в каждом матче из ~100 начальных игроков в конце побеждает только одна команда. Не взирая на потенциальную агрессию или токсичность, которые, в теории, должна вызывать игра у пользователей, бóльшая часть отзывов остаётся положительной. Мне было интересно изучить кто и откуда оставляет отзывы и какого характера их содержание, а на основе полученных данных создать всевозможные графики.
Этапы работы
- Выборка данных.
- Импортирование данных файлом CSV с сайта Kaddle в Google Colab.
- Анализ данных.
- Создание графиков для визуализации статистики.
Вдохновение стилем графиков
1. Скриншот с сайта wordscloud.pythonanywhere.com, 2025, 2. Постер к игре Apex Legends, Ismael Fofana, 2020
В своей работе я опирался на цвета, характерные для фирменного стиля изучаемой игры.
За жизнь я видел много графиков, поэтому мне не было нужды искать какие-то референсы для них.
Однако в своей работе я вдохновился увиденным мною «облаком слов» на сайте wordscloud.pythonanywhere.com и написал свой код, делающий похожее.
Графики
Скольким людям нравится игра?
¾ от всех людей, оставивших отзыв, одобрили игру. В абсолютном количестве это достаточно много — 53 тысячи. Однако у многих популярных и качественных проектов на площадке Steam рейтинг часто держится выше 90%, а иногда достигает 99%. Это говорит о наличие элементов игры, которые неудоволетворяют многих пользователей. Попробуем предположить почему в следующем блоке.
О создании графика
В данном случае я использую изучающий формат анализа данных, однако всё равно избавляюсь от информационного шума, убирая линии и рамки графиков, поскольку они не нужны для понятия столь простых изображений. Я сделал две диаграммы, потому что круговая диаграмма нагляднее показывает относительную величину, а гистограмма — абсолютную. Я использую цветовое кодирование, где зелёный показывает позитивное значение, а красный — негативное. Чёрный фон разбивает ритм композиции нового портфолио и делает его интереснее.
Почему с увеличением числа времени в игре уменьшается процент положительных отзывов?
Сначала рассмотрим категорию людей, наигравших меньше 10 часов. Вероятно, здесь значение меньше из-за большого числа пользователей, которым игра или её жанр сразу не понравились. Однако значение составляет ~73% и отличается от следующих трёх категорий всего на ~6%, что весьма хороший показатель.
Интереснее всего постепенное падение с 79,7% до 65,7%. Если для людей в промежутке от 10 до 200 часов игра только раскрывается, они видят много свежих решений и им интересно, то аудитории с 200+ часами игра начинает приедаться, геймплея становится более однообразным и цикличным, победы не приносят так много счастья, как вначале, а в игре замечается всё больше недоработок в технической реализации и балансе.
О создании графика
Здесь я использую изучающий формат анализа. Оставил полоски, потому что разница между значениями небольшая и их много. Зрителю проще увидеть разницу между колонками и ему не нужно самому проводить взглядом невидимые линии. Столбцы начинаются от 100%, что напоминает человеку об общем позитивном мнении людей от игры (больше половины положительных отзывов).
Люди чаще всего реагируют на отзывы, написанные людьми с большим количеством наигранных часов.
При этом категория игроков «<10 часов» имеет процент реакции выше, чем у следующих трёх. Это можно объяснить тем, что такие игроки часто оставляют смешные отзывы.
О создании графика
Здесь я использую изучающий формат анализа и двухколоночную гистограмму, которая удобно показывает два типа реакции из датасета: одобрение и комментарий. В легенде я поясняю за что отвечает каждый цвет. Верхний порог ограничен 20%, чтобы низкое значение комментарией не потерялось и чтобы было удобнее воспринимать график. Линии убраны для минимизации информационного шума, для удобства каждый столбец подписан сверху
Какие слова чаще всего встречаются в отзывах?
Чаще всего это прилагательные с положительной конотацией: хорошый, весёлый, отличный, лучший, любимый. Существительные часто содержат в себе описание сути игры: королевская битва, друг, рейтинг, время, сезон, матчи и т. д.
О создании графика
Здесь использую объясняющий формат анализа, наглядно визуализируя самые часто встречающиеся слова в отзывах, делая это гораздо интереснее линейчатой диаграммы. При создании этого графика я сделал несколько интераций в разных размерах, пока не остановился на этом. Мне понравилось, как выстроенна композиция слова «good» и как в овалы вписаны слова. Фон специально чёрный для эффекта хаотичного «облака слов» и разбивки ритма композиции сайта нового портфолио.
Вывод
Мною были использованы корреляционный и кластерный анализ, различные виды графиков и форматы анализов. Я старался соблюдать единые правила оформления и минимизировать визуальный шум у графиков. Цветовые коды я скопировал с материалов Apex Legends, чтобы использовать такие же цвета, как и разбираемый проект. В работе мне пригодились многие изученные нами темы такие как: импортирование библиотек, работа с циклами и вложенными циклами, списки и их редактирования, работа с датасетами и их поиск и импортирование с Kaggle. Однако использованы и другие функции.
Из анализа данных можно утверждать, что большинству людей нравится Apex Legends. Не смотря на описанные мною в начале работы сомнения, концепция, при которой ты часто проигрываешь, наоборот делает игру интереснее и веселее. Для многих игроков победа в матче воспринимается, как достижение, ради которого ты вновь и вновь проигрывал. Из исследования видно, что процент положительных отзывов уменьшается с увеличением количества наигранных часов. Это связанно в том числе с тем, что более опытные игроки чаще побеждают — для них выигрыш имеет меньшую ценность. Из анализа текста отзывов виден социальный аспект игры. Люди много играют с друзьями, разделяя с ними эмоции и воспоминания. Некоторых, наоборот, раздражает случайно подобранные сокомандники, токсичность соперников. Также, я раньше думал, что количество реакций на отзыв распределяется независимо от наигранных часов, просто случайно, кто продвинулся наверх, того чаще показывают, он получает больше новых реакций и так по замкнутой цепочки. Но из исследования видно, что есть взаимосвязь с наигранными часами.
Описание применения генеративной модели
При работе над проектом было использовано три генеративные модели:
Для улучшения визуального перфоманса некоторым изображениям было увеличено качество.
При создании обложки проекта была использована генеративная модель со следующим промтом: «A cloud of words and lines of code in style of a game Apex Legends». Целью было создать уникальное визуальное отображение синтеза современных технологий, эстетики графиков и диаграмм и стиля игры Apex Legends.
При работе над проектом использовались библиотеки и функции сверх пройденных в курсе. Я изучал информацию по их применению на специализированных форумах, однако у меня всё равно возникало множество ошибок в Google Colab. Поскольку я не успел на консультации, консультировался по некоторым ошибкам у этой нейросети.
Ссылка на использованный датасет с Kaggle
