本书从实际应用出发，结合实例及应用场景，通过对大量案例进行详细阐述和深入分析，进而指导读者在实际工作中通过R语言对 游戏 数据进行分析和挖掘。这是一本关于数据分析实战的书籍，里面的知识、方法、理论是可以直接应用到整个互联网的。
全书一共13章，分为三篇：基础篇、实战篇和提高篇。
第一篇是基础篇（第1~4章）： 介绍了 游戏 数据分析的基本理论知识、R语言的安装与使用、R语言中的数据结构、常用操作和绘图功能。
第1章主要介绍了 游戏 数据分析的必要性和流程；第2章讲解了R语言和RStudio的安装及使用方法，并对数据对象和数据导入进行了介绍；第3章介绍了R语言绘图基础，包括常用图形参数设置、低级绘图函数和高级绘图函数；第4章介绍了lattice和ggplot2绘图包，并详细介绍了一些基于R语言可用于生成交互式图形的软件包，包括rCharts、recharts、rbokeh、plotly等。
第二篇是实战篇（第5~11章）： 主要介绍了 游戏 数据的预处理、常用分析方法、玩家路径分析和用户分析。
第5章介绍了 游戏 数据预处理常用的手段，包括数据抽样、数据清洗、数据转换和数据哑变量处理；第6章介绍了 游戏 数据分析的常用方法，包括指标数据可视化、 游戏 数据趋势分析、 游戏 数据相关性分析和 游戏 数据中的降维技术；第7章介绍了事件点击行为常用的漏斗分析和路径分析；第8章介绍了留存指标的计算、留存率计算与预测、常用分类算法原理和模型评估；第9章介绍了常用用户指标计算、LTV计算与预测、用户物品购买关联分析、基于用户物品购买智能推荐和 社会 网络分析；第10章介绍了渠道数据分析的必要性和对渠道用户进行质量评级；第11章介绍了常用收入指标计算、利用用户活跃度衡量 游戏 经济状况、RFM模型研究。
第三篇是提高篇（第12~13章）： 介绍了R语言图形界面工具Rattle和Web开发框架shiny包。
第12章介绍了R语言的图形界面工具Rattle，该工具能够在图形化的界面上完成数据导入、数据 探索 、数据可视化、数据建模和模型评估整个数据挖掘流程；第13章介绍了Web开发框架shiny包，使得R的使用者不必太了解CSS、JS，只需要了解一些HTML的知识就可以快速完成Web开发。
关键词： 程序语言，程序设计
完整课程可前往UWA学堂《R语言 游戏 数据分析与挖掘》阅读。
https://edu.uwa4d.com/course-intro/0/383
随着 游戏 市场竞争的日趋激烈，在如何获得更大收益延长 游戏 周期的问题上，越来越多的手机 游戏 开发公司开始选择借助大数据，以便挖掘更多更细的用户群来进行精细化、个性化的运营。数据分析重要的不是提供 历史 和现状，而是通过分析发现手机 游戏 现状，以及对未来进行预测。一切以数据出发，用数据说话，让数据更好地指导运营服务好玩家，对玩家的行为和体验不断进行分析和调整，使玩家可以在虚拟世界中得到各方面的满足。要实现这个目的，需要搭建专业的数据化运营团队。此外， 游戏 数据分析与其他行业的数据分析不同的是， 游戏 综合了经济、广告、社交、心理等方面的内容，这就对数据分析师提出了更高的要求。
伴随着 游戏 互联网的快速发展和智能终端的普及，移动 游戏 进入了全民时代。越来越多的玩家利用碎片化时间进行 游戏 ，使得 游戏 数据呈现井喷式增长，同时也对数据存储技术、计算能力、数据分析手段提出了更高的要求。海量数据的存储是必须面对的第一个挑战，随着分布式技术的逐渐成熟，越来越多的互联网企业采用分布式的服务器集群 分布式存储的海量存储器进行数据的存储和计算，从而解决数据存储和计算能力不足的问题。如何在海量的、复杂高维的 游戏 数据中发掘出有价值的知识，将是很多公司下一步亟待解决的难题。
虽然积累了海量的玩家数据，很多公司也开发了自己的BI报表系统，但是多数停留在“看数据”阶段，还是用传统的数据分析方法对数据进行简单的加工、统计及展示，并没有进行深度挖掘发现数据背后的规律和把握未来趋势。正是在这样的大背景下， 游戏 数据分析逐渐在 游戏 行业中变得重要。公司需要从传统的粗放型运营进化到精细化运营，从而了解如何有效地获取用户、评估效果；如何激活用户、评估产品质量；如何提升收益，并挖掘潜在的高价值用户。要满足精细化运营的需求，数据化运营就应运而生了。数据化运营就是在以海量数据的存储、分析、挖掘和应用的核心技术支持的基础上，通过可量化、可细分、可预测等一系列精细化的方式来进行的。
数据化运营是飞速发展的数据存储技术、数据挖掘技术等诸多先进数据技术直接推动的结果。数据技术的飞速发展，使数据存储成本大大减低，同时提供了成熟的数据挖掘算法和工具让公司可以去尝试海量数据的分析、挖掘、提炼和应用。有了数据分析、数据挖掘的强有力支持，运营不再靠“拍脑袋”，可以真正做到运营过程自始至终都心中有数。比如，在玩家的细分推送中，数据分析师利用数据挖掘手段对玩家进行分群，运营根据不同的用户群制定差异化策略，数据分析师再根据推送效果进行评估。
完整课程可前往UWA学堂《R语言 游戏 数据分析与挖掘》阅读。
https://edu.uwa4d.com/course-intro/0/383
1、 游戏 数据分析师
2、 游戏 产品运营人员
3、产品数据挖掘
在当下，人工智能的浪潮席卷而来。从AlphaGo、无人驾驶技术、人脸识别、语音对话，到商城推荐系统，金融业的风控，量化运营、用户洞察、企业征信、智能投顾等，人工智能的应用广泛渗透到各行各业，也让数据科学家们供不应求。Python和R作为机器学习的主流语言，受到了越来越多的关注。数据学习领域的新兵们经常不清楚如何在二者之间做出抉择，本文就语言特性与使用场景为大家对比剖析。一．Python和R的概念与特性
Python是一种面向对象、解释型免费开源高级语言。它功能强大，有活跃的社区支持和各式各样的类库，同时具备简洁、易读以及可扩展等优点，在近几年成为高人气的编程语言。
Python的优势：
1、Python的使用场景非常多，不仅和R一样可以用于统计分析，更广泛应用于系统编程、图形处理、文本处理、数据库编程、网络编程、Web编程、网络爬虫等，非常适合那些想深入钻研数据分析或者应用统计技术的程序员。
2、目前主流的大数据和机器学习框架对Python都提供了很好的支持，比如Hadoop、Spark、Tensorflow；同时，Python也有着强大的社区支持，特别是近年来随着人工智能的兴起，越来越多的开发者活跃在Python的社区中。
3、Python作为一种胶水语言，能够和其他语言连结在一起，比如你的统计分析部分可以用R语言写，然后封装为Python可以调用的扩展类库。
R语言是一种用来进行数据探索、统计分析和作图的解释型语言，但更像一种数学计算的环境。它模块丰富，为数学计算提供了极为方便的编程方式，特别是针对矩阵的计算。
R语言的优势：
1、R语言拥有许多优雅直观的图表，常见的数据可视化的工具包有：
· 交互式图表rCharts、Plotly，交互时序图
Radar(雷达图，又名蜘蛛网图)，这种图其实应该属于分类折线图的一个变种，只不过将折线图的x轴变成极坐标就形成了一个雷达图。两种图包含的信息量基本无差，但视觉上的冲击却截然不同，折线图还是那么朴实无华，而雷达图就不同了，看上去本身就好像自带一种高大上的感觉，能莫名地给人一种 不觉明历 的错觉感(好吧，说的有些夸张了)。为什么会突然要画雷达图呢？因为前面做 染色体径向分布 分析时，看到文献中的雷达图，展示了两个样本中各个染色体的相对径向距离，如下图所示。
从上面的图中，我们可以清晰的识别到每个染色体在两个样本的差异，前面说过，雷达图的信息也可以用折线图来表示，但是两种图的视觉感却是不大一样，到底有多不同呢？下面我们一起来看看：
看完上面两种图之后，有没有莫名被雷达图的视觉效果冲击到。这有时候可能会达到一种 内容不够，视觉来凑 的效果。整体来说，雷达图的颜值还是挺高的！
这么美的图，当然要把它收归己有了。下面我们就来说说如何绘制雷达图。一开始，我以为用ggplot2的 coord_polar 将折线图的X轴极化就可以实现，事实证明是在下想的太简单了。虽然使用 coord_polar 函数可以将图变成饼图，但是随之而来的是折线也变成曲线了。所以，坐标轴极化后，还要保持线条在两点之间是直的，这个就涉及到角度转换的问题了，可不是随随便便可以完成的。当然了，这个痛点已经有人帮我们实现了，我们可以直接使用 ggradar 包来轻轻松松绘制好雷达图，并且这个包最大的特点是基于ggplot2来绘图。有没有想要试一试的冲动？这么好用的包，却不能直接到达我的要求，先看一下这个包画的图长什么样：
颜值当然没得说，只是背景的圆圈线条数不能增加，只能有三个值 min 、 mid 、 max 。其实本质上来说这都不是什么问题了，因为画的图可以后期通过 AI 、 PS 等软件调整，一样可以到达想要的效果。但是为了达到更方便快捷地接近文献中的图，我用自己浅显的R语言基础给 ggradar 包做了修改，在原有的基础上增加了一个函数 ggradar2 ，该函数既保留了原始函数功能，又可以手动增加圆圈线条的数量。前面说了那么多有的没的，下面就进入最重要的环节，我们一起来看看如何绘制雷达图：
结果如下：
整个绘制过程还是挺简单的，准备好需要的输入格式，往 ggradar2 函数一放，然后再设置一下相应的参数即可。这里说明一下，我改写的 ggradar 包用法与原始包基本保持一致，只是在原函数 ggradar 的基础改写成 ggradar2 ，从而实现增加圆圈线条的目的。需要注意的是，该函数多了两个参数 all.radar 、 all.label 。 all.radar 指定画圆圈的数值向量， all.label 指定每个圆圈标签的向量(默认使用 all.radar 作为标签)。如果想要修改线条的类型和颜色可以使用 gridline.min.linetype 和 gridline.min.colour 。如果想要最原始的三个圆圈线的图，只需忽略 all.radar 和 all.label 参数就行(默认也是绘制原始的图)。
绘制雷达图的R包还有 fmsb 、 plotly ， fmsb 画的图不是圆形而是正多边形， plotly 画的图和 ggradar 类似。而选择 ggradar 最重要的原因是该包是唯一基于ggplot2语法的包。我改写的包，虽然本人使用没有遇到问题，但不免里面还是会隐藏什么BUG，如果遇到了可以反馈给我一下。。。
