用python對steam一萬個遊戲的資料分析
發現Github和知乎上關於steam的爬蟲和資料分析比較少，同時想找個專案實戰一下，而且steam對於爬蟲相對友好，非常適合作為一個練手的專案，於是就有了這篇文章。
分為兩大部分
一。爬取steam遊戲資訊：需要有相關包‘requests’，‘bs4’，‘pandas’，‘re’
二。清洗資料及資料視覺化：需要有相關包‘pandas’，‘re’，matplotlib’，‘pandas’，‘numpy’
一.爬取steam遊戲資訊
整體來說steam還是很好爬的，不加headers都可以成功get到頁面，但是因為有的遊戲頁面進入前會驗證年齡之類的，解決方法：重新抓重新定向的頁面。我嫌麻煩，直接在賬號設定裡可以關閉提示，然後加headers就沒有這個問題了。而且不需要代理池和限制頻率，還是很友好的。
1.1 先爬熱銷遊戲的列表
主要就提取遊戲的連結和ID，轉成dataframe然後儲存。steam每個遊戲都有自己的ID，比如csgo的連結是store。steampowered。com/app/730/CounterStrike_Global_Offensive/
730就是遊戲的ID，後面就是遊戲的名字，即使不加名字也是可以重定向到這個頁面。本來是想透過連結提取遊戲名字的，結果發現漢字名字在連結中不會顯示，比如三國志14：
https：//
store。steampowered。com/
app/872410/14/
的只會顯示14，索性放棄，在後面1。2中再提取遊戲名字。另外get的網址後面已經加上過濾DLC的引數了。
如果你是Python初學者：一共需要修改3個引數 一個是headers，一個是爬取頁數n的值，以及儲存路徑path，然後run就可以了。
import
requests
from
bs4
import
BeautifulSoup
import
re
import
pandas
as
pd
headers
=
{
‘Accept’
：
‘’
，
‘Accept-Encoding’
：
‘’
，
‘Accept-Language’
：
‘’
，
‘Cache-Control’
：
‘’
，
‘Connection’
：
‘’
，
‘Cookie’
：
‘’
，
‘Host’
：
‘’
，
‘Sec-Fetch-Mode’
：
‘’
，
‘Sec-Fetch-Site’
：
‘’
，
‘Sec-Fetch-User’
：
‘’
，
‘Upgrade-Insecure-Requests’
：
‘’
，
‘User-Agent’
：
‘’
}
#替換你自己的headers
n
=
20
#n代表爬取到多少頁
path
=
‘1。xlsx’
#修改你的儲存位置
def
getgamelist
（
n
）：
linklist
=
［］
IDlist
=
［］
for
pagenum
in
range
（
1
，
n
）：
r
=
requests
。
get
（
‘https：//store。steampowered。com/search/？ignore_preferences=1&category1=998&os=win&filter=globaltopsellers&page=
%d
’
%
pagenum
，
headers
=
headers
）
soup
=
BeautifulSoup
（
r
。
text
，
‘lxml’
）
soups
=
soup
。
find_all
（
href
=
re
。
compile
（
r
“https：//store。steampowered。com/app/”
），
class_
=
“search_result_row ds_collapse_flag”
）
for
i
in
soups
：
i
=
i
。
attrs
i
=
i
［
‘href’
］
link
=
re
。
search
（
‘https：//store。steampowered。com/app/（\d*？）/’
，
i
）
。
group
（）
ID
=
re
。
search
（
‘https：//store。steampowered。com/app/（\d*？）/（。*？）/’
，
i
）
。
group
（
1
）
linklist
。
append
（
link
）
IDlist
。
append
（
ID
）
（
‘已完成’
+
str
（
pagenum
）
+
‘頁，目前共’
+
str
（
len
（
linklist
）））
return
linklist
，
IDlist
def
getdf
（
n
）：
#轉df
linklist
，
IDlist
=
getgamelist
（
n
）
df
=
pd
。
DataFrame
（
list
（
zip
（
linklist
，
IDlist
）），
columns
=
［
‘Link’
，
‘ID’
］）
return
df
if
__name__
==
“__main__”
：
df
=
getdf
（
n
）
#n代表爬取到多少頁
df
。
to_excel
（
path
）
#儲存
df是這個樣子的：
1.2爬詳細資訊。
基本思路是對df遍歷每行資料。對於每行來說，用requests。get（Link），再用bs4解析，然後提取出關鍵字（名字，價格，好評率，評論等），然後寫入df中。
def
gamename
（
soup
）：
#遊戲名字
try
：
a
=
soup
。
find
（
class_
=
“apphub_AppName”
）
k
=
str
（
a
。
string
）
except
：
a
=
soup
。
find
（
class_
=
“apphub_AppName”
）
k
=
str
（
a
。
text
）
return
k
def
gameprice
（
soup
）：
#價格
try
：
a
=
soup
。
findAll
（
class_
=
“discount_original_price”
）
for
i
in
a
：
if
re
。
search
（
‘¥|free|免費’
，
str
（
i
），
re
。
IGNORECASE
）：
a
=
i
k
=
str
（
a
。
string
）
。
replace
（
‘ ’
，
‘’
）
。
replace
（
‘
\n
’
，
‘’
）
。
replace
（
‘
\r
’
，
‘’
）
。
replace
（
‘ ’
，
‘’
）
except
：
a
=
soup
。
findAll
（
class_
=
“game_purchase_price price”
）
for
i
in
a
：
if
re
。
search
（
‘¥|free|免費’
，
str
（
i
），
re
。
IGNORECASE
）：
a
=
i
k
=
str
（
a
。
string
）
。
replace
（
‘ ’
，
‘’
）
。
replace
（
‘
\n
’
，
‘’
）
。
replace
（
‘
\r
’
，
‘’
）
。
replace
（
‘ ’
，
‘’
）
return
k
def
taglist
（
soup
）：
#標籤列表
list1
=
［］
a
=
soup
。
find_all
（
class_
=
“app_tag”
）
for
i
in
a
：
k
=
str
（
i
。
string
）
。
replace
（
‘ ’
，
‘’
）
。
replace
（
‘
\n
’
，
‘’
）
。
replace
（
‘
\r
’
，
‘’
）
if
k
==
‘+’
：
pass
else
：
list1
。
append
（
k
）
list1
=
str
（
‘
\n
’
。
join
（
list1
））
return
list1
def
description
（
soup
）：
#遊戲描述
a
=
soup
。
find
（
class_
=
“game_description_snippet”
）
k
=
str
（
a
。
string
）
。
replace
（
‘ ’
，
‘’
）
。
replace
（
‘
\n
’
，
‘’
）
。
replace
（
‘
\r
’
，
‘’
）
return
k
def
reviewsummary
（
soup
）：
#總體評價
a
=
soup
。
find
（
class_
=
“summary column”
）
try
：
k
=
str
（
a
。
span
。
string
）
except
：
k
=
str
（
a
。
text
）
return
k
def
getdate
（
soup
）：
#發行日期
a
=
soup
。
find
（
class_
=
“date”
）
k
=
str
（
a
。
string
）
return
k
def
userreviewsrate
（
soup
）：
#總體數量好評率
a
=
soup
。
find
（
class_
=
“user_reviews_summary_row”
）
k
=
str
（（
a
。
attrs
）［
‘data-tooltip-html’
］）
return
k
def
developer
（
soup
）：
#開發商
a
=
soup
。
find
（
id
=
“developers_list”
）
k
=
str
（
a
。
a
。
string
）
return
k
def
getreviews
（
ID
）：
#獲取評論
r1
=
requests
。
get
（
‘https：//store。steampowered。com/appreviews/
%s
？cursor=*&day_range=30&start_date=-1&end_date=-1&date_range_type=all&filter=summary&language=schinese&l=schinese&review_type=all&purchase_type=all&playtime_filter_min=0&playtime_filter_max=0&filter_offtopic_activity=1’
%
str
（
ID
），
headers
=
headers
，
timeout
=
10
）
soup
=
BeautifulSoup
（
r1
。
json
（）［
‘html’
］，
‘lxml’
）
a
=
soup
。
findAll
（
class_
=
“content”
）
list1
=
［］
for
i
in
a
：
list1
。
append
（
i
。
text
。
replace
（
‘ ’
，
‘’
）
。
replace
（
‘
\n
’
，
‘’
）
。
replace
（
‘
\r
’
，
‘’
）
。
replace
（
‘ ’
，
‘，’
））
k
=
str
（
‘
\n
’
。
join
（
list1
））
return
k
def
getdetail
（
x
）：
tag
，
des
，
reviews
，
date
，
rate
，
dev
，
review
，
name
，
price
=
‘ ’
，
‘ ’
，
‘ ’
，
‘ ’
，
‘ ’
，
‘ ’
，
‘ ’
，
‘ ’
，
‘ ’
global
count
try
：
r
=
requests
。
get
（
x
［
‘Link’
］，
headers
=
headers
，
timeout
=
10
）
except
：
（
‘伺服器無響應1’
）
try
：
r
=
requests
。
get
（
x
［
‘Link’
］，
headers
=
headers
，
timeout
=
10
）
except
：
（
‘伺服器無響應2’
）
try
：
r
=
requests
。
get
（
x
［
‘Link’
］，
headers
=
headers
，
timeout
=
10
）
except
：
（
‘伺服器無響應3’
）
try
：
soup
=
BeautifulSoup
（
r
。
text
，
‘lxml’
）
name
=
gamename
（
soup
）
tag
=
taglist
（
soup
）
des
=
description
（
soup
）
reviews
=
reviewsummary
（
soup
）
date
=
getdate
（
soup
）
rate
=
userreviewsrate
（
soup
）
dev
=
developer
（
soup
）
review
=
getreviews
（
str
（
x
［
‘ID’
］））
price
=
gameprice
（
soup
）
（
‘已完成： ’
+
name
+
str
（
x
［
‘ID’
］）
+
‘第
%d
個’
%
count
）
except
：
（
‘未完成： ’
+
str
（
x
［
‘ID’
］）
+
‘第
%d
個’
%
count
）
price
=
‘error’
count
+=
1
return
name
，
price
，
tag
，
des
，
reviews
，
date
，
rate
，
dev
，
review
if
__name__
==
“__main__”
：
df1
=
pd
。
read_excel
（
‘1。xlsx’
）
count
=
1
df1
［
‘詳細’
］
=
df1
。
apply
（
lambda
x
：
getdetail
（
x
），
axis
=
1
）
df1
［
‘名字’
］
=
df1
。
apply
（
lambda
x
：
x
［
‘詳細’
］［
0
］，
axis
=
1
）
df1
［
‘價格’
］
=
df1
。
apply
（
lambda
x
：
x
［
‘詳細’
］［
1
］，
axis
=
1
）
df1
［
‘標籤’
］
=
df1
。
apply
（
lambda
x
：
x
［
‘詳細’
］［
2
］，
axis
=
1
）
df1
［
‘描述’
］
=
df1
。
apply
（
lambda
x
：
x
［
‘詳細’
］［
3
］，
axis
=
1
）
df1
［
‘近期評價’
］
=
df1
。
apply
（
lambda
x
：
x
［
‘詳細’
］［
4
］，
axis
=
1
）
df1
［
‘發行日期’
］
=
df1
。
apply
（
lambda
x
：
x
［
‘詳細’
］［
5
］，
axis
=
1
）
df1
［
‘近期數量好評率’
］
=
df1
。
apply
（
lambda
x
：
x
［
‘詳細’
］［
6
］，
axis
=
1
）
df1
［
‘開發商’
］
=
df1
。
apply
（
lambda
x
：
x
［
‘詳細’
］［
7
］，
axis
=
1
）
df1
［
‘評論’
］
=
df1
。
apply
（
lambda
x
：
x
［
‘詳細’
］［
8
］，
axis
=
1
）
df1
。
to_excel
（
‘2。xlsx’
）
（
‘已完成全部’
）
大概說幾句，各個函式中實在懶得給變數起名字了。評價指標選擇的是近期，不是總體。因為我沒想到能夠用apply函式同時，在dataframe中寫入多列的方法。所以傳送一次get請求後把各類資訊作為元組打包寫入［‘詳細’］，最終還要把［‘詳細’］裡的元組再依次提取出來寫入各列。結果如下圖，
我一共爬了一萬個遊戲，不同時期獲取的結果也會有所不同，因為地區限制等原因某些遊戲不在國區賣，所以是直接df中drop還是自備梯子就取決於你自己了。
1.3爬線上人數
steam自己有個資料統計的網頁，直接while迴圈+time。sleep簡單粗暴，每10分鐘以當前時間為名把資料直接儲存為xlsx格式。我直接丟vps上24小時跑了。
while True：
try：
r = requests。get（‘https：//store。steampowered。com/stats/Steam-Game-and-Player-Statistics？l=schinese’，headers = headers ，timeout=15）
if r。status_code == 200：
soup = BeautifulSoup（r。text， ‘lxml’）
a = soup。findAll（class_=“player_count_row”）
NOW =［］
MAX=［］
ID=［］
for i in a ：
NOW。append（str（i。contents［1］。span。string））
MAX。append（str（i。contents［3］。span。string））
ID。append（re。search（‘\d+’，str（i。contents［7］。a。attrs［‘href’］））。group（））
df = pd。DataFrame（list（zip（NOW， MAX，ID）），
columns =［‘now’，‘max’， ‘ID’］）
df1 = df。set_index（‘ID’）
path_stats = str（time。strftime（“%Y年%m月%d日%H時%M分%S秒”，time。localtime（）））+‘。xlsx’
df1。to_excel（path_stats）
print（path_stats）
time。sleep（600）
except：
pass
二。清洗資料及資料視覺化：
2。1資料清洗
這部分相對簡單，因為爬取的資料已經相對來說比較規範了。由於我忘記備份最初始的原始文件了，所以以下範例只用200條遊戲資料做的。
首先
import pandas as pd
import re
然後讀取之前爬蟲的結果
path
=
‘’
df
=
pd
。
read_excel
（
path
，
index_col
=
0
）
df
。
info
（）
#看一下資料結構
結果如下
首先看一下價格這一列
實際在爬蟲爬取的遊戲中，大多數都是價格，少部分是‘免費遊玩’‘Free’之類的，極少部分是遊戲demo，遊戲demo這個就很煩，還要根據實際情況判斷遊戲價格，由於數量極少，直接歸為免費遊戲。
def price（x）：
try：
pricenum = int（x［‘價格’］。replace（‘¥’，‘’））
except：
pricenum = 0
return pricenum
df［‘價格’］ = df。apply（lambda x：price（x），axis=1）
df［‘價格’］ = pd。to_numeric（df［‘價格’］）#轉為int64
df。info（）
結果如下，可以看到價格一列已經變成int64
接下來提取評價人數和好評率
def getreviewsnum（x）：
x1 = x［‘總體數量好評率’］
x2 = x［‘總體評價’］
if re。search（‘過去 30 天內的 （。*？） 篇使用者評測中有 （\d*%） 為好評。’，x1）：
num = re。search（‘過去 30 天內的 （。*？） 篇使用者評測中有 （\d*%） 為好評。’，x1）。group（1）
elif re。search（‘（\d*） 篇使用者的遊戲評測中有 （\d*%） 為好評。’，x1）：
num = re。search（‘（\d*） 篇使用者的遊戲評測中有 （\d*%） 為好評。’，x1）。group（1）
elif re。search（‘\d* 篇使用者評測’，x2）：
num = re。search（‘（\d*） 篇使用者評測’，x2）。group（1）
else：
num = ‘0’
return num
def getreviewsrate（x）：
x = x［‘總體數量好評率’］
if re。search（‘過去 30 天內的 （。*？） 篇使用者評測中有 （\d*%） 為好評。’，x）：
rate = re。search（‘過去 30 天內的 （。*？） 篇使用者評測中有 （\d*%） 為好評。’，x）。group（2）
elif re。search（‘（\d*） 篇使用者的遊戲評測中有 （\d*%） 為好評。’，x）：
rate = re。search（‘（\d*） 篇使用者的遊戲評測中有 （\d*%） 為好評。’，x）。group（2）
else ：
rate=‘’
return rate
df［‘評價數量’］=df。apply（lambda x：getreviewsnum（x），axis=1）
df［‘好評率’］=df。apply（lambda x：getreviewsrate（x），axis=1）
df
結果如下，可以看到後面多了2列
然後同價格一樣，轉一下格式
df
［
‘評價數量’
］
=
df
［
‘評價數量’
］
。
apply
（
lambda
x
：
x
。
replace
（
‘，’
，
‘’
））
df
［
‘好評率’
］
=
df
［
‘好評率’
］
。
apply
（
lambda
x
：
str
（
x
）
。
replace
（
‘%’
，
‘’
））
df
［
‘評價數量’
］
=
pd
。
to_numeric
（
df
［
‘評價數量’
］）
df
［
‘好評率’
］
=
pd
。
to_numeric
（
df
［
‘好評率’
］）
df
［
‘ID’
］
=
df
［
‘ID’
］
。
astype
（
‘str’
）
#這裡順路把ID轉為str
df
。
to_excel
（
path
）
最後說一下發行時間這裡，這裡又有一些坑，因為存在部分資料沒有日或者月的情況，所以我並沒找到簡便的方式把日期變成datetime格式。這裡如果有大佬可以教我一下，不勝感激。
但是方法總是有的嘛，開啟excel，把這一列改為短日期格式，但是並沒有變化。這裡如果雙擊一下那個單元格，發現變成了我們想要的格式，
怎麼批次改呢，我在網上搜到這樣的方式
資料→分列→下一步→下一步（選擇日期）→完成
然後就ok了，5秒搞定。
這時我們重新讀一下df發現已經變成datetime64格式了。
把爬取過程中產生的沒用的列刪掉，最後儲存
df=df。drop（‘Unnamed： 0。1’， axis=1）
df。to_excel（path）
關於遊戲玩家實時數量的資料我打算攢夠一個月再做清洗分析，等資料量夠了我再補這部分的內容。
2.2 資料視覺化
首先
#coding：utf-8
import
pandas
as
pd
import
numpy
as
np
import
matplotlib。pyplot
as
plt
from
matplotlib
import
cm
import
datetime
plt
。
rcParams
［
‘font。sans-serif’
］
=
［
‘SimHei’
］
#用來正常顯示中文標籤
plt
。
rcParams
［
‘axes。unicode_minus’
］
=
False
#用來正常顯示負號
讀取檔案，把發行日期的年份提取到額外的一列［‘year’］後面會用到，然後選取前一千行製作一份copy，選取評價數量為0的也就是未發售的遊戲也製作一份copy。
dfraw = pd。read_excel（path，index_col=0）
dfraw［‘year’］ = dfraw。apply（lambda x：str（x［‘發行日期’］）［0：4］，axis = 1）
df = dfraw。copy（）
df_top1k = dfraw［0：1000］。copy（）
df_now = dfraw［dfraw［‘評價數量’］。values！=0］。copy（）
看一下整體情況，這裡我爬了一萬條，但是有些未在國區發售，去除掉之後還剩9887條。
df。info（）
df。describe（）
可以看到平均遊戲價格41。91，平均好評率79。28，畫出一個散點圖看一下分佈情況
Y
=
df_now
［
‘價格’
］
# 每一個點的Y值
X
=
df_now
［
‘發行日期’
］
# 每一個點的X值
plt
。
style
。
use
（
‘seaborn’
）
#畫布風格
plt
。
rcParams
［
‘font。sans-serif’
］
=
［
‘Microsoft YaHei’
］
#字型
plt
。
figure
（
figsize
=
（
20
，
5
））
#大小
#這裡散點大小是熱銷排行的倒數，也就是說越熱銷的遊戲，圓點也就越大
#顏色取決於好評率高低，colorbar也就是cmap選擇‘RdYlBu’風格
plt
。
scatter
（
X
，
Y
，
s
=
15000
/
（
df_now
。
index
+
200
），
c
=
df_now
［
‘好評率’
］，
alpha
=。
9
，
cmap
=
plt
。
get_cmap
（
‘RdYlBu’
））
plt
。
colorbar
（）
。
set_label
（
‘好評率’
，
fontsize
=
20
）
plt
。
xlabel
（
‘年份’
，
fontsize
=
20
）
plt
。
ylabel
（
‘價格’
，
fontsize
=
20
）
plt
。
show
（）
可以看到已釋出的遊戲絕大多數分佈在2010年到2020年，0到200元以內，少部分遊戲突破了400元。如果區域性放大一下
Y = df_now［‘價格’］ # 每一個點的Y值
X = df_now［‘發行日期’］# 每一個點的X值
plt。style。use（‘seaborn’）#畫布風格
plt。rcParams［‘font。sans-serif’］=［‘Microsoft YaHei’］#字型
plt。figure（figsize=（20， 5））#大小
#這裡散點大小是熱銷排行的倒數，也就是說越熱銷的遊戲，圓點也就越大
#顏色取決於好評率高低，colorbar也就是cmap選擇‘RdYlBu’風格
plt。scatter（X，Y， s=15000/（df_now。index+200）， c=df_now［‘好評率’］， alpha=。9，cmap=plt。get_cmap（‘RdYlBu’））
datenow = datetime。datetime（2021，1，1）
dstart = datetime。datetime（2010，1，1）
plt。xlim（dstart， datenow）
plt。ylim（0， 500）
plt。xlabel（‘年份’，fontsize=20）
plt。ylabel（‘價格’，fontsize=20）
plt。colorbar（）。set_label（‘好評率’，fontsize=20）
plt。show（）
接下來以年分組進行平均價格和平均好評率的計算繪入圖中，
df_yearprice = df。groupby（‘year’）［‘價格’］。mean（）。to_frame（）。reset_index（）。sort_values（by=‘year’）#按年分組，求平均價格
df_yearreview = df。groupby（‘year’）［‘好評率’］。mean（）。to_frame（）。reset_index（）。sort_values（by=‘year’）#按年分組，求平均好評率
plt。figure（figsize=（20， 5））
plt。plot（df_yearreview［‘year’］，df_yearreview［‘好評率’］， c=‘g’，label=‘平均好評率%’）
plt。plot（df_yearprice［‘year’］，df_yearprice［‘價格’］， c=‘c’，label=‘平均價格’）
plt。xlabel（‘年份’，fontsize=20）
plt。legend（）
plt。title（‘年份與價格、好評率’）
plt。xlim（4，35）
plt。ylim（0， 100）
plt。show（）
從1990年到2020年遊戲平均價格從20多增長到50多，相對比，2019年2個月豬肉就能翻一倍。但這樣對比其實並不科學，因為可以看出來2019年以前在2013年平均價格達到了峰值，之後因為湧入了大量的免（ke）費（jin）遊戲以及遊戲模式的改變（比如開箱子GO、DLC DAY 2等）導致遊戲的入門價格平均值在不斷的被拉低。好評率在30年內還算相對穩定。
接下來根據遊戲型別做一個整體統計，根據我們爬的遊戲標籤對遊戲做分類，首先做標籤的詞頻統計，這裡的思路就是把所有的標籤作為一個list，然後遍歷list統計為dict，然後做降序處理。這裡繪2次圖選擇不同的資料來源，一次全部一萬個遊戲，一次為前1000個遊戲。以下程式碼是全部一萬個，前1000只需要把所有df改為df_top1k就可以。
list1 = ［］
list1 = df［‘標籤’］。to_list（）#全部一萬個
list1 = ‘\n’。join（list1）
list1 =list1。split（‘\n’）#把所有標籤加入list1
frequency = {}
frequency1 = {}
for word in list1：#詞頻統計
if word not in frequency：
frequency［word］ = 1
else：
frequency［word］ += 1
frequency = sorted（frequency。items（），key = lambda x ：x［1］， reverse=True）#根據詞頻降序做排列輸出一個元組
for i in frequency：
frequency1［str（i［0］）［0：2］+‘\n’+str（i［0］）［2：4］+‘\n’+str（i［0］）［4：6］+‘\n’+str（i［0］）［6：8］］=i［1］#元組轉為字典，再讓標籤每隔2個字加\n，後面柱狀圖會用到
dffre = df。copy（）
for i in list（frequency）［0：50］：#檢驗50個tag覆蓋率
dffre = dffre［dffre［‘標籤’］。str。contains（i［0］）== False］
print（len（dffre））
這裡輸出了21，說明50個遊戲標籤覆蓋了絕大多數遊戲，只有21個遊戲沒在這個範圍內。然後繪圖不再詳細說了，跟前面差不多。
Y = list（frequency1。keys（））［0：50］#取前50個標籤
X = list（frequency1。values（））［0：50］
plt。figure（ figsize=（20， 5），）
plt。bar（Y，X， facecolor=‘#ff9999’， edgecolor=‘white’）
plt。xlabel（‘遊戲型別’，fontsize=20）
plt。ylabel（‘遊戲數量’，fontsize=20）
plt。xlim（-。5， 49。5）
for a，b in zip（Y，X）：
plt。text（a， b，int（b）， ha=‘center’， va= ‘bottom’，fontsize=10）
plt。show（）
資料來源為全部的結果
資料來源為熱銷榜前一千的結果
從整體上講，都符合長尾型分佈，獨立 單人 動作 冒險這四種無論是否為熱銷遊戲，都是熱門標籤。令我最吃驚的居然是單機的標籤數量佔比居然這麼高，熱銷榜11。7%的遊戲居然有裸露標籤。
今天先更到這，後面改天再更