R语言&页游渠道分析
对着满屏的游戏后台数据，需要快速了解数据特征，一种茫然无从下手的感觉？
本文在游戏后台数据中，如何通过R语言快速的了解游戏后台的数据特征，以及统计各个数据之间的相关系数，并通过相关图来发现其中相关系数较高的数据，从而通过R得到高相关系数之间的线性回归方程，最后通过矩阵散点图来初步发现数据中的一些规律解决相应的问题。附：本文需要安装corrgram和car包
具体代码如下：
library(corrgram)
library(car)
summary(data9)
cor(data9)
scatterplotMatrix(data9,spread=FALSE,main="时间，横幅展示，横幅点击，注册框点击，注册数之间关系")
corrgram(data9,order=TRUE,lower.panel=panel.shade,upper.panel=panel.pie,text.
panel=panel.txt,main="时间，横幅展示，横幅点击，注册框点击，注册数之间关系")
其中以某单机网的游戏广告投放后台数据为例
通过R中的summary和cor函数可以得到图一，可以快速了解数据的基本特征和相关系数。
为了方便快速展示数据之间的关联性，可以适当通过图形展示，提高工作效率，如图二，通过使用corrgram包中的corrgram()函数产生的相关图可以快速发现注册框点击和注册的相关系数最高，达到0.98。可以用R语言得到线性回归方程，从而发现从中的规律或者转化率：
myLm<-lm(M[negotiated=TRUE]~Z[negotiate=TRUE],data=data9)
myLm$coefficients
summary(myLm)
得到结果：（Intercept）requested[negotioted==TURE]
20.81 0.21
得到注册框点击Z和注册数M的基本线性回归方程：M=20.81+0.21*Z
而下图三，载入car包中的scatterplotMatrix()函数生成的矩阵散点图，可以快速了解数据之间的规律。仅下图标记2为例，表示流量和注册数的关系，即广告流量越大，注册数越多，则渠道正常。反之，流量越大，注册数保持不变或者下降的趋势，则渠道疲劳，即该渠道对广告产生视觉疲劳，可初步考虑放弃该渠道。同理，当渠道正常，下图标记1，即时间和注册数的关系成反比，则表示用户对素材疲劳，可适当切换新素材，保持点击新鲜度。
最后本文通过R语言产生的三个图，可以快速了解数据的基本特征，数据之间的相关性，以及数据之间的分布规律和趋势规律，从而基本达到快速了解游戏后台数据目的。
作者：心者，审稿：fish
郑重声明：本站内容如果来自互联网及其他传播媒体，其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。
