一、实验题目
近年各平台游戏的销量及评分分析

二、实验目的
现在的时代，互联网发展越发的发达，随之带来兴起的电子游戏产业也越来越引起人们的重视。所以我们组在网上收集到了近年来关于各大平台所发行的一些游戏的相关发行量以及评分数据，根据这些数据利用阿里云的相关产品技术来进行分析过去和现在的哪些厂商的哪些游戏比较热门，做出可视化的图表，并为游戏厂商的未来所做游戏做一些参考。

三、实验难点
混淆矩阵的使用与Sql语句的编写

四、实验过程
数据集的描述：

一共16720条数据

Maxcompute
创建数据表：

CREATE TABLE IF NOT EXISTS video_game_sales1
(
name STRING,
platform STRING,
year_of_release STRING,
genre STRING,
publisher STRING,
na_sales DOUBLE,
eu_sales DOUBLE,
jp_sales DOUBLE,
other_sales DOUBLE,
global_sales DOUBLE,
critic_score STRING,
critic_count STRING,
user_score STRING,
user_count STRING,
developer STRING,
rating STRING
) ;

共140000+条数据，来源于互联网下载
字段的含义：
Name：游戏名
Platfrom：游戏平台
Year_of_relese 每年发售的游戏数
Genre 游戏类型
Publisher 发行商
Na_sales 北美销量
jp_sales 日本销量
other_sales 其他销量
global_sales 全球销量
Critic_score 评论家分数
Critic_count 评论家数量
User_score 用户评分
User_count 用户数量
Developer 制作商
Rating 评级

机器学习PAI
找到dotaworks里的数据源，然后创建不同平台的游戏总数表：

SELECT platform,
count(platform) as 游戏总数 from video_game_sales1 group by platform

利用混淆矩阵随机森林制作预测表：

利用混淆矩阵和随机森林制作年份游戏数量预测准确率

四个不同地区的游戏销量：

select Genre,sum(NA_Sales) as 销售数量 from video_game_sales1 group by Genre

select Genre,sum(EU_Sales) as 销售数量 from video_game_sales1 group by Genre

select Genre,sum(JP_Sales) as 销售数量 from video_game_sales1 group by Genre

四个不同地区的游戏销量：

select Genre,sum(NA_Sales) as 销售数量 from video_game_sales1 group by Genre

select Genre,sum(EU_Sales) as 销售数量 from video_game_sales1 group by Genre

select Genre,sum(JP_Sales) as 销售数量 from video_game_sales1 group by Genre

select Genre,sum(GLOBAL_Sales) as 销售数量 from video_game_sales1 group by Genre

不同年份的游戏销售额：

select Year_of_Release,sum(Global_Sales) as 总销售额 from video_game_sales1 group by Year_of_Release

数据表展示：

QuickBi：
把数据源添加到数据集后在面板上填入对应的维度和度量

总结：
根据本项目分析得来的数据，以及可视化结果显示：随着时间的增长，各大厂商所发行的游戏数量也都有都有所增长，玩家购买的数量也是增长的。在近年来动作游戏最受玩家们的欢迎，运动和射击游戏紧随其后，策略游戏和解谜游戏玩家受众群较少。