Для исследования была использована база данных processed_build_dataframe.csv, содержащая информацию о пользовательских постройках Minecraft с платформы PlanetMinecraft.com. Данный набор данных включает 808 записей с информацией о ссылках на страницы построек, тегах и категориях, размерах файлов скачивания, форматах файлов и путях к обработанным файлам схем. Выбор этой темы обусловлен уникальным положением Minecraft как культурного феномена с более чем 238 миллионами проданных копий и богатой экосистемой пользовательского контента. Анализ архитектурных предпочтений игроков представляет интерес как с точки зрения изучения цифрового творчества, так и для понимания эстетических трендов в игровых сообществах.
Почему эти данные интересны?
Minecraft — одна из самых популярных видеоигр XXI века, поэтому этот анализ актуален и может использоваться да улучшения игрового опыта потребителей. Пользовательские постройки в Minecraft представляют собой цифровые арт-объекты, отражающие творческие тенденции и архитектурные предпочтения игроков. Также технические параметры построек (размеры файлов, форматы, сложность) позволяют анализировать инфраструктуру пользовательского контента. Помимо этого, анализ демонстрирует возможность применения серьезных аналитических методов к развлекательному контенту.
Какие графики были сделаны
Для всестороннего анализа были реализованы пять типов визуализаций, каждый из которых представляет различные аспекты данных. Были созданы: столбчатая диаграмма с эффектом блоков травы для анализа популярности тегов, круговая диаграмма для распределения архитектурных стилей, гистограмма с логарифмической шкалой для анализа распределения размеров файлов, горизонтальная столбчатая диаграмма для сравнения форматов файлов и линейный график с острыми углами для изучения динамики популярности тегов. Выбор именно этих типов визуализаций обусловлен необходимостью охватить различные аспекты данных — от категориального анализа до временных трендов, а также продемонстрировать разнообразие подходов к представлению статистической информации.
Этапы работы
Первым делом я отправила запрос в нейросеть Deepseek.ai для того, чтобы сформировать основную палитру цветов, в которой будут сделаны все графики.
Создай единый стиль для визуализации данных в тематике Minecraft. Сначала предложи палитру из 6 цветов, вдохновленных блоками игры (например, коричневый, серый, зеленый, синий). Все графики должны быть в квадратных, «блочных» областях.
Далее с помощью кода я загрузила файл CSV с данными о постройках Minecraft из указанного пути на компьютере и сохранила их в структурированную таблицу pandas под именем df. Это помогло внести библиотеку pandas и использовать ее данные для корректного анализа в будущем.
В исследовании в будущем применялись стандартные статистические методы, включая частотный анализ для определения популярности тегов, логарифмическое преобразование для работы с распределениями размеров файлов, кластеризацию по ключевым словам для категоризации архитектурных стилей и дескриптивную статистику для расчёта средних значений и квартилей. Для пятого графика, изучающего взаимосвязь между размером файлов и сложностью построек, применялся корреляционный анализ.
Работа с нейросетью
В исследовании активно использовалась нейросеть Deepseek.ai, как инструмент для аналитических целей и поддержки на некоторых этапах работы. Нейросеть не заменяла анализ данных, но помогала ускорять процесс и структурировать логику исследования, а также выделять предмет анализа.
«Помоги улучшить этот код, чтобы столбцы в столбчатой диаграмме состояли из двух цветов.»
Искусственный интеллект помогал исправлять ошибки в коде, так как часто надписи накладывались друг на друга или не вмещались в изображение.
«В горизонтальной столбчатой диаграмме подписи крупнейших файлов накладываются в правом нижнем углу (например, значения „48 MB“). Оптимизируй позиционирование подписей, чтобы они не пересекались, используя разные координаты Y для каждой подписи и смещая их по оси X для лучшей читаемости, сохранив красный цвет.»
Помимо этого, он совершенствовал код для визуализации и помогал делать столбцы более разнообразными и совершенствовать дизайн, внешний вид диаграмм. С помощью генерации были получены корректные и понятные краткие определения, а аналитические методы были переведены в понятный язык для лонгрида.
Создание графиков
В каждом графике данные анализировались отдельно, и код для анализа данных был записан вместе с кодом для создания графика. Так, не анализируя абсолютно все данные заранее написанным кодом, а исследуя только нужную мне информацию, была проведена работа над визуализацией.
Первый график
График анализирует частотность использования тегов для поиска и категоризации построек в сообществе Minecraft. На основе 808 записей выявлено, что тег «Land Structure» является наиболее популярным поисковым критерием, существенно опережая остальные. Статистика показывает иерархию тегов по востребованности: после лидера следуют «House», «Medieval», «Modern» и другие категории, каждая с конкретным числом упоминаний.
Анализ демонстрирует, какие ключевые слова пользователи чаще всего используют для описания и поиска построек, что отражает не только архитектурные предпочтения, но и семантику поисковых запросов в сообществе. Разница в значениях между тегами указывает на значительное преобладание определённых категорий в пользовательском контенте и поисковом поведении.
На первом этапе происходит импорт необходимых библиотек: matplotlib для создания графиков, numpy для математических операций с массивами, и Counter из стандартной библиотеки для подсчёта частоты элементов. Эти инструменты составляют основу для всего последующего анализа и визуализации данных, а далее внесение переменной палитры цветов.
Сначала извлекаются и анализируются теги из данных, затем строится график, где каждый столбец состоит из коричневой «земляной» основы и зелёной «травяной» верхушки, имитируя блоки травы из игры. Далее настраиваются оси, заголовки и подписи без жирных шрифтов и обводок, добавляется сетка и легенда.
Далее используется похожая схема для создания всех графиков, меняется только сам принцип анализа и анализируемые данные.
