Apple hat gerade ein weiteres Device von der eigenständigen Software program in die Fotos-App verschoben. Benutzer können jetzt ein Foto ziehen und eine Vorschau aus einem anderen Kamerawinkel anzeigen. Apples Modelle generieren nur die neu belichteten Regionen. Nennen Sie es räumliche Auffrischung. Was es wirklich signalisiert, ist, wie schnell kreative Instruments in Betriebssystemen verschwinden, sobald sie „intestine genug“ sind.

Jahrelang bedeutete die Smartphone-Fotografie, die Aufnahme zu verbessern. HDR, Nachtmodi, Porträtsegmentierung, Rauschunterdrückung. Telefone verarbeiten Photonen intelligenter. Die Fotos wurden nicht von Benutzern erstellt, sondern von Mobiltelefonen. Spatial Reframing kehrt diese Beziehung um. Benutzer bearbeiten jetzt die Szenengeometrie nach der Aufnahme. Offensichtliche Änderungen der Kameraposition. Die Leinwand erweitert sich. Objekte verschwinden. Pixel materialisieren.

Apple ist mit der generativen Bearbeitung nicht allein. Google Fotos bietet ähnliche Instruments. Adobe hat Generative Broaden in Photoshop und Browsern eingebettet. Auf den Unterschied kommt es an: die Verteilung. Apple erfordert keine separaten Apps, Inventive Cloud-Abonnements oder Exporte. Benutzer bearbeiten in Fotos – der Anwendung, die jeder iPhone-Benutzer täglich öffnet. Dieser Verteilungsvorteil ist schwer zu überwinden.

Aber die Verteilung schafft zwei Probleme. Eine davon bedroht den Markt für Kreativsoftware. Man bedroht das Vertrauen.

Was Spatial Reframing tatsächlich bewirkt

Benutzer ziehen ein Foto und Apple generiert die Pixel, die sie aus einem etwas anderen Kamerawinkel sehen würden. Es werden nur neu belichtete Regionen generiert. Eine separate Funktion namens „Prolong“ erweitert die Leinwand über die ursprünglichen Rahmengrenzen hinaus und synthetisiert fehlende Inhalte.

Spatial Reframing unterscheidet sich von Prolong. Erweitern füllt leeren Raum. Spatial Reframing verändert die scheinbare Perspektive. Generative Broaden von Adobe konkurriert direkt mit Prolong. Spatial Reframing versucht etwas Ehrgeizigeres: ein echtes Foto so erscheinen zu lassen, als wäre es aus einem Blickwinkel aufgenommen worden, den es nie gegeben hat.

Zu den realen Anwendungsfällen gehören die Verbesserung der Motivplatzierung, die Korrektur ungünstiger Bildausschnitte, die Anpassung von Fotos an unterschiedliche Seitenverhältnisse in sozialen Medien, die Schaffung von Platz für Textüberlagerungen und die Umgestaltung von Räumen, um sie geräumiger erscheinen zu lassen. Immobilienfotografen erhalten ein neues Device. Content material-Ersteller vermeiden Neuaufnahmen. Marketingteams erstellen Formatvarianten aus einem einzigen Asset.

Laut Apple funktioniert die Funktion bei vorhandenen Fotos in der Bibliothek eines Benutzers, nicht nur bei aktuellen Aufnahmen. Die Kompatibilität umfasst iPhone, iPad und Mac. Apple hat nicht bekannt gegeben, ob Spatial Reframing immer auf dem Gerät läuft oder manchmal über Non-public Cloud Compute weitergeleitet wird. Die meisten unterstützten Geräte können ohne zusätzliche Abonnements darauf zugreifen.

Wie sich dadurch die kreative Arbeit verändert

Die Smartphone-Fotografie entwickelte sich durch Schichten. Frühe Berechnungen befassten sich mit Sensorgrenzen: hellere Nächte, lebendigere Farben, schärfere Particulars. Mithilfe von Mobiltelefonen konnten Benutzer auch unter schlechten Bedingungen bessere Aufnahmen machen.

Spätere Schichten befassten sich mit der Rahmung. Der Porträtmodus trennte Motive vom Hintergrund. Computerzoom mit erweiterter Reichweite. Durch Multi-Body-Fusion aufgelöste Szenen mit hohem Dynamikumfang. Mithilfe von Mobiltelefonen konnten Benutzer bessere Bildausschnitte mit gegebener Physik erfassen.

Spatial Reframing stellt eine dritte Ebene dar. Telefone verarbeiten die von der Kamera aufgenommenen Photonen nicht mehr. Telefone synthetisieren Photonen, die die Kamera nie eingefangen hat. Die Absicht des Fotografen verschiebt sich von „was tatsächlich vor der Linse battle“ hin zu „wie die Szene aus einem anderen Blickwinkel hätte aussehen können“.

Apple führt diese Fähigkeit teilweise auf die durch Imaginative and prescient Professional entwickelte Erfahrung zurück. Räumliches Verständnis – wie sich Objekte im dreidimensionalen Raum verhalten – ist für Geräte zur Raumberechnung von Bedeutung. Apple hat dieses Wissen entwickelt. Apple wendet es jetzt auf Computerfotografie an. Telefone erhalten die Fähigkeit, dreidimensionale Szenen zu modellieren und believable different Perspektiven zu generieren.

Smartphones dokumentieren nicht mehr nur die Realität. Smartphones kuratieren und rekonstruieren es. Benutzer gewinnen kreative Handlungsfreiheit. Benutzer erhalten außerdem die Möglichkeit, Fotos auf eine Weise zu bearbeiten, die schwerer zu erkennen oder rückgängig zu machen ist. Die Grenzen zwischen Fotografie und digitaler Kunst verschwimmen.

Warum sich Adobe um die Einstiegsebene kümmern sollte

Spatial Reframing erzeugt direkten Wettbewerbsdruck in einem Marktsegment: der gelegentlichen Bildbearbeitung. Ersteller, die einfache cell Bearbeitungs-Apps verwenden, verfeinern jetzt die Komposition in Fotos. Kleine E-Commerce-Verkäufer erweitern ihren Produkthintergrund, ohne Designer einzustellen. Marketingteams erstellen Formatvarianten ohne Instruments von Drittanbietern.

Photoshop-Benutzer werden die Software program für Fotos nicht aufgeben. Professionelle Fotografen verlassen sich auf Ebenen, zerstörungsfreie Arbeitsabläufe, Masken, Farbmanagement und Drucksteuerungen, die Apple nicht bietet. Studioproduktionsteams nutzen integrierte Asset-Pipelines. Fotos können nicht repliziert werden.

Was Apple tatsächlich bedroht, ist der Übernahmetrichter. Ersteller beginnen oft mit einfachen Bearbeitungstools. Der Erfolg führt manchmal zu Inventive Cloud-Abonnements, wenn Benutzer an Grenzen stoßen und Leistung benötigen. Apple bündelt ausreichend leistungsfähige Instruments direkt in das Betriebssystem. Weniger Gelegenheitsanwender wechseln jemals zu Photoshop.

Adobe verliert im Einstiegssegment Marktanteile. Adobe verliert die professionellen Einnahmen von Photoshop nicht. Der Umsatzdruck im Einstiegssegment nimmt jedoch mit der Zeit zu. Benutzer, die Inventive Cloud überhaupt nicht kaufen, stellen echtes Geld dar, das Adobe nicht kassiert.

Das Entfernen von Objekten und das generative Füllen folgen demselben Muster. Adobe hat diese Funktionen jahrelang verkauft. Durch die Bündelung dieser Fotos durch Apple stoßen weniger Benutzer auf Einschränkungen und entscheiden sich, für professionelle Software program zu zahlen. Die eigentliche Bedrohung von Adobe sind keine professionellen Instruments. Die Bedrohung von Adobe ist der Akquisitionstrichter.

Das Authentizitäts- und Transparenzproblem

Laut Apple erhalten mit Apple Intelligence bearbeitete Fotos ein verstecktes SynthID-Wasserzeichen, das sie als KI-bearbeitet identifiziert. SynthID ist maschinell erkennbar und für menschliche Betrachter nicht unbedingt sichtbar. Apple hat kein sichtbares Vorher-Nachher-Overlay angekündigt, das genau zeigt, welche Pixel Spatial Reframing generiert hat.

Die verborgene Herkunft schafft ein politisches Drawback. Wenn sich durch Bearbeitungen die scheinbare Kameraposition und die Szenengeometrie ändern, kann der Betrachter erfasste Pixel nicht mehr leicht von synthetisierten Pixeln unterscheiden. Immobilienangebote könnten großzügiger erscheinen. Produktfotos könnten Mängel verbergen. Nachrichtenfotografie könnte unsichtbare Perspektiven beinhalten, die als eingefangene Realität dargestellt werden.

SynthID hilft automatisierten Instruments, bearbeitete Medien zu identifizieren. SynthID informiert keine Particular person, die einen Screenshot, einen Repost, eine komprimierte Kopie oder ein gedrucktes Bild ansieht. Organisationen in den Bereichen Nachrichten, Versicherungen, Immobilien, Produktwerbung, Beweissammlung und medizinische Dokumentation müssen ästhetische Bearbeitungen von beweiskräftigen Bildern unterscheiden. Versteckte Wasserzeichen reichen nicht aus.

Apple muss mit regulatorischem und politischem Druck in Bezug auf Transparenz rechnen. Die EU äußert Bedenken hinsichtlich der Authentizität generativer Medien. FTC prüft KI-generierte Inhalte in der Werbung. Nachrichtenorganisationen benötigen Transparenz über die KI-Bearbeitung. Apples aktueller Ansatz – verstecktes Wasserzeichen, keine sichtbare Generationskarte – wird wahrscheinlich keinen Interessenvertreter zufriedenstellen.

Praktischer ausgedrückt stellt der Mangel an sichtbarer Transparenz ein Vertrauensrisiko für Apple selbst dar. Benutzer müssen verstehen, welche Teile eines Fotos von der Kamera und welche von der Synthese stammen. Ohne Klarheit wird Spatial Reframing zu einem Werkzeug für zufällige Täuschung. Apple wird zur Plattform, die dies ermöglicht hat.

Die Regulierungsbehörden werden fragen: Können Benutzer sehen, was generiert wurde? Können Benutzer eine Generationskarte einsehen? Können Benutzer generative Funktionen deaktivieren? Können Benutzer generierte Änderungen löschen? Apple hat diese Fragen nicht öffentlich beantwortet.

Der Monetarisierungspfad

Die meisten Apple Intelligence-Funktionen werden ohne zusätzliche Kosten geliefert. Für einige serverabhängige Bildgenerierungsfunktionen gelten tägliche Nutzungsbeschränkungen. Höherstufige iCloud+-Abonnements bieten erweiterten Zugriff. Apple hat nicht angegeben, ob Spatial Reframing Einschränkungen unterliegt oder ob die Nutzung mit der Abonnementstufe steigt.

Wenn Spatial Reframing stark nachgefragt wird, hat Apple einen klaren Weg zur Monetarisierung: Verknüpfen Sie die verstärkte Nutzung mit iCloud+-Plänen. Benutzer zahlen für Cloud-Speicher. Höherstufige Pläne schalten eine erhöhte KI-generierte Bearbeitungskapazität frei. Apple bleibt bei der Auffassung, dass „KI mit Ihrem Gerät geliefert wird“, und führt gleichzeitig eine Umsatzstufe für stille Dienste ein.

Abonnementstufen für kreative Funktionen funktionieren am besten, wenn sie sich natürlich anfühlen. Cloud-Speichergrenzen fühlen sich natürlich an. KI-Nutzungsbeschränkungen wirken künstlich, sofern sie nicht klar erklärt werden. Apple muss sich entscheiden: versteckte Grenzen, die Benutzer durch Erfahrung entdecken, oder transparente Stufenstrukturen, die den Kompromiss deutlich machen.

Was kommt als nächstes?

Spatial Reframing signalisiert, dass Apple mehr Funktionen übernehmen wird, die bisher in eigenständigen Anwendungen vorhanden waren. Weiterentwicklung der Hintergrundentfernung. Einfügen von Objekten. Stilübertragung. Kompositionshilfe. Jedes verringert die Gründe für Benutzer, separate Kreativtools zu öffnen.

Die Auswirkungen auf den Wettbewerb sind für Adobe klar. Apple versucht nicht, professionelle Arbeitsabläufe zu ersetzen. Apple fügt der standardmäßigen kreativen Benutzeroberfläche ausreichend leistungsstarke Funktionen hinzu – die Fotos-App, die jeder iPhone-Benutzer täglich öffnet. Der Vertriebsvorteil ist schwer zu überwinden.

Die politischen Implikationen sind ebenso klar. Generative Bearbeitung, die die Szenengeometrie verändert, birgt Authentizitätsrisiken, die Apple nicht clear angesprochen hat. Benutzer können visuell nicht unterscheiden, was erfasst und synthetisiert wurde. Die Regulierungsbehörden werden Apple auffordern, diese Lücke zu schließen – durch sichtbare Metadaten, Vorher-Nachher-Überlagerungen oder Workflow-Instruments, die die Authentizität dokumentieren.

Apple hat ein enges Zeitfenster, um Transparenzstandards festzulegen, bevor die Regulierungsbehörden sie durchsetzen. Sichtbare Generationskarten würden helfen. Deutliche Vorher-Nachher-Overlays wären hilfreich. Eine klare Richtliniendokumentation darüber, was generiert wurde, wäre hilfreich. Versteckte SynthID-Wasserzeichen reichen nicht aus.

Die Leistungsfähigkeit ist beeindruckend. Die politische Grundlage ist unvollständig.

Xbox hat initiiert Eine breite Einführung seiner Funktion für das Cross-System Play Historical past, mit dem die Benutzererfahrung über mehrere Plattformen hinweg vereint wird. Das Replace stellt sicher, dass eine konsistente „kürzlich gespielte“ Spieleliste unabhängig vom verwendeten Gerät, sei es eine Xbox -Konsole, einen PC oder ein Handheld -Gaming -Gerät wie der ROG -Verbündete. Diese Synchronisation ermöglicht es den Spielern, ihre Spielsitzungen nahtlos auf verschiedene Geräte aufzunehmen.

Das Cross-System Play-Historical past-Characteristic, das im Vormonat ursprünglich mit Xbox-Insidern getestet wurde, enthält jetzt Cloud-spielbare Spiele in der Liste „Kürzlich gespielt“. Laut einem offiziellen Xbox-Weblog-Beitrag erstreckt sich diese Integration auf „Jeder Cloud-fähige Titel, von Unique-Xbox-Klassikern bis zur Xbox-Serie X | S Exclusives“, wodurch alle zugänglichen Spiele zu einem einzigen Ort konsolidiert werden, unabhängig von der Besitz- oder Zugriffsmethode über den Xbox-Spielpass.

Die Spieler können je nach Gerät über verschiedene Schnittstellen auf ihre kürzlich gespielten Spiele zugreifen. Auf Xbox -Konsolen zeigt die Kachel „Play Historical past“ auf der Startseite die Liste der kürzlich aufgerufenen Spiele an. In ähnlicher Weise befinden sich in der Xbox PC -App die kürzlich gespielten Titel auf der Registerkarte „Spielverlauf“, die im Abschnitt „Letzter“ und auch in der Spielbibliothek des Benutzers zu finden ist.

---

Ausgewähltes Bildnachweis

Spotify hat eine neue Funktion eingeführt, mit der Benutzer sehen können, wie oft eine Podcast -Episode angehört oder angesehen wurde, was es den Erstellern erleichtert, die Beliebtheit ihres Inhalts zu messen und Benutzer neue Podcasts zu entdecken.

Die neue Metrik namens „Performs“ ist jetzt neben den Podcast -Episoden in der Spotify -App, einschließlich der Homepage, der Episodenseite und der Present -Seite sowie auf Spotify für Schöpfer und Megaphon sichtbar.

Durch Anzeigen der Anzahl der Spiele, Spotify Ziel ist es, Benutzer zu ermutigen, unbekannte Podcasts zu erkunden, die von anderen Zuhörern sehr bevorzugt werden, und gleichzeitig die Schöpfer wertvolle Erkenntnisse in die am stärksten mit ihrem Publikum intensiven.

Diese Informationen ermöglichen es den Erstellern auch, ihre Leistung gegen Wettbewerber zu bewerten und ihnen ein besseres Verständnis für ihr Ansehen im Podcasting -Bereich zu verleihen.

Die Einführung dieses Merkmals erfolgt, nachdem Spotify im ersten Quartal einen signifikanten Gewinn von 5 Millionen Prämien-Abonnenten erzielt hat, was die Gesamtzahl von 268 Millionen, die zweithöchste Gesamtzahl aller Zeiten und den größten Anstieg des ersten Quartals seit 2020 erhöhte.

---

Ausgewähltes Bildnachweis

https://www.youtube.com/watch?v=bwnlxmt_gj0

In diesem Leitfaden werde ich Sie durch die Analyse von Marktdaten für cell Apps führen, um worthwhile Entwicklungsstrategien zu empfehlen. Dieses geführte Projekt, Worthwhile App -Profile für den App Retailer und Google Play MarketsSie helfen Ihnen dabei, praktische Fähigkeiten in Python, Datenreinigung und explorative Analyse zu entwickeln.

Wir werden die Rolle eines Datenanalysts übernehmen, der für ein App -Entwicklungsunternehmen arbeitet. Unser Ziel ist es, die lukrativsten App -Kategorien zu identifizieren. Durch die Analyse mobiler App -Marktdaten sowohl aus dem Google Play Retailer als auch im Apple App Retailer bestimmen wir, welche Arten von Apps eher Benutzer anziehen und Einnahmen generieren.

Was Sie lernen:

• So reinigen und vorprofessionen Sie Rohdatensätze
• So analysieren Sie Tendencies der App -Kategorie und Benutzerpräferenzen
• So verwenden Sie Frequenztabellen, um Datenerkenntnisse aufzudecken
• So organisieren und teilen Sie Ihre Arbeit über GitHub

Stellen Sie vor dem Eintauchen in dieses Projekt sicher, dass Sie mit Python -Funktionen, bedingten Logik-, Schleifen- und Jupyter -Pocket book -Grundlagen vertraut sind. Wenn Sie neu in Python sind, werden diese grundlegenden Fähigkeiten in DataQuests behandelt Python -Grundlagen für die Datenanalysekurs.

Beginnen wir jetzt mit dem Einrichten Ihres Arbeitsbereichs!

Schritt 1: Einrichten der Umgebung

Wenn Sie in der DataQuest -Plattform an diesem Projekt arbeiten, können Sie diesen Schritt überspringen, da für Sie bereits alles eingerichtet ist. Wenn Sie jedoch vor Ort arbeiten möchten, stellen Sie sicher, dass Sie Folgendes einrichten:

Schritt 2: Öffnen und Erforschen der Daten

Wir werden zunächst die Datensätze laden und untersuchen, die Informationen zu Apps aus dem App Retailer und Google Play Retailer enthalten. Wir verwenden diesen Ansatz anstelle von Pandas, um sicherzustellen, dass Anfänger und diejenigen, die mit Pandas nicht vertraut sind, immer noch Datenanalyse effektiv durchführen können. Der Tutor betonte, wie wichtig es ist, zu verstehen, was jede Datensatzspalte darstellt, bevor sie Transformationen oder Berechnungen durchführen.

from csv import reader

# Load the Google Play Retailer knowledge
opened_file = open('googleplaystore.csv')
read_file = reader(opened_file)
android = listing(read_file)
android_header = android(0)
android = android(1:)

# Load the App Retailer knowledge
opened_file = open('AppleStore.csv')
read_file = reader(opened_file)
ios = listing(read_file)
ios_header = ios(0)
ios = ios(1:)

Um die Daten zu erleichtern, definieren wir eine Funktion, die eine bestimmte Anzahl von Zeilen aus einem Datensatz anzeigt und die Dimensionen des Datensatzes anzeigt.

def explore_data(dataset, begin, finish, rows_and_columns=False):
    dataset_slice = dataset(begin:finish)
    for row in dataset_slice:
        print(row)
        print('n')  # Provides a brand new line between rows

    if rows_and_columns:
        print('Variety of rows:', len(dataset))
        print('Variety of columns:', len(dataset(0)))

# Discover the primary few rows of the Android dataset
print(android_header)
explore_data(android, 0, 3, True)

# Discover the primary few rows of the iOS dataset
print(ios_header)
explore_data(ios, 0, 3, True)

Schritt 3: Datenreinigung

Die Datenreinigung ist ein kritischer Schritt, um die Genauigkeit unserer Analyse sicherzustellen. Während die Reinigung von wesentlicher Bedeutung ist, kann das Entfernen zu viel Daten zu einem Verlust wertvoller Erkenntnisse führen. Zu den wichtigsten Überlegungen gehören:

• Entfernen falscher Daten: Identifizieren und entfernen Sie Zeilen mit Fehlern oder fehlenden Informationen.

del android(10472)  # Eradicating incorrect row with lacking knowledge

• Duplikate entfernen: Einige Apps werden im Datensatz mehrfach angezeigt. Für die doppelten Fälle behalten wir die Einträge nur mit der höchsten Anzahl von Bewertungen. Zuerst suchen wir nach doppelten App -Namen und erstellen eine Liste eindeutiger Apps und doppelter Apps. Mithilfe eines Wörterbuchs werden wir dann überprüfen, ob wir für jede doppelte App die höchste Bewertungszahl haben (da eine höhere Bewertungszahl am höchsten dem neuesten Datenpunkt für diese App entspricht). Schließlich erstellt dieser Deduplizierungsprozess eine neue saubere Liste mit dem Namen android_clean.

duplicate_apps = ()
unique_apps = ()

for app in android:
    title = app(0)
    if title in unique_apps:
        duplicate_apps.append(title)
    else:
        unique_apps.append(title)

reviews_max = {}

for app in android:
    title = app(0)
    n_reviews = float(app(3))

    if title in reviews_max and reviews_max(title) < n_reviews:
        reviews_max(title) = n_reviews

    elif title not in reviews_max:
        reviews_max(title) = n_reviews

android_clean = ()
already_added = ()

for app in android:
    title = app(0)
    n_reviews = float(app(3))

    if (reviews_max(title) == n_reviews) and (title not in already_added):
        android_clean.append(app)
        already_added.append(title)

• Entfernen von nicht englischen Apps: Um einen relevanten Datensatz zu verwalten, filtern wir Apps mit Namen mit nicht englischen Zeichen heraus. Dies geschieht durch die Untersuchung jedes Zeichens im App -Namen und der Überprüfung des entsprechenden ASCII -Werts. Das englische Alphabet und gemeinsame Symbole fallen in den Normal-ASCII-Bereich (0-127). Um Emojis oder gelegentliche nicht englische Charaktere (z. B. Akzentschreiben) zu berücksichtigen, erlauben wir bis zu 3 nicht englische Charaktere, bevor wir eine App herausfiltern.

# Perform to examine if a string comprises solely English characters
def is_english(string):
    non_ascii = 0
    for character in string:
        if ord(character) > 127:
            non_ascii += 1
    if non_ascii > 3:
        return False
    else:
        return True

android_english = ()
ios_english = ()

for app in android_clean:
    title = app(0)
    if is_english(title):
        android_english.append(app)

for app in ios:
    title = app(1)
    if is_english(title):
        ios_english.append(app

Schritt 4: kostenlose Apps isolieren

Da unser Unternehmen kostenlose Apps entwickelt, werden wir unsere Analyse auf kostenlose Anwendungen konzentrieren.

# Filter out paid apps from each datasets
android_final = ()
ios_final = ()

for app in android_english:
    value = app(7)
    if value == '0':
        android_final.append(app)

for app in ios_english:
    value = app(4)
    if value == '0.0':
        ios_final.append(app)

Schritt 5: Analyse der App -Kategorien

Das Verständnis, welche Genres am häufigsten und beliebt sind, kann unsere App -Entwicklungsstrategie beeinflussen. Wir werden die Häufigkeit jedes Genres berechnen und die Metriken für die Benutzerbindung von Benutzern untersuchen.

# Perform to generate frequency tables
def freq_table(dataset, index):
    desk = {}
    complete = 0
    for row in dataset:
        complete += 1
        worth = row(index)
        if worth in desk:
            desk(worth) += 1
        else:
            desk(worth) = 1
    table_percentages = {}
    for key in desk:
        share = (desk(key) / complete) * 100
        table_percentages(key) = share
    return table_percentages

def display_table(dataset, index):
    desk = freq_table(dataset, index)
    table_display = ()
    for key in desk:
        key_val_as_tuple = (desk(key), key)
        table_display.append(key_val_as_tuple)

    table_sorted = sorted(table_display, reverse = True)
    for entry in table_sorted:
        print(entry(1), ':', entry(0))

# Show the frequency desk for the prime_genre column within the iOS dataset
display_table(ios_final, -5)

Schritt 6: Ermittlung der beliebtesten Apps nach Style

Um festzustellen, welche Genres die meisten Benutzer anziehen, werden wir die durchschnittliche Anzahl von Benutzerbewertungen für jedes Style im App Retailer -Datensatz berechnen.

genres_ios = freq_table(ios_final, -5)

# Calculate the typical variety of consumer scores per style
for style in ios_genres:
    complete = 0
    len_genre = 0
    for app in ios_free:
        if app(-5) == style:
            n_ratings = float(app(5))
            complete += n_ratings
            len_genre += 1
    avg_n_ratings = complete / len_genre
    print(style, ':', avg_n_ratings)

In ähnlicher Weise analysieren wir den Google Play Retailer -Datensatz, indem wir die Anzahl der Installationen für jede App -Kategorie untersuchen.

# Calculate the typical variety of installs per class

categories_android = freq_table(android_final, 1)

for class in categories_android:
    complete = 0
    len_category = 0
    for app in android_final:
        category_app = app(1)
        if category_app == class:            
            n_installs = app(5)
            n_installs = n_installs.change(',', '')
            n_installs = n_installs.change('+', '')
            complete += float(n_installs)
            len_category += 1
    avg_n_installs = complete / len_category
    print(class, ':', avg_n_installs)

Schritt 7: Hochladen Ihres Projekts auf GitHub

Nach Abschluss Ihrer Analyse ist es wichtig, Ihre Arbeit zu teilen und zu speichern. GitHub ist eine weit verbreitete Plattform für die Versionskontrolle und die Projektzusammenarbeit. Wenn Sie neu in GitHub sind, können Sie mit beginnen Github GistDies ist eine großartige Möglichkeit, Ihre Arbeit zu teilen, ohne in komplexe Versionskontrollbefehle zu tauchen.

1. Gehen zu Github Gist.
2. Melden Sie sich in Ihrem Github -Konto an (oder erstellen Sie einen, wenn Sie keine haben).
3. Klicken Sie auf „Neues Gist“.
4. Kopieren Sie und fügen Sie Ihren Jupyter -Pocket book -Code in das Textfeld ein und fügen Sie Ihre CODE, um Ihre hochzuladen .ipynb Datei.
5. Fügen Sie eine Beschreibung hinzu und wählen Sie „Erstellen Sie geheime Kern“ (privat) oder „Öffentliche Kern schaffen“ (sichtbar für alle).
6. Nach dem Hochladen generiert Github Gist einen gemeinsam genutzbaren Hyperlink, mit dem Sie Ihr Projekt präsentieren können.

Ein detaillierteres Tutorial zum Teilen Ihres Projekts mit Github GISTs finden Sie unter Dieser Leitfaden.

Nächste Schritte

Nachdem Sie den vollständigen Workflow gesehen haben, probieren Sie dieses Projekt selbst aus. Arbeiten Sie an der Arbeit an der Worthwhile App -Profilprojekte Jetzt und setzen Sie Ihre Fähigkeiten auf die Prüfung. Sobald Sie Ihre Analyse abgeschlossen haben, teilen Sie Ihre Ergebnisse und Erkenntnisse in unserer Dataquest -Neighborhood Suggestions zu bekommen und sich mit anderen Lernenden zu beschäftigen.

Wenn Sie neu in Python sind oder eine Auffrischung benötigen, lesen Sie unsere Python -Grundlagen für die Datenanalysekurs Aufbau der grundlegenden Fähigkeiten, die für dieses Projekt erforderlich sind.