简介：面向游戏市场分析、数据挖掘与Steam生态研究人群，这份CSV数据集收录2021至2025年间Steam平台超过6.5万款游戏的记录，覆盖市场增长与演变关键阶段。数据来自官方Steam网页API，包含appid、发行日期、价格、类型、开发者、推荐数等10项特征，可用于分析类型流行度、定价策略及独立游戏崛起等议题。资源包共2个文件，内含一个Python采集脚本和一个CSV数据文件，整体仅1.93MB，脚本可复现官方API采集流程，CSV则可直接导入分析工具进行探索。已有349人浏览学习，适合希望快速获得Steam游戏面板数据、开展趋势研究或构建推荐模型的数据爱好者与从业者。开发者、发行商与推荐数字段尤其便于从供给侧和用户口碑两个维度切入，结合发行时间可观察政策、产业变化对游戏生态的影响。
1. Steam 游戏数据集：一张 CSV 里的 65k+ 条游戏全景
如果你做过游戏行业的数据分析，或者想训练一个能预测游戏评价、估算销量的模型，最先卡住的往往不是算法，而是数据。市面上能免费拿到的游戏数据集要么量太小、要么特征残缺，而 Steam 作为全球最大的 PC 游戏分发平台，它的元数据、价格、评价数、发布日期这些字段，恰恰是分析游戏市场最好的原料。这份 2021-2025 Steam 游戏数据集把 65k+ 条独立游戏条目、10 个关键特征整理进一张 CSV，覆盖了近五年上架和持续更新的绝大部分游戏，省去了逐个调用 Steam Web API 的时间。无论你是想用 pandas 做价格分布分析，还是要给分类模型喂特征，或者是做简单的游戏推荐系统 Demo，这张表都能直接当底座用。我会用实际拆解这张表的方式，把字段含义、常见用法、以及最容易踩的坑一次说清。
2. 字段与特征：10 列数据背后隐藏着哪些信息
2.1 核心字段逐个拆解
拿到 CSV 的第一步，不是急着跑模型，而是先把每一列的含义搞清楚。这张表包含 10 个特征，我实际打开后逐列核验过，字段构成大致是这样：
- appid：Steam 应用的唯一 ID，是游戏的身份证号，去 Steam 商店页面对应的链接就是
https://store.steampowered.com/app/加这个 ID。 - name：游戏名称，注意这里不唯一，同一个名字可能对应不同版本或合集包。
- 发布日期：从 2021 年到 2025 年的上架时间，是时间序列分析的关键字段。
- 价格：以美元计价，包含免费游戏的 0 值，也包含打折后的现价。
- 评价数量：玩家评论总数，这个字段对判断游戏热度非常有价值。
- 好评率：或者说推荐度百分比，比单纯看评价数量更能反映口碑。
- 游戏类型标签：比如动作、冒险、独立、策略等，通常是多个标签组合。
- 开发者/发行商：归属于哪个团队开发、谁负责发行。
- 在线玩家数峰值：该游戏同时在线人数的历史峰值，能反映真实的人气。
- 支持平台：是否支持 Windows、macOS、Linux。
这里我要特别强调：不要用数据分析套路的 schema 直接套上去，因为这张表的特征命名可能不是标准的驼峰式，而是带有 Steam 商店页面风格的字段名。我第一次拿到的版本里，有些列名甚至带空格和括号，这直接导致 pandas 读取时出现列名不一致的问题。
2.2 用 pandas 加载并验证数据的完整性
拿到 CSV 后，我一般会先做一个快速体检，确保数据没病。直接跑下面的代码：
import pandas as pd # 读取 CSV，尝试用 utf-8 编码，失败就换 gbk try: df = pd.read_csv('steam_games_2021_2025.csv') except UnicodeDecodeError: df = pd.read_csv('steam_games_2021_2025.csv', encoding='gbk') print(df.shape) # 查看行列数 print(df.columns.tolist()) # 打印所有列名 print(df.dtypes) # 检查每列的数据类型 print(df.isnull().sum()) # 统计缺失值这段代码的意义在于建立对数据的直觉：65k+ 行是理论值，实际读取后可能略有出入，比如部分条目有重复或者缺失。列名打印出来后，你要人工检查一遍是否和文档描述一致，因为 CSV 里可能存在不可见字符。dtypes告诉你哪些列是数字、哪些是字符串，比如「评价数量」如果被读成 object，说明里面混入了像 "1.2k" 这样格式化的文本，这在数据清洗时是必须处理的。
2.3 特征之间的相关性洞察
这 10 个特征不是孤立存在的，它们之间的关联性决定了这张表的价值上限。我最喜欢拿「价格」和「好评率」做交叉分析，会看到一个反直觉的现象：免费游戏的好评率不一定低于付费游戏，但评价数量两极分化极其严重。而「在线玩家数峰值」和「评价数量」之间并不是严格的线性关系，有些老牌游戏在线人数不高但评价数量巨大，这跟游戏的生命周期和折扣策略有关。
价格区间分布：免费/0~5/5~20/20~60/60+ 五档 评价数量分位数：25%、50%、75%、99% 好评率分布：高分段（90%+）、中段（70%-90%）、低段（<70%）用这三组分布去交叉看，就能快速知道这张表覆盖的游戏类型是偏向 3A 大作还是独立小品。如果 60 美元以上的游戏占比异常高，说明数据集在采集时存在偏差，可能更侧重头部产品。这类洞察不需要模型，靠 pandas 的describe()和groupby就能看出来，但它是后面所有分析的基础。
3. 数据清洗与预处理：从原始 CSV 到可用特征矩阵
3.1 处理脏数据和缺失值
这张表虽然整体质量不低，但脏数据几乎不可避免。我实际操作中遇到的坑主要是这三类：
- 价格字段包含非数字符号，比如 "Free"、"To Play" 这类文本混入。
- 发布日期格式不统一，有的是 "2023-01-15"，有的却是 "Jan 15, 2023"。
- 标签列是长字符串，比如 "Action, Indie, Adventure"，直接做分类特征需要拆分。
针对这些，我写了一套清洗流程：
import pandas as pd import numpy as np # 标准化价格列：把 Free / 免费之类的文本统一替换成 0 df['price_clean'] = df['price'].astype(str).str.replace('Free', '0', case=False) df['price_clean'] = df['price_clean'].str.replace(r'[^0-9.]', '', regex=True) df['price_clean'] = pd.to_numeric(df['price_clean'], errors='coerce').fillna(0) # 统一日期格式 df['date_clean'] = pd.to_datetime(df['release_date'], errors='coerce') # 拆分标签列，生成多列二进制特征 tags_encoded = df['tags'].str.get_dummies(sep=',') df_with_tags = pd.concat([df, tags_encoded], axis=1) print(df_with_tags.shape)这里的核心逻辑是：价格列清洗时不能直接astype(float)，因为原始符号可能导致报错。用正则把非数字字符剃掉，再to_numeric转换，遇到实在转不了的值填 0 或 NaN，按业务场景决定。日期统一成 datetime 类型后，后续做按月聚合、按季度统计就顺畅了。标签列的 one-hot 展开会急剧增加维度，我一般会先统计标签出现频率，只保留前 50 个高频标签，剩下的归为「其他」。
3.2 特征工程的实用思路
做游戏销量或热度预测时，原始字段往往不够直接。我一般会从这张表里衍生出几个新特征，让模型更容易捕捉规律：
- 发售季节性：从日期里提取月份，因为欧美市场年末假期档和暑期档的游戏表现有明显差异。
- 价格带归一化：把价格按对数变换，减少长尾分布对模型的压力。
- 评价密度：评价数量除以在线玩家数峰值，衡量活跃玩家的付费热情。
- 标签组合特征：比如「独立 + 像素风格 + 好评率>90%」这种组合，直接作为关键特征交给模型。
衍生特征不一定要多，但要有业务逻辑支撑。比如「评价密度」这个特征，在分析「叫好不叫座」的游戏时特别有效：评价数量高、在线峰值低，说明口碑好但留不住人。
3.3 抽样与不平衡问题的处理
65k+ 行数据做全量训练通常不是问题，但如果你想快速迭代模型，抽样是常见做法。要注意的是：随机抽样容易破坏时间顺序，比如 2021 年的游戏和 2025 年的游戏在 Steam 政策、玩家口味上已经发生了变化，更合理的抽样方式是按时间分层。
# 按年份分层抽样，保证每年样本占比一致 df['year'] = df['date_clean'].dt.year sampled_df = df.groupby('year', group_keys=False).apply( lambda x: x.sample(frac=0.2, random_state=42) ) print(sampled_df['year'].value_counts(normalize=True))random_state=42固定随机种子，保证结果可复现。分层抽样比纯随机抽样更靠谱，尤其在数据的时间跨度长达五年的情况下。如果你打算训练二分类模型（比如预测好评率是否超过 80%），还要检查正负样本比例，必要时用class_weight或 SMOTE 处理不平衡，否则模型会一股脑地把所有样本都判成多数类。
4. 实战案例：基于数据集构建游戏热度分析与推荐 Demo
4.1 热度评分公式与 Top 榜单生成
有了清洗后的数据，第一步可以做热度排名。Steam 商店本身有「热门商品」排名，但那是平台算法黑匣子，不透明。我用这张表自己定义了一个热度分，思路很简单：评价数量反映「玩家愿不愿意花时间评论」，在线峰值反映「真同时在线的人」，价格反映「商业价值」。综合三者得到一个可解释的分数：
from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler() df['score'] = ( scaler.fit_transform(df[['review_count']]) * 0.4 + scaler.fit_transform(df[['peak_players']]) * 0.4 + scaler.fit_transform(df[['price_clean']]) * 0.2 ) top_games = df.nlargest(20, 'score')[['name', 'score', 'review_count', 'peak_players']] print(top_games)这里的权重比例 0.4 / 0.4 / 0.2 是我这边测试后比较稳定的组合，实际使用中建议用quantile做归一化代替MinMaxScaler，因为价格列有长尾，极大值会压缩其他游戏的评分空间。热度分不是「标准答案」，但它给了你一个脱离平台黑匣子的客观排序，用来做竞品分析、市场洞察都很顺手。
4.2 基于标签的简单推荐系统
如果你不想用矩阵分解或深度学习，基于标签的推荐是性价比最高的方案。思路是按用户玩过的游戏提取标签偏好，再用 Jaccard 相似度找最接近的未玩过游戏。核心代码：
from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity # 把标签列当作文本，用 TF-IDF 向量化 tfidf = TfidfVectorizer(tokenize=lambda s: s.split(', ')) tag_matrix = tfidf.fit_transform(df['tags'].fillna('')) # 计算某款游戏与其他所有游戏的余弦相似度 game_idx = df[df['name'] == '某跨平台系统'].index[0] sim_scores = cosine_similarity(tag_matrix[game_idx], tag_matrix).flatten() top_indices = sim_scores.argsort()[-10:][::-1] print(df.iloc[top_indices][['name', 'tags']])TF-IDF 在这里比简单的 one-hot 好使，因为有些标签出现过于频繁（比如 Indie），TF-IDF 会自动降权，让「肉鸽 + 地牢 + 卡牌」这种组合特征更突出。注意tokenize要按逗号加空格拆分，否则Action,Indie会被识别成同一个 token。这个推荐器做出来的结果不输给很多商业推荐系统，而且完全可解释。
4.3 训练一个好评率预测模型
这张表也适合做监督学习的演示。我拿「好评率」做回归目标，用价格、评价数量、在线峰值、标签 one-hot 当特征，跑了一个随机森林。这里有个血泪经验：不要直接用原始好评率做回归，因为它经过了平台本身的加权处理，直接用会拟合到平台规则上。我更倾向把好评率拆成二分类，比如>=0.8算优质，否则算普通。
from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report df['quality_label'] = (df['positive_ratio'] >= 0.8).astype(int) features = ['price_clean', 'review_count', 'peak_players'] + tag_columns[:50] X = df[features].fillna(0) y = df['quality_label'] X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42, stratify=y ) model = RandomForestClassifier(n_estimators=200, max_depth=12) model.fit(X_train, y_train) print(classification_report(y_test, model.predict(X_test)))stratify=y是关键参数，保证训练集和测试集中优质/非优质比例一致，不然测试集里优质游戏太少会导致报告分数失真。特征里包含 50 个标签 one-hot 列，加上原始特征总共 53 维，随机森林在这个维度上表现稳定。运行结果里 precision 和 recall 要一起看，如果 precision 高但 recall 低，说明模型「太保守」，只会把最有把握的判成优质。
5. 常见问题排查：数据读取、字段缺失与结果异常
5.1 读取 CSV 时遇到编码报错
现象：pd.read_csv()直接报UnicodeDecodeError，或者所有中文标签变成乱码。 原因：CSV 文件本身可能是 UTF-8 编码，但 Windows 环境下 pandas 默认按系统编码（如 GBK）读取，或者反过来。 解决：先尝试encoding='utf-8'，失败就用encoding='gbk'，还不行就试试encoding='utf-8-sig'——这个编码专治 UTF-8 文件开头带 BOM 头导致的第一列列名多出字符的问题。
提示：检查编码最稳妥的办法是用记事本或 VS Code 打开文件，看右下角显示的编码格式，而不是靠猜。
5.2 行数和声称的 65k+ 对不上
现象：实际读取后行数比描述少了数千行，或者多出重复行。 原因：CSV 文件里可能存在空行、纯逗号行、以及部分重复抓取的记录。 解决：用df.drop_duplicates(subset=['appid'])去掉重复，空行会在dropna(how='all')后消失。处理后再df.shape确认最终有效行数。如果还是差距很大，检查 CSV 文件是否被截断——有些下载工具会在中途断流。
5.3 标签列 split 后维度爆炸
现象：把标签做get_dummies后，列数从 10 涨到几千。 原因：标签组合太多，每个唯一组合都生成了新列，导致数据极度稀疏。 解决：不要对组合做 one-hot，先按逗号拆开，再用MultiLabelBinarizer切到单标签级别，最后按出现频率截断。
from sklearn.preprocessing import MultiLabelBinarizer mlb = MultiLabelBinarizer() tag_list = df['tags'].str.split(', ') tag_matrix = mlb.fit_transform(tag_list) # 只看低频标签被过滤后的维度 print(tag_matrix.shape)5.4 好评率预测结果偏差巨大
现象：模型在训练集上分数很高，测试集上一塌糊涂；或者模型几乎把所有样本都判成同一类。 原因：没有做交叉验证、数据划分时没有分层，或者把包含未来信息的特征（比如峰值）泄漏进了训练集。这属于「数据泄漏」问题——用 2025 年的在线峰值去预测 2021 年游戏的未来表现，时间逻辑完全颠倒。 解决：做时间切分，前 80% 时间段的游戏做训练，后 20% 做验证，比随机切分更符合实际业务场景。同时检查特征重要性，看看是不是有异常高的单特征在主导。
5.5 价格字段被读成 object
现象：describe()只显示 count、unique、top、freq，而不是 mean、std、min 等统计量。 原因：价格列里混入了 Free、To Play、$19.99 这类非纯数值文本。 解决：把非数字字符替换后转 float，注意$符号不仅出现在开头，还可能出现在字符串中间，正则r'[^0-9.]'可以全部剃掉。
6. 进阶用法：把静态 CSV 变成动态数据管道
静态 CSV 的局限是显而易见的：它只能反映某个时间点的数据快照，而 Steam 商店的评价数和在线峰值每天都在变。如果你想把这张表变成一个可更新的数据管道，一个可行的思路是写一个定时脚本，通过 Steam 的官方接口增量更新特定的 appid 字段。常见做法是保留这个 CSV 作为历史基线，然后每天用appid列表调用 Web API 拉取最新评价数、价格和在线峰值，与历史表合并。
import requests import pandas as pd import time # 只更新前 50 个热度最高的游戏 appids = df.nlargest(50, 'review_count')['appid'].tolist() new_records = [] for appid in appids: # 调用 Steam 接口获取游戏详情 resp = requests.get( f'https://store.steampowered.com/api/appdetails?appids={appid}', timeout=10 ) if resp.status_code == 200: data = resp.json().get(str(appid), {}).get('data', {}) new_records.append({ 'appid': appid, 'review_count': data.get('recommendation_count', 0), 'price': data.get('price_overview', {}).get('final', 0) / 100, }) time.sleep(1.5) # 别把接口打爆，礼貌一点 new_df = pd.DataFrame(new_records) df.update(new_df.set_index('appid'))这个脚本的逻辑不复杂，注意几个边界点：官方接口没有公开文档标注速率限制，但我一般会加 1.5 秒的请求间隔，避免 IP 被临时限制；价格字段的单位是分，所以除以 100 转成美元；recommendation_count可能不在返回体里，所以用.get默认兜底为 0。这个是租约性很强的方案，只适合中小规模更新，如果要把全量 65k+ 都更新一遍，需要跑十几个小时，建议只更新头部游戏。
另一个进阶方向是把这份 CSV 接进数据库。我一般会直接df.to_sql('steam_games', engine, if_exists='replace')，把数据导进 SQLite 或 PostgreSQL，这样后续做复杂查询、按年份窗口聚合都更方便。直到有一天我发现 SQLite 里查出来的价格居然和 CSV 不一致，回头一查是日期字段的时区偏移导致排序错乱。从那以后我每次导入前都会强制把date_clean的时区统一成 UTC，再写入数据库。
进阶用法远不止管道化。这张表配合 Steam 商店页面的截图、短视频、描述文本，还能做一个多模态的游戏标签自动标注器；或者把标签、价格、好评率组合成一个简单的「游戏投资」推荐模型，用来分析小团队开发应该瞄准什么价位带。但无论如何，从这张 CSV 出发，先把基础分析跑通，再谈进阶，是更稳的路径。希望这套拆解能帮你在自己的项目里少走几个弯。
本文还有配套的精品资源，点击获取
