作者 | 阿廣

責編 | 屠敏

前言   

絕地求生在國內火的一塌糊塗的時候，一款名叫 Fortnite 的遊戲在國外颳起了堡壘旋風，這款同樣為大逃殺玩法的沙盒類遊戲，在絕地求生逐漸走低的形勢下，堡壘之夜卻奪得多項提名，眾多明星主播轉戰堡壘！

上天入地，蓋樓修路，鋪陷阱設彈床；想和太陽肩並肩，一發火箭就上天。

鑑於“二百斤靈魂”小胖舍友經常痴迷於吃雞類遊戲，為了幫助他提高遊戲勝率，我爬取並分析了 1w 餘場吃雞資料。下面讓我們來看一下能吃雞得強相關條件是什麼？

獲取資料

首先，我們需要載入 Python 庫：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

然後載入Fortnite資料，檢查資料的質量和整潔度，然後整理和清理資料集，以便進行後續的清理工作。

#錄入Fornite的CSV資料
Fortnite_data = pd.read_csv('aguang.csv')

為了對資料集有一個大致的瞭解，不妨先輸出資料的前幾行。

Fortnite_data.head()

結果為：

serial_number  knockout_number  assist-number  save_number  precision  hit_the_target  exact_strike  marching_course  material collection  material-using  afford damage  cause_damage  building-damage  grade  Total-score  Total-experience  teams number  match-time  competitor-name
0
 
  1  4  1  0  0.33  69  19  4000  1325  670  554  815  3709  3  448.0  762.0  1  2018/5/14 11:37  Alvin
1  2  2  1  0  0.31  28  0  2000  733  110  292  268  7733  9  282.0  536.0  2  2018/5/17 17:48  Alvin
2  3  3  0  1  0.21  33  12  3000  1806  350  245  543  7727  8  291.0  597.0  4  2018/5/18 18:05  Alvin
3  4  2  0  3  0.05  6  0  3000  700  420  746  163  19008  3  NaN  NaN  4  2018/5/18 18:26  Alvin
4  5  1  4  1  0.12  32  7  3000  668  370  212  432  13108  4  358.0  734.0  4  2018/5/18 18:53  Alvin

觀察資料

本資料集包含了1w餘把遊戲資料，其中可能有“二百斤”的小胖網癮記錄（慘不忍睹:joy:）。該資料集中的缺失值被標記為NaN。資料列名的含義如下：

serial_number：         遊戲場次編號  
knockout_number：  本場淘汰人數  
assist_number：        助攻數  
save_number：          救起隊友人數  
precision：                 射擊精度  
hit_the_target：         命中  
exact_strike：             精準打擊  
marching_course：     行進歷程（m）
material_collection：  材料已收集  
material-using：         使用材料  
afford_damage：        承受傷害  
cause_damage：         玩家傷害  
building-damage：     建築傷害  
total_score：               總分
total_experience：      總經驗
teams_number：        參賽情況（1人為Solo，兩人為Double，4人為team，3人蔘賽自動填充為4人）
match_time：             遊戲時間
competitor_name：   該條記錄的所有人

資料處理

檢視資料型別和資料有無缺失值：

#檢視資料型別和資料有無缺失
Fortnite_data.info()

檢視一下有無重複資料：

#檢視一下有無重複資料
Fortnite_data[Fortnite_data.duplicated()]

結果為：

serial_number  knockout_number  assist-number  save_number  precision  hit_the_target  exact_strike  marching_course  material collection  material-using  afford damage  cause_damage  building-damage  grade  Total-score  Total-experience  teams number  match-time  competitor-name

檢視資料的描述統計：

#檢視資料的描述統計
Fortnite_data.describe()

結果為：

serial_number  knockout_number  assist-number  save_number  precision  hit_the_target  exact_strike  marching_course  material collection  material-using  afford damage  cause_damage  building-damage  grade  Total-score  Total-experience  teams number
coun 42.000000  42.000000  42.000000  42.000000  42.000000  42.000000  42.000000  42.000000  42.000000  42.000000  42.000000  42.000000  42.000000  42.000000  20.000000  20.000000  42.000000
mean 21.500000  2.642857  1.261905  0.380952  0.246429  38.452381  6.976190  2576.142857  1092.785714  312.619048  350.047619  567.309524  9336.119048  6.000000  362.700000  676.350000  3.238095
std  12.267844  2.818246  1.415240  0.660834  0.168520  32.539809  8.529684  781.055339  617.643932  213.781967  160.616336  434.419966  6366.174673  4.928761  151.638802  274.785519  1.122052
min  1.000000  0.000000  0.000000  0.000000  0.000000  0.000000  0.000000  481.000000  200.000000  0.000000  52.000000  0.000000  1755.000000  1.000000  84.000000  168.000000  1.000000
25%  11.250000  1.000000  0.000000  0.000000  0.172500  10.250000  2.000000  2000.000000  694.750000  162.500000  273.000000  262.750000  5780.000000  3.000000  277.750000  507.750000  2.000000
50%  21.500000  2.000000  1.000000  0.000000  0.240000  32.500000  3.500000  3000.000000  905.500000  260.000000  326.000000  513.000000  7819.000000  4.000000  328.500000  602.500000  4.000000
75%  31.750000  3.000000  2.000000  1.000000  0.305000  56.000000  10.250000  3000.000000  1453.750000  367.500000  403.000000  692.500000  10799.500000  7.750000  403.000000  775.250000  4.000000
max  42.000000  15.000000  5.000000  3.000000  1.000000  126.000000  39.000000  4000.000000  2728.000000  1060.000000  877.000000  1970.000000  32963.000000  18.000000  728.000000  1238.000000  4.000000

經過分析資料，發現一場淘汰13人的資料，可能存在誤差，單獨輸出看一下：

Fortnite_data[Fortnite_data['knockout_number']==13]

結果為：

serial_number  knockout_number  assist-number  save_number  precision  hit_the_target  exact_strike  marching_course  material collection  material-using  afford damage  cause_damage  building-damage  grade  Total-score  Total-experience  teams number  match-time  competitor-name
12  13  15  1  0  0.24  103  18  3000  1488  660  52  1970  8612  1  728.0  1238.0  1  2018/5/19 21:47  Wal-Mart

經過分析，這條屬於正常資料，可能是“有趣的靈魂”小胖同學這場異常生猛，一人殺了13個，一路高歌在吃雞的道路上，且只有3000m的行進舉例說明基本上沒有跑毒的困擾，可以說天時地利了！

為了提高清潔度，將match-time列拆分成年月日列和小時列，下面是資料清理：

#複製一個備用df
Fortnite_clean = Fortnite_data.copy()

吃雞到底和哪個資料相關性最強？

相關推薦