用Python分析了1w場吃雞資料，原來吃雞要這麼玩！

摘要： 概述 前言 獲取資料 觀察資料 資料處理 吃雞到底和哪個資料相關性最強? 分析熱度圖 期望研究的問題 結論 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...

概述

• 前言
• 獲取資料
• 觀察資料
• 資料處理
• 吃雞到底和哪個資料相關性最強?
• 分析熱度圖
• 期望研究的問題
• 結論

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() 

問題：獲得第一名(吃雞)到底跟那個資料相關性最高?

在完成資料整理和清理之後，我接下來進行探索性資料分析。首先確定研究問題，然後可以輸出描述性統計值，檢視有沒有值得研究的點(途中可以因為了解到更好的點而調整問題方向)，建立視覺化圖表，解決你在前面提出的研究問題。

探究問題：獲得第一名(吃雞)到底跟那個資料相關性最高?

Fortnite_clean.head() 
#對整理好的資料輸出描述性統計 
Fortnite_clean.describe() 
#選出獲得第一名的資料 
Fortnite_clean[Fortnite_clean['grade']==1] 

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  data_sources  match_day  match_hour 
12  0013  15  1  0  0.24  103  18  3000  1488  660  52  1970  8612  1  728  1238  Solo  Wal-Mart  2018-05-19  21:47:00 
18  0019  1  1  1  0.02  5  2  4000  1351  250  225  214  8096  1  608  1156  Team  Alvin  2018-05-22  21:24:00 
25  0026  5  3  1  0.26  62  2  4000  2728  330  83  1040  7096  1  0  0  Team  Wal-Mart  2018-05-28  21:58:00 
26  0027  2  3  0  0.18  6  0  2000  1955  100  451  541  23633  1  594  1188  Team  Alvin  2018-05-28  21:58:00 
27  0028  2  4  0  0.19  48  3  3000  1755  590  283  605  20733  1  0  0  Team  Kaka  2018-05-28  21:58:00 

奇怪的是，在吃雞的資料中，Wal-Mart的資料明顯偏優良，Alivn和Kaka的資料看起來似乎並不怎麼樣，在knockout_number，precision和`cause_damage這幾個我們慣常看的吃雞指標中顯示非常不突出，甚至還不如很多排名比較靠後的資料。之後篩選出傷害高於606的資料

#篩選出造成傷害高於606的資料 
Fortnite_clean[Fortnite_clean['cause_damage']>=606] 

我們可以看到高於吃雞的Alvin和Kaka記錄的那次只造成541和605傷害的資料多如牛毛，但是成績貌似並不怎麼樣，成績才在第六名徘徊!那是什麼原因造成Alvin和Kaka吃雞的呢，難道只是搭上了“二百斤”小胖沃爾瑪的快船，兩位都是划水之輩麼!

並不是這樣的，我們的眼光落在了afford_damage和building_damage上，兩位都有很高的承受傷害和建築傷害，(堡壘之夜是可以自己搭建築作為掩體的)那他們是不是去幫主火力手沃爾瑪去吸引火力和打掉地方簡直給沃爾瑪輸出空間的呢，讓我們繼續研究。

那麼，引來了一個分支問題：圍繞主輸出手，一個有著afford_damage和building_damage的隊友對吃雞有功效嗎?

解決程式碼如下：

Fortnite_clean[Fortnite_clean['afford_damage']>=451].grade.mean() 
output:3.125 
 
Fortnite_clean[Fortnite_clean['building_damage']>=20000].grade.mean() 
output:1.75 

可推斷，knockout_number，precision和cause_damage這幾個資料對於吃雞固然重要，但是要是在4人小組中，圍繞1到2個輸出位，配置1到2為抗住傷害的肉盾和負責拆板子的機槍手，對吃雞是大有益處的。

dfData = Fortnite_one.corr() 
plt.subplots(figsize=(8, 8)) # 設定畫面大小 
sns.heatmap(dfData, annot=True, vmax=1, square=True, cmap="Blues") 
plt.show() 

經過資料的視覺化，熱度圖如下：

分析熱度圖

在熱力圖中，與吃雞(grade)相關性比較高的前三項是：材料收集、淘汰人數和造成傷害

之前比較看好的命中和精準打擊相關性不太高，難道良好的FPS手感在堡壘之夜中已經不太重要了麼，這就還需要更多的資料來研究。

期望研究的問題

• 是否天命圈與能否吃雞是不是有相關性?(marching_course<2000)
• 比賽中使用更多的板子與能否吃雞是不是有相關性?(material_using)

注：由於資料量太小，以後能收集到更多的資料，是希望可以對上面以及更多的方向進行研究。

結論

根據上面的熱力圖可以得出如下結果：

• 與吃雞相關性比較高的前三項是：材料收集、淘汰人數和造成傷害，基本複合預期;
• 材料使用的相關性高是因為被淘汰的玩家爆出的裝備和材料被撿起也視作材料收集;
• 組隊如果想要取得好成績，圍繞1到2個輸出位，配置1到2為抗住傷害的肉盾和負責拆板子的機槍手，才是正道;
• 正如前面所說，這個分析出來的結果更偏向於單人吃雞，組隊吃雞，隊員之間的工作分配也是非常重要的。

原始碼已上傳Github，可以在下面的地址下載

https://github.com/zandaoguang/eattingchicken