Python | 英雄联盟游戏数据分析

一、项目背景

EDG夺得2021英雄联盟全球总决赛冠军，这场比赛让所有观赛者热血沸腾，也唤起了我这个沉睡多年老玩家对MOBA游戏的兴趣，兴冲冲地下载了英雄联盟，却发现这并不是一个可以轻松上手的游戏。
对于时下最流行的MOBA类游戏——英雄联盟，作为一个新手可以从哪些方面切入，通过数据分析了解游戏机制并快速上手，降低新人过渡期的难度，是该项目的中心主题。

二、数据预处理

1.数据来源

数据源：League of Legends Ranked Matches

2.理解数据

数据集包含英雄联盟的18万场对局数据，数据表包括：
champs.csv ：包含英雄名称和英雄id
matches.csv : 包含比赛信息
participants ： 每场比赛的玩家信息
stats1.csv & stats2.csv ： 对战数据
teambans : 队伍ban选数据
teamstats ： 队伍总数据

3.数据清洗

1.导入数据
导入所有数据表

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

champs=pd.read_csv("champs.csv")
matches=pd.read_csv("matches.csv")
participants=pd.read_csv("participants.csv")
stats1=pd.read_csv("stats1.csv")
stats2=pd.read_csv("stats2.csv")
teambans=pd.read_csv("teambans.csv")
teamstats=pd.read_csv("teamstats.csv")

展示champs表：

champs.head()

展示matches表：

matches.head()

展示participants表：

participants.head()

展示stats1& stats2表，由于列数过多，仅能展示部分：

stats1_shape = stats1.shape
print(stats1_shape)

展示teambans表：

teambans.head()

展示teamstats表：

teamstats.head()

2.查找缺失值
计算各表缺失值总和，若缺失值过多再逐列处理

champs_null = sum(champs.isnull().sum())
print(champs_null)

各表缺失值均为0，说明数据集完整

3.合并数据表

stats = stats1.append(stats2)
df = pd.merge(participants, stats, how= 'left', on= ['id'])
df = pd.merge(df, champs, how= 'left', left_on= 'championid', right_on= 'id')
df = pd.merge(df, matches, how= 'left', left_on= 'matchid', right_on= 'id')
df.columns

4.添加必要字段

df['teamid']= df['player'].apply(lambda x: '1' if x<5 else '2')

def final_position(row):
    if row['role'] in ('DUO_SUPPORT','DUO_CARRY'):
        return row['role']
    else:
        return row['position']
df['adjposition']= df.apply(final_position, axis= 1)

df['team_role']= df['teamid']+ '-'+ df['adjposition']

三、探索性分析

1.英雄获胜率、KDA
英雄联盟中的英雄众多，新手往往会不知道该怎么选择英雄练手，因此分析哪些英雄更容易取胜，能得到更高得KDA（（K击杀数+A助攻数）/ D死亡数），为新手选择英雄提供参考。

champs_stats= df.groupby('name').agg({'win':'sum', 'name':'count', 'kills':'mean', 'deaths':'mean', 'assists':'mean'})
champs_stats.columns= ['win', 'total matches', 'K', 'D', 'A']
champs_stats['win rate(%)']= champs_stats['win'] / champs_stats['total matches'] * 100
champs_stats['win rate-50%']= champs_stats['win rate(%)'] - 50
champs_stats['KDA']= (champs_stats['K'] + champs_stats['A']) / champs_stats['D']
champs_stats['KDA-mean']= champs_stats['KDA'] - champs_stats.KDA.mean()
champs_stats= champs_stats.round(2)
champs_stats.reset_index(inplace=True)
champs_stats= champs_stats.sort_values('win rate(%)',ascending= False)

champs_stats.head(10).style.set_precision(2)

获胜率排名前10的英雄：

获胜率倒数的10名英雄：

最高获胜率为55.87%，最低获胜率为39.65%，差值并不算大，为了突出英雄之间获胜率的差异，以50%为基准值，观察所有英雄的获胜率情况：

f,ax= plt.subplots(figsize=(10,25))
sns.barplot(x='win rate-50%',y='name',data= champs_stats.sort_values(by='win rate(%)',ascending=False))
plt.title('Win Rate Based on 50%')
plt.show()

以KDA平均值为基准值，观察所有英雄的KDA情况：

f,ax= plt.subplots(figsize=(10,25))
sns.barplot(x='KDA-mean',y='name',data= champs_stats.sort_values(by='KDA',ascending=False))
plt.title('KDA Based on mean')
plt.show()

可以看到获胜率在50%以上和50%以下的英雄数量分布相对平衡。获胜率排名前10的英雄里超过一半是法师角色。
KDA最高值是3.81，最低值1.68。KDA排名前10的英雄里以战士/坦克、法师为主，而法师排在头部，考虑到法师在队伍中通常担任辅助角色，能拿到更多助攻；战士/坦克的生存能力、输出能力一般情况下都更强，击杀或助攻数值会比较高。
翠神这个英雄的获胜率和KDA都是所有英雄里最高的，该英雄的官方定位是打野、辅助。

2.英雄出场率
英雄胜率高并不意味着英雄对新手友好，这类英雄可能对玩家的游戏技能和熟练程度有很高的要求，所以就转向英雄出现率的分析，看看哪些英雄是玩家在游戏中最常使用的。

f,ax= plt.subplots(figsize=(18,11))
pick_rate= df['name'].value_counts().sort_values(ascending= False)
ax= pd.concat((pick_rate.head(10),pick_rate.tail(10))).plot(kind= 'bar')
total_records= len(matches)
for x in ax.patches:
    height= x.get_height()
    ax.text(x.get_x() + x.get_width()/2.,
           height,
           '{:.2f}%'.format(height/total_records*100),
           ha= 'center')

plt.xticks(rotation= 45)
plt.yticks([1500,5000,10000,20000,30000,40000,50000,60000])
plt.title('Top 10 and Last 10 Pick Rate')
plt.show()

可以看到最热门的英雄分别是盲僧、皮城女警、圣枪游侠、魂锁典狱长、九尾妖狐、暗夜猎手、疾风剑豪、发条魔灵、逆羽、探险家，其中只有九尾妖狐在获胜率TOP10里。
出场率最低的10名英雄中，水晶先锋斯卡纳位列获胜率TOP10，可以看出斯卡纳不是绝大多数玩家的选择，但如果能驾驭好这个英雄，可以给团队带来巨大优势。

3.英雄出场次数与获胜率
基于英雄的出场次数和获胜率制作散点图。

def lable_point(x, y, val, ax):
    a= pd.concat({'x':x, 'y':y, 'val':val}, axis= 1)
    for i, point in a.iterrows():
        ax.text(point['x'],point['y'],str(point['val']))

champs_stats['color']= champs_stats['win rate(%)'].apply(lambda x: 'red' if x>50 else 'green')

ax= champs_stats.plot(kind= 'scatter', x= 'total matches', y= 'win rate(%)',
                      color= champs_stats['color'].tolist(),
                     figsize= (18,11),
                     title='Win Rate vs Pick')

lable_point(champs_stats['total matches'], champs_stats['win rate(%)'], champs_stats['name'], ax)

显然，盲僧虽然人气很高，但中签率并不高。相反，崔深胜率最高，但不是当红英雄。

新手玩家可以选择阿里、嘎纳、亚索等胜率极高的当红英雄进行练习。这类英雄更容易使用，可以增强新手玩家的体验感。

4.取胜相关因素分析
分析获胜与击杀数（kills）、死亡数（deaths）、助攻数（assists）、推塔数（turretkills）、总治疗数（totheal）、补刀数（totminionskilled）、花费金币总数（goldspent）、总承伤（totdmgtaken）、推水晶数（inhibkills）、插眼数（wardsplaced）、游戏时长（duration）等因素间存在怎样的相关性。

df= df[['id', 'matchid', 'player', 'name', 'adjposition', 'team_role',
         'win', 'kills', 'deaths', 'assists', 'turretkills','totdmgtochamp',
         'totheal', 'totminionskilled', 'goldspent', 'totdmgtaken', 'inhibkills',
         'pinksbought', 'wardsplaced', 'duration', 'platformid',
         'seasonid']]

df_fac= df._get_numeric_data()
df_fac= df_fac.drop(['id','matchid','player','seasonid'],axis= 1)

mask= np.zeros_like(df_fac.corr(), dtype= np.bool)
mask[np.triu_indices_from(mask)]= True

plt.figure(figsize=(18,11))
sns.heatmap(df_fac.corr(), cmap= 'coolwarm', annot= True, fmt= '.2f', linewidths= .5, mask= mask)

plt.title('Win Factors')

如你所见，塔楼和水晶的数量是获胜的关键因素。毕竟，这场比赛是一场旨在摧毁对方水晶中枢的塔式推送游戏；助攻和安打的多少也与比赛的输赢息息相关；此外，金币消费总量也是一项重要指标，经济越好，球队的战斗力越高，在打法上就越有优势。

四、分析总结

未完待续......

Original: https://blog.csdn.net/PbPbbb/article/details/121310947
Author: PbPbbb
Title: Python | 英雄联盟游戏数据分析

相关阅读

Title: ImportError: cannot import name LayerNormalization from tensorflow.python.keras.layers.normalization

问题：

导入库时出现错误：ImportError: cannot import name 'LayerNormalization' from 'tensorflow.python.keras.layers.normalization'

在自己笔记本上的深度学习环境中运行CycleGAN网络没有错误，但是显存不够，环境：

Python3.8

Tensorflow2.6.0

keras2.6.0

转到工作站运行，工作站当时下载了深度学习环境是：

Python3.8

Tensorflow2.3.0

keras2.4.3

问题描述：

在keras第一次导入时出现错误

Using TensorFlow backend.

2021-05-15 20:43:16.281415: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library cudart64_110.dll
Traceback (most recent call last):
  File "E:/FACULTATE ANUL 3 SEMESTRUL 2/Procesarea Imaginilor/proiect/main.py", line 8, in <module>
    from keras.layers import Conv2D,Dropout, Flatten, Dense,MaxPooling2D, MaxPool2D
  File "C:\Users\My-Pc\AppData\Local\Programs\Python\Python38\lib\site-packages\keras\__init__.py", line 3, in <module>
    from . import utils
  File "C:\Users\My-Pc\AppData\Local\Programs\Python\Python38\lib\site-packages\keras\utils\__init__.py", line 6, in <module>
    from . import conv_utils
  File "C:\Users\My-Pc\AppData\Local\Programs\Python\Python38\lib\site-packages\keras\utils\conv_utils.py", line 9, in <module>
    from .. import backend as K
  File "C:\Users\My-Pc\AppData\Local\Programs\Python\Python38\lib\site-packages\keras\backend\__init__.py", line 1, in <module>
    from .load_backend import epsilon
  File "C:\Users\My-Pc\AppData\Local\Programs\Python\Python38\lib\site-packages\keras\backend\load_backend.py", line 90, in <module>
    from .tensorflow_backend import *
  File "C:\Users\My-Pc\AppData\Local\Programs\Python\Python38\lib\site-packages\keras\backend\tensorflow_backend.py", line 5, in <module>
    import tensorflow as tf
  File "C:\Users\My-Pc\AppData\Local\Programs\Python\Python38\lib\site-packages\tensorflow\__init__.py", line 41, in <module>
    from tensorflow.python.tools import module_util as _module_util
  File "C:\Users\My-Pc\AppData\Local\Programs\Python\Python38\lib\site-packages\tensorflow\python\__init__.py", line 48, in <module>
    from tensorflow.python import keras
  File "C:\Users\My-Pc\AppData\Local\Programs\Python\Python38\lib\site-packages\tensorflow\python\keras\__init__.py", line 25, in <module>
    from tensorflow.python.keras import models
  File "C:\Users\My-Pc\AppData\Local\Programs\Python\Python38\lib\site-packages\tensorflow\python\keras\models.py", line 20, in <module>
    from tensorflow.python.keras import metrics as metrics_module
  File "C:\Users\My-Pc\AppData\Local\Programs\Python\Python38\lib\site-packages\tensorflow\python\keras\metrics.py", line 37, in <module>
    from tensorflow.python.keras import activations
  File "C:\Users\My-Pc\AppData\Local\Programs\Python\Python38\lib\site-packages\tensorflow\python\keras\activations.py", line 18, in <module>
    from tensorflow.python.keras.layers import advanced_activations
  File "C:\Users\My-Pc\AppData\Local\Programs\Python\Python38\lib\site-packages\tensorflow\python\keras\layers\__init__.py", line 146, in <module>
    from tensorflow.python.keras.layers.normalization import LayerNormalization
ImportError: cannot import name 'LayerNormalization' from 'tensorflow.python.keras.layers.normalization' (C:\Users\My-Pc\AppData\Local\Programs\Python\Python38\lib\site-packages\tensorflow\python\keras\layers\normalization\__init__.py)</module></module></module></module></module></module></module></module></module></module></module></module></module></module>

解决办法：参考以下网站：https://stackoverflow.com/questions/67549661/importerror-cannot-import-name-layernormalization-from-tensorflow-python-ker/67667525

错误原因：

以上链接中表明可能是Python/Tensorflow/keras的版本不匹配导致的

解决：

将工作站的三者的版本改为自己电脑的版本就可以了。

所以最后工作站的环境配成了：

CUDA11.2

cuDNN8.2.0

Tensorflow2.6.0 Tensorflow-gpu2.6.0

python3.8.0

keras2.6.0

部分Python/Tensorflow/Keras的版本对应关系

但是更新一点的Tensorflow和keras的对应关系还没有找到。

Original: https://blog.csdn.net/qq_43608192/article/details/122252588
Author: 张小懒君
Title: ImportError: cannot import name LayerNormalization from tensorflow.python.keras.layers.normalization