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
英雄的获胜率高并不代表这个英雄是对新手友好的，这类英雄可能对玩家的游戏技巧和熟练度有很高的要求，因此转向英雄出场率的分析，看看在对局中玩家最常使用的是哪些英雄。
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)
可以很明显地看出盲僧的虽然非常热门但是获胜率并不高，翠神则相反地获胜率最高但并不是热门英雄。
新手玩家可以选择获胜率优秀的热门英雄进行练手，比如阿狸、迦娜、亚索等，这类英雄比较好上手，能够提升新手玩家的体验感。
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')
可以看到，推塔数和推水晶数是制胜关键因素，毕竟这款游戏是以摧毁对方水晶枢纽为目标的推塔游戏；助攻数和击杀数也极大关系着对局的输赢；另外花费金币总数也是重要指标，经济越好，团队的战斗力就会更高，在对剧中更具优势。
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
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/697336/
转载文章受原作者版权保护。转载请注明原作者出处！