编辑 | pk哥

来源 | DataGo数据狗

作者 | 胡萝卜酱

   阅读文本大概需要 6.66 分钟。

大吉大利 今晚吃鸡~ 周末跟朋友玩了几把吃鸡 经历了各种死法 还被嘲笑说论吃鸡的 100 种死法 比如被拳头抡死、跳伞落到房顶边缘摔死 、把吃鸡玩成飞车被车技秀死、被队友用燃烧瓶烧死的。这种游戏对我来说就是一个让我明白原来还有这种死法的游戏。但是玩归玩 还是得假装一下我沉迷学习 所以今天就用吃鸡比赛的真实数据来看看如何提高你吃鸡的概率。

那么我们就用 Python 和 R 做数据分析来回答以下的灵魂发问

首先来看下数据

1、跳哪儿危险

对于我这样一直喜欢苟着的良心玩家 在经历了无数次落地成河的惨痛经历后 我是坚决不会选择跳  P 城这样楼房密集的城市 穷归穷但保命要紧。所以我们决定统计一下到底哪些地方更容易落地成盒 我们筛选出在前 100 秒死亡的玩家地点进行可视化分析。激情沙漠地图的电站、皮卡多、别墅区、依波城最为危险 火车站、火电厂相对安全。绝地海岛中P城、军事基地、学校、医院、核电站、防空洞都是绝对的危险地带。物质丰富的 G 港居然相对安全。

 1import numpy as np 2import matplotlib.pyplot as plt 3import pandas as pd 4import seaborn as sns 5from scipy.misc.pilutil import imread 6import matplotlib.cm as cm 7 8#导入部分数据 9deaths1   pd.read_csv( deaths/kill_match_stats_final_0.csv )10deaths2   pd.read_csv( deaths/kill_match_stats_final_1.csv )1112deaths   pd.concat([deaths1, deaths2])1314#打印前5列 理解变量15print (deaths.head(), \\n ,len(deaths))1617#两种地图18miramar   deaths[deaths[ map ]    MIRAMAR ]19erangel   deaths[deaths[ map ]    ERANGEL ]2021#开局前100秒死亡热力图22position_data   [ killer_position_x , killer_position_y , victim_position_x , victim_position_y ]23for position in position_data:24    miramar[position]   miramar[position].apply(lambda x: x*1000/800000)25    miramar   miramar[miramar[position] !  0]2627    erangel[position]   erangel[position].apply(lambda x: x*4096/800000)28    erangel   erangel[erangel[position] !  0]2930n   5000031mira_sample   miramar[miramar[ time ]   100].sample(n)32eran_sample   erangel[erangel[ time ]   100].sample(n)3334# miramar热力图35bg   imread( miramar.jpg )36fig, ax   plt.subplots(1,1,figsize (15,15))37ax.imshow(bg)38sns.kdeplot(mira_sample[ victim_position_x ], mira_sample[ victim_position_y ],n_levels 100, cmap cm.Reds, alpha 0.9)3940# erangel热力图41bg   imread( erangel.jpg )42fig, ax   plt.subplots(1,1,figsize (15,15))43ax.imshow(bg)44sns.kdeplot(eran_sample[ victim_position_x ], eran_sample[ victim_position_y ], n_levels 100,cmap cm.Reds, alpha 0.9)

2、苟着还是出去干

我到底是苟在房间里面还是出去和敌人硬拼 这里因为比赛的规模不一样 这里选取参赛人数大于90的比赛数据 然后筛选出团队team_placement即最后成功吃鸡的团队数据 1、先计算了吃鸡团队平均击杀敌人的数量 这里剔除了四人模式的比赛数据 因为人数太多的团队会因为数量悬殊平均而变得没意义 2、所以我们考虑通过分组统计每一组吃鸡中存活到最后的成员击杀敌人的数量 但是这里发现数据统计存活时间变量是按照团队最终存活时间记录的 所以该想法失败 3、最后统计每个吃鸡团队中击杀人数最多的数量统计 这里剔除了单人模式的数据 因为单人模式的数量就是每组击杀最多的数量。最后居然发现还有击杀数量达到60的 怀疑是否有开挂。想要吃鸡还是得出去练枪法 光是苟着是不行的。

 1library(dplyr) 2library(tidyverse) 3library(data.table) 4library(ggplot2) 5pubg_full  - fread( ../agg_match_stats.csv ) 6# 吃鸡团队平均击杀敌人的数量 7attach(pubg_full) 8pubg_winner  - pubg_full % % filter(team_placement 1 party_size 4 game_size 90)  9detach(pubg_full)10team_killed  - aggregate(pubg_winner$player_kills, by list(pubg_winner$match_id,pubg_winner$team_id), FUN mean )11team_killed$death_num  - ceiling(team_killed$x)12ggplot(data   team_killed)   geom_bar(mapping   aes(x   death_num, y   ..count..), color steelblue )  13  xlim(0,70)   labs(title    Number of Death that PUBG Winner team Killed , x Number of death )1415# 吃鸡团队最后存活的玩家击杀数量16pubg_winner  - pubg_full % % filter(pubg_full$team_placement 1) % % group_by(match_id,team_id)17attach(pubg_winner)18team_leader  - aggregate(player_survive_time~player_kills, data   pubg_winner, FUN max )19detach(pubg_winner)2021# 吃鸡团队中击杀敌人最多的数量22pubg_winner  - pubg_full % % filter(pubg_full$team_placement 1 pubg_full$party_size 1)23attach(pubg_winner)24team_leader  - aggregate(player_kills, by list(match_id,team_id), FUN max )25detach(pubg_winner)26ggplot(data   team_leader)   geom_bar(mapping   aes(x   x, y   ..count..), color steelblue )  27  xlim(0,70)   labs(title    Number of Death that PUBG Winner Killed , x Number of death )

3、哪一种武器干掉的玩家多

运气好挑到好武器的时候 你是否犹豫选择哪一件 从图上来看 M416 和 SCAR 是不错的武器 也是相对容易能捡到的武器 大家公认 Kar98k 是能一枪毙命的好枪 它排名比较靠后的原因也是因为这把枪在比赛比较难得 而且一下击中敌人也是需要实力的 像我这种捡到 98k 还装上 8 倍镜但没捂热乎 1 分钟的玩家是不配得到它的。 捂脸

 1#杀人武器排名 2death_causes   deaths[ killed_by ].value_counts() 3 4sns.set_context( talk ) 5fig   plt.figure(figsize (30, 10)) 6ax   sns.barplot(x death_causes.index, y [v / sum(death_causes) for v in death_causes.values]) 7ax.set_title( Rate of Death Causes ) 8ax.set_xticklabels(death_causes.index, rotation 90) 910#排名前20的武器11rank   2012fig   plt.figure(figsize (20, 10))13ax   sns.barplot(x death_causes[:rank].index, y [v / sum(death_causes) for v in death_causes[:rank].values])14ax.set_title( Rate of Death Causes )15ax.set_xticklabels(death_causes.index, rotation 90)1617#两个地图分开取18f, axes   plt.subplots(1, 2, figsize (30, 10))19axes[0].set_title( Death Causes Rate: Erangel (Top {}) .format(rank))20axes[1].set_title( Death Causes Rate: Miramar (Top {}) .format(rank))2122counts_er   erangel[ killed_by ].value_counts()23counts_mr   miramar[ killed_by ].value_counts()2425sns.barplot(x counts_er[:rank].index, y [v / sum(counts_er) for v in counts_er.values][:rank], ax axes[0] )26sns.barplot(x counts_mr[:rank].index, y [v / sum(counts_mr) for v in counts_mr.values][:rank], ax axes[1] )27axes[0].set_ylim((0, 0.20))28axes[0].set_xticklabels(counts_er.index, rotation 90)29axes[1].set_ylim((0, 0.20))30axes[1].set_xticklabels(counts_mr.index, rotation 90)3132#吃鸡和武器的关系33win   deaths[deaths[ killer_placement ]   1.0]34win_causes   win[ killed_by ].value_counts()3536sns.set_context( talk )37fig   plt.figure(figsize (20, 10))38ax   sns.barplot(x win_causes[:20].index, y [v / sum(win_causes) for v in win_causes[:20].values])39ax.set_title( Rate of Death Causes of Win )40ax.set_xticklabels(win_causes.index, rotation 90)

4、队友的助攻是否助我吃鸡

有时候一不留神就被击倒了 还好我爬得快让队友救我。这里选择成功吃鸡的队伍 最终接受 1 次帮助的成员所在的团队吃鸡的概率为 29% 所以说队友助攻还是很重要的 再不要骂我猪队友了 我也可以选择不救你。 竟然还有让队友救 9次的 你也是个人才。 手动滑稽)

 1library(dplyr) 2library(tidyverse) 3library(data.table) 4library(ggplot2) 5pubg_full  - fread( E:/aggregate/agg_match_stats_0.csv ) 6attach(pubg_full) 7pubg_winner  - pubg_full % % filter(team_placement 1)  8detach(pubg_full) 9ggplot(data   pubg_winner)   geom_bar(mapping   aes(x   player_assists, y   ..count..), fill #E69F00 )  10  xlim(0,10)   labs(title    Number of Player assisted , x Number of death )11ggplot(data   pubg_winner)   geom_bar(mapping   aes(x   player_assists, y   ..prop..), fill #56B4E9 )  12  xlim(0,10)   labs(title    Number of Player assisted , x Number of death )

5、敌人离我越近越危险

对数据中的 killer_position 和 victim_position 变量进行欧式距离计算 查看两者的直线距离跟被击倒的分布情况 呈现一个明显的右偏分布 看来还是需要随时观察到附近的敌情 以免到淘汰都不知道敌人在哪儿。

 1# python代码 杀人和距离的关系 2import math 3def get_dist(df): #距离函数 4    dist   [] 5    for row in df.itertuples(): 6        subset   (row.killer_position_x - row.victim_position_x)**2   (row.killer_position_y - row.victim_position_y)**2 7        if subset   0: 8            dist.append(math.sqrt(subset) / 100) 9        else:10            dist.append(0)11    return dist1213df_dist   pd.DataFrame.from_dict({ dist(m) : get_dist(erangel)})14df_dist.index   erangel.index1516erangel_dist   pd.concat([erangel,df_dist], axis 1)1718df_dist   pd.DataFrame.from_dict({ dist(m) : get_dist(miramar)})19df_dist.index   miramar.index2021miramar_dist   pd.concat([miramar,df_dist], axis 1)2223f, axes   plt.subplots(1, 2, figsize (30, 10))24plot_dist   1502526axes[0].set_title( Engagement Dist. : Erangel )27axes[1].set_title( Engagement Dist.: Miramar )2829plot_dist_er   erangel_dist[erangel_dist[ dist(m) ]   plot_dist]30plot_dist_mr   miramar_dist[miramar_dist[ dist(m) ]   plot_dist]3132sns.distplot(plot_dist_er[ dist(m) ], ax axes[0])33sns.distplot(plot_dist_mr[ dist(m) ], ax axes[1])

6、团队人越多我活得越久

对数据中的 party_size 变量进行生存分析 可以看到在同一生存率下 四人团队的生存时间高于两人团队 再是单人模式 所以人多力量大这句话不是没有道理的。

7、乘车是否活得更久

对死因分析中发现 也有不少玩家死于 Bluezone 大家天真的以为捡绷带就能跑毒。对数据中的 player_dist_ride 变量进行生存分析 可以看到在同一生存率下 有开车经历的玩家生存时间高于只走路的玩家 光靠腿你是跑不过毒的。

8、小岛上人越多我活得更久

对 game_size 变量进行生存分析发现还是小规模的比赛比较容易存活。

 1# R语言代码如下 2library(magrittr) 3library(dplyr) 4library(survival) 5library(tidyverse) 6library(data.table) 7library(ggplot2) 8library(survminer) 9pubg_full  - fread( ../agg_match_stats.csv )10# 数据预处理 将连续变量划为分类变量11pubg_sub  - pubg_full % %12  filter(player_survive_time 2100) % %13  mutate(drive   ifelse(player_dist_ride 0, 1, 0)) % %14  mutate(size   ifelse(game_size 33, 1,ifelse(game_size 33  game_size 66,2,3)))15# 创建生存对象16surv_object  - Surv(time   pubg_sub$player_survive_time)17fit1  - survfit(surv_object~party_size,data   pubg_sub)18# 可视化生存率19ggsurvplot(fit1, data   pubg_sub, pval   TRUE, xlab Playing time [s] , surv.median.line hv ,20           legend.labs c( SOLO , DUO , SQUAD ), ggtheme   theme_light(),risk.table percentage )21fit2  - survfit(surv_object~drive,data pubg_sub)22ggsurvplot(fit2, data   pubg_sub, pval   TRUE, xlab Playing time [s] , surv.median.line hv ,23           legend.labs c( walk , walk drive ), ggtheme   theme_light(),risk.table percentage )24fit3  - survfit(surv_object~size,data pubg_sub)25ggsurvplot(fit3, data   pubg_sub, pval   TRUE, xlab Playing time [s] , surv.median.line hv ,26           legend.labs c( small , medium , big ), ggtheme   theme_light(),risk.table percentage )

9、最后毒圈有可能出现的地点

面对有本事能苟到最后的我 怎么样预测最后的毒圈出现在什么位置。从表agg_match_stats 数据找出排名第一的队伍 然后按照 match_id 分组 找出分组数据里面 player_survive_time 最大的值 然后据此匹配表格 kill_match_stats_final 里面的数据 这些数据里面取第二名死亡的位置 作图发现激情沙漠的毒圈明显更集中一些 大概率出现在皮卡多、圣马丁和别墅区。绝地海岛的就比较随机了 但是还是能看出军事基地和山脉的地方更有可能是最后的毒圈。

 1#最后毒圈位置 2import matplotlib.pyplot as plt 3import pandas as pd 4import seaborn as sns 5from scipy.misc.pilutil import imread 6import matplotlib.cm as cm 7 8#导入部分数据 9deaths   pd.read_csv( deaths/kill_match_stats_final_0.csv )10#导入aggregate数据11aggregate   pd.read_csv( aggregate/agg_match_stats_0.csv )12print(aggregate.head())13#找出最后三人死亡的位置1415team_win   aggregate[aggregate[ team_placement ] 1] #排名第一的队伍16#找出每次比赛第一名队伍活的最久的那个player17grouped   team_win.groupby( match_id ).apply(lambda t: t[t.player_survive_time t.player_survive_time.max()])1819deaths_solo   deaths[deaths[ match_id ].isin(grouped[ match_id ].values)]20deaths_solo_er   deaths_solo[deaths_solo[ map ]    ERANGEL ]21deaths_solo_mr   deaths_solo[deaths_solo[ map ]    MIRAMAR ]2223df_second_er   deaths_solo_er[(deaths_solo_er[ victim_placement ]   2)].dropna()24df_second_mr   deaths_solo_mr[(deaths_solo_mr[ victim_placement ]   2)].dropna()25print (df_second_er)2627position_data   [ killer_position_x , killer_position_y , victim_position_x , victim_position_y ]28for position in position_data:29    df_second_mr[position]   df_second_mr[position].apply(lambda x: x*1000/800000)30    df_second_mr   df_second_mr[df_second_mr[position] !  0]3132    df_second_er[position]   df_second_er[position].apply(lambda x: x*4096/800000)33    df_second_er   df_second_er[df_second_er[position] !  0]3435df_second_er df_second_er36# erangel热力图37sns.set_context( talk )38bg   imread( erangel.jpg )39fig, ax   plt.subplots(1,1,figsize (15,15))40ax.imshow(bg)41sns.kdeplot(df_second_er[ victim_position_x ], df_second_er[ victim_position_y ], cmap cm.Blues, alpha 0.7,shade True)4243# miramar热力图44bg   imread( miramar.jpg )45fig, ax   plt.subplots(1,1,figsize (15,15))46ax.imshow(bg)47sns.kdeplot(df_second_mr[ victim_position_x ], df_second_mr[ victim_position_y ], cmap cm.Blues,alpha 0.8,shade True)

后台回复  吃鸡  即可获取相关数据。

最后祝大家

 精彩推荐 

2018年Python知识圈原创文章合集

当爸妈吐槽你的微信头像 你该如何反击

Python自动化之数据驱动 让你的脚本简洁10倍

爬一爬那些年你硬盘存过的老师

以梦为马 不负韶华