Kaggle项目之PUBG Finish Placement Prediction（一）——探索性分析

数据来自Kaggle，也可以在这里取，提取码wymx。比赛在一个月前结束，这里拿来练练手~
附加python代码！多图预警！！

0、问题背景

在PUBG游戏中，每场比赛最多有100名玩家（matchId）。 玩家可以在团队中（groupId）根据有多少其他团队在被淘汰时还活着而在游戏结束时排名（winPlacePerc）。 在游戏中，玩家可以拿起不同的弹药，恢复被击倒但未被击倒的队友，驾驶车辆，游泳，跑步，射击，并体验所有后果 - 例如跌得太远或者自己跑过来 消除自己。
您将获得大量匿名的PUBG游戏统计数据，其格式设置为每行包含一个玩家的游戏后统计数据。 数据来自所有类型的比赛：独奏，二重奏，小队和自定义; 不保证每场比赛有100名球员，每组最多4名球员。
你必须创建一个模型，根据他们的最终统计数据预测球员的完成位置，从1（第一名）到0（最后一名）。

1、各变量含义

DBNOs - 击倒多少敌人 
assists - 伤害过多少敌人（最终该敌人被队友杀害）
boosts - 使用过多少个提升性的物品(boost items used)
damageDealt - 造成的总伤害-自己所受的伤害
headshotKills - 通过爆头而杀死的敌人数量
heals - 使用了多少救援类物品
Id - 玩家ID
killPlace - 杀死敌人数量的排名
killPoints - 基于杀戮的玩家外部排名。将其视为Elo排名，只有杀死才有意义。如果rankPoints中的值不是-1，那么killPoints中的任何0都应被视为“无”。
killStreaks - 短时间内杀死敌人的最大数量
kills - 杀死的敌人的数量
longestKill - 玩家和玩家在死亡时被杀的最长距离。 这可能会产生误导，因为击倒一名球员并开走可能会导致最长的杀戮统计数据。
matchDuration - 匹配用了多少秒
matchId - 匹配的ID（每一局一个ID）
matchType -  单排/双排/四排；标准模式是“solo”，“duo”，“squad”，“solo-fpp”，“duo-fpp”和“squad-fpp”; 其他模式来自事件或自定义匹配。
rankPoints - 类似Elo的玩家排名。 此排名不一致，并且在API的下一个版本中已弃用，因此请谨慎使用。值-1表示“无”。
revives - 玩家救援队友的次数
rideDistance - 玩家使用交通工具行驶了多少米
roadKills - 在交通工具上杀死了多少玩家
swimDistance - 游泳了多少米
teamKills - 该玩家杀死队友的次数
vehicleDestroys - 毁坏了多少交通工具
walkDistance - 步行运动了多少米
weaponsAcquired - 捡了多少把枪
winPoints - 基于赢的玩家外部排名。将其视为Elo排名，只有获胜才有意义。如果rankPoints中的值不是-1，那么winPoints中的任何0都应被视为“无”。
groupId - 队伍的ID。 如果同一组玩家在不同的比赛中比赛，他们每次都会有不同的groupId。
numGroups - 在该局比赛中有玩家数据的队伍数量
maxPlace - 在该局中已有数据的最差的队伍名词（可能与该局队伍数不匹配，因为数据收集有跳跃）
winPlacePerc - 预测目标，是以百分数计算的，介于0-1之间，1对应第一名，0对应最后一名。 它是根据maxPlace计算的，而不是numGroups，因此匹配中可能缺少某些队伍。

import pandas as pd
origin_data = pd.read_csv('train_V2.csv')
print origin_data.shape
#origin_data.head()

(4446966, 29)

%matplotlib inline
import matplotlib.pyplot as plt
import seaborn as sns#数据可视化
import numpy as np

查看这些数据包含有47965局（47965次匹配）

print len(origin_data.groupby(['matchId']))

47965

2、探索性分析——单个变量

（1）整形(int)变量的分布

def feature_barplot(feature, df_train = origin_data, figsize=(15,6), rot = 90, saveimg = False): 
    feat_train = df_train[feature].value_counts()
    fig_feature, axis1, = plt.subplots(1,1,sharex=True, sharey = True, figsize = figsize)
    sns.barplot(feat_train.index.values, feat_train.values, ax = axis1)
    axis1.set_xticklabels(axis1.xaxis.get_majorticklabels(), rotation = rot)
    axis1.set_title(feature + ' of training dataset')
    axis1.set_ylabel('Counts')
    plt.tight_layout()
    if saveimg == True:
        figname = feature + ".png"
        fig_feature.savefig(figname, dpi = 75)

feature_barplot('DBNOs') #击倒敌人的分布

如果直接这样作图，会发现该图像呈现极为右偏的分布，其实，DBNOs超过6，7和8的人数就已经非常少了，因此将DBNOs>x的全部归为一类，那么x具体是多少更有说服力呢，一个精确的做法是：先找出99%的分位数，将大于99%分位数的归为一类。

origin_data['DBNOs_new'] = origin_data['DBNOs']
origin_data.loc[origin_data['DBNOs_new'] > origin_data['DBNOs_new'].quantile(0.99)] = 'larger'
plt.figure(figsize = (10,6))
sns.countplot(origin_data['DBNOs_new'].astype('str').sort_values())
plt.title('DBNOs')
plt.show

可见大部分玩家击倒敌人的数量为0

（2）连续变量的分布

造成的伤害值是一个连续变量（总伤害-自身受到的伤害）

#造成的伤害值的分布（总伤害-自身受到的伤害）
plt.figure(figsize=(10,6))
plt.title("Damage Dealt")
sns.distplot(origin_data['damageDealt']) #distplot直方图
plt.show()

对于那些击杀数为0的玩家，他们造成的伤害如何？

data_kill_0 = origin_data[origin_data['kills']==0]
plt.figure(figsize=(10,6))
plt.title("Damage Dealt by 0 killers",fontsize=15)
sns.distplot(data_kill_0['damageDealt'])
plt.show()
#del data_kill_0

步行距离也是一类连续变量，先找到均值和百分之99的分位数

print('The average person walks for {:.1f}m, 99% of {}m or less, while the marathoner champion walked for {}m.'
      .format(origin_data['walkDistance'].mean(), 
              origin_data[