王者荣耀英雄分析之统计分析，聚类分析

最新推荐文章于 2023-10-25 23:01:49 发布
最新推荐文章于 2023-10-25 23:01:49 发布
阅读量3.9k 收藏 41
点赞数 11
分类专栏： 数据挖掘 文章标签： python 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46570668/article/details/115439032
版权

王者荣耀英雄分析之统计分析，聚类分析

在了解了如何绘制饼图和雷达图之后，我们就可以正式的对王者荣耀数据进行分析了。
首先来看看这个数据集吧
包含的内容还是挺多的，有69个英雄，还有他们的一些属性。因为我不会玩王者荣耀，所以对这些信息也不是很了解，接下来有可能分析的不到位，还请大家多多包涵。
我还是选择的使用python来分析，因为简单嘛，然后平台的话还是选择aistudio真的很好用，强烈推荐，一些使用方法可以查看我之前写的博客。
链接：https://blog.csdn.net/weixin_46570668/article/details/115438389.
在这里插入图片描述

关联性分析

首先当然是关联性分析，先配置好字体，导入我们需要的包

import pandas as pd
import numpy as np
from matplotlib import pyplot
from matplotlib import font_manager
font = font_manager.FontProperties(fname='font/simhei.ttf')

plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号
# 用热力图呈现 features_mean 字段之间的相关性
corr = data[features].corr()
plt.figure(figsize=(14,14))
# annot=True 显示每个方格的数据
sns.heatmap(corr, annot=True)
plt.xticks(range(0, 18),fontproperties=font)
plt.yticks(range(0, 18),fontproperties=font)
plt.show()

在这里插入图片描述

统计分析

首先我们来统计一下主要定位

dd=data1[u'主要定位'].value_counts()
# 生成画布
plt.figure(figsize=(10, 6), dpi=80)
labels =list(dd.index)
sizes = list(dd)

explode = [0.05,0.05,0.05,0.05,0.05,0.05]
plt.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%', shadow=False, startangle=-45, textprops={'fontproperties':font})
plt.title("主要定位统计分析", fontproperties=font)
plt.legend(loc='right', bbox_to_anchor=[0.75, 0.4, 0.5, 0.5], prop=font)
plt.show()

在这里插入图片描述接着我们来统计一下攻击范围

dd=data1[u'攻击范围'].value_counts()
# 生成画布
plt.figure(figsize=(10, 6), dpi=80)
labels =list(dd.index)
sizes = list(dd)
explode = [0.05,0.05]
plt.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%', shadow=False, startangle=-45, textprops={'fontproperties':font})
plt.title("攻击范围统计分析", fontproperties=font)
plt.legend(loc='right', bbox_to_anchor=[0.75, 0.4, 0.5, 0.5], prop=font)
plt.show()

在这里插入图片描述以此类推，大家想统计什么只需要修改一下这句话的参数就可以了
dd=data1[u’攻击范围’].value_counts()

接下来我们查看一下前三的最大生命

ddg=data1[['英雄','最大生命','最大法力','最高物攻','最大物防','最大每5秒回血','最大每5秒回蓝','最大攻速','主要定位']].sort_values(by='最大生命',ascending=False)
ddg[:3]

在这里插入图片描述

分别把他们画在雷达图上面

s=[2016,427,514,128,50]
x1 = data1[['英雄','最大法力','最高物攻','最大物防','最大每5秒回血','最大每5秒回蓝']].loc[data1['英雄'] == '廉颇']
x2 = data1[['英雄','最大法力','最高物攻','最大物防','最大每5秒回血','最大每5秒回蓝']].loc[data1['英雄'] == '白起']
x3 = data1[['英雄','最大法力','最高物攻','最大物防','最大每5秒回血','最大每5秒回蓝']].loc[data1['英雄'] == '程咬金']
y1=x1.values.tolist()[0]
y2=x2.values.tolist()[0]
y3=x3.values.tolist()[0]
z1=y1[1:6]
z2=y2[1:6]
z3=y3[1:6]
for i in range(5):
    z1[i]=z1[i]/s[i]
for i in range(5):
    z2[i]=z2[i]/s[i]
for i in range(5):
    z3[i]=z3[i]/s[i]
import numpy as np
import matplotlib.pyplot as plt
#用于正常显示符号
plt.rcParams['axes.unicode_minus'] = False
 
# 使用ggplot的绘图风格，这个类似于美化了，可以通过plt.style.available查看可选值，你会发现其它的风格真的丑。。。
plt.style.use('ggplot')
 
# 构造数据
values = z1
feature = ['最大法力', '最高物攻', '最大物防', '最大每五秒回血', '最大每五秒回蓝']
 
# 设置每个数据点的显示位置，在雷达图上用角度表示
angles=np.linspace(0, 2*np.pi,len(values), endpoint=False)
 
# 拼接数据首尾，使图形中线条封闭
values=np.concatenate((values,[values[0]]))
angles=np.concatenate((angles,[angles[0]]))
values_2=z2
values_2=np.concatenate([values_2,[values_2[0]]])
values_3 = z3
values_3=np.concatenate([values_3,[values_3[0]]])
fig=plt.figure()
ax = fig.add_subplot(111, polar=True)
ax.plot(angles, values, 'o-', linewidth=2,label='廉颇')
ax.plot(angles, values_2, 'o-', linewidth=2,label='白起')
ax.plot(angles, values_3, 'o-', linewidth=2,label='程咬金')
ax.set_thetagrids(angles * 180/np.pi, feature,fontproperties=font)
ax.set_ylim(0,1)
plt.title('前三最大生命',fontproperties=font)
plt.legend(loc=(1,0.8), prop=font)
ax.grid(True)
plt.show()

在这里插入图片描述依次类推我们来看一下前三最大法力

ddg=data1[['英雄','最大生命','最大法力','最高物攻','最大物防','最大每5秒回血','最大每5秒回蓝','最大攻速','主要定位']].sort_values(by='最大法力',ascending=False)
ddg[:3]

在这里插入图片描述

s=[2016,427,514,128,50]
x1 = data1[['英雄','最大法力','最高物攻','最大物防','最大每5秒回血','最大每5秒回蓝']].loc[data1['英雄'] == '妲己']
x2 = data1[['英雄','最大法力','最高物攻','最大物防','最大每5秒回血','最大每5秒回蓝']].loc[data1['英雄'] == '扁鹊']
x3 = data1[['英雄','最大法力','最高物攻','最大物防','最大每5秒回血','最大每5秒回蓝']].loc[data1['英雄'] == '姜子牙']
y1=x1.values.tolist()[0]
y2=x2.values.tolist()[0]
y3=x3.values.tolist()[0]
z1=y1[1:6]
z2=y2[1:6]
z3=y3[1:6]
for i in range(5):
    z1[i]=z1[i]/s[i]
for i in range(5):
    z2[i]=z2[i]/s[i]
for i in range(5):
    z3[i]=z3[i]/s[i]
import numpy as np
import matplotlib.pyplot as plt
#用于正常显示符号
plt.rcParams['axes.unicode_minus'] = False
 
# 使用ggplot的绘图风格，这个类似于美化了，可以通过plt.style.available查看可选值，你会发现其它的风格真的丑。。。
plt.style.use('ggplot')
 
# 构造数据
values = z1
feature = ['最大法力', '最高物攻', '最大物防', '最大每五秒回血', '最大每五秒回蓝']
 
# 设置每个数据点的显示位置，在雷达图上用角度表示
angles=np.linspace(0, 2*np.pi,len(values), endpoint=False)
 
# 拼接数据首尾，使图形中线条封闭
values=np.concatenate((values,[values[0]]))
angles=np.concatenate((angles,[angles[0]]))
values_2=z2
values_2=np.concatenate([values_2,[values_2[0]]])
values_3 = z3
values_3=np.concatenate([values_3,[values_3[0]]])
fig=plt.figure()
ax = fig.add_subplot(111, polar=True)
ax.plot(angles, values, 'o-', linewidth=2,label='妲己')
ax.plot(angles, values_2, 'o-', linewidth=2,label='扁鹊')
ax.plot(angles, values_3, 'o-', linewidth=2,label='姜子牙')
ax.set_thetagrids(angles * 180/np.pi, feature,fontproperties=font)
ax.set_ylim(0,1)
plt.title('前三最大法力',fontproperties=font)
plt.legend(loc=(1,0.8), prop=font)
ax.grid(True)
plt.show()

在这里插入图片描述依次类推，大家可以查看任意属性的前三
接下来我们来看看法师都是什么样子的

s=[2016,427,514,128,50]
x = data1[['英雄','主要定位','最大法力','最高物攻','最大物防','最大每5秒回血','最大每5秒回蓝']].loc[data1['主要定位'] == '法师']
y=x.values.tolist()
z=[[]]*len(y)
for i in range(len(y)):
    z[i]=y[i][2:7]
for i in range(len(y)):
    for j in range(5):
        z[i][j]=z[i][j]/s[j]
import numpy as np
import matplotlib.pyplot as plt
#用于正常显示符号
plt.rcParams['axes.unicode_minus'] = False
# 使用ggplot的绘图风格，这个类似于美化了，可以通过plt.style.available查看可选值，你会发现其它的风格真的丑。。。
plt.style.use('ggplot')
feature = ['最大法力', '最高物攻', '最大物防', '最大每五秒回血', '最大每五秒回蓝']
# 设置每个数据点的显示位置，在雷达图上用角度表示
angles=np.linspace(0, 2*np.pi,len(feature), endpoint=False)
fig=plt.figure()
ax = fig.add_subplot(111, polar=True)
angles=np.concatenate((angles,[angles[0]]))
for i in range(len(y)):
    values = z[i]
    values=np.concatenate((values,[values[0]]))
    ax.plot(angles, values, 'o-', linewidth=2,label=y[i][0])
ax.set_thetagrids(angles * 180/np.pi, feature,fontproperties=font)
ax.set_ylim(0,1)
plt.title('法师',fontproperties=font)
plt.legend(loc=(1.5,0), prop=font)
ax.grid(True)
plt.show()

在这里插入图片描述想要查看那个定位的英雄只要修改一下参数即可，修改一下这句话中的‘主要定位’后面的参数

x = data1[['英雄','主要定位','最大法力','最高物攻','最大物防','最大每5秒回血','最大每5秒回蓝']].loc[data1['主要定位'] == '法师']

那我们再来看一下战士

s=[2016,427,514,128,50]
x = data1[['英雄','主要定位','最大法力','最高物攻','最大物防','最大每5秒回血','最大每5秒回蓝']].loc[data1['主要定位'] == '战士']
y=x.values.tolist()
z=[[]]*len(y)
for i in range(len(y)):
    z[i]=y[i][2:7]
for i in range(len(y)):
    for j in range(5):
        z[i][j]=z[i][j]/s[j]
import numpy as np
import matplotlib.pyplot as plt
#用于正常显示符号
plt.rcParams['axes.unicode_minus'] = False
plt.style.use('ggplot')
feature = ['最大法力', '最高物攻', '最大物防', '最大每五秒回血', '最大每五秒回蓝']
# 设置每个数据点的显示位置，在雷达图上用角度表示
angles=np.linspace(0, 2*np.pi,len(feature), endpoint=False)
fig=plt.figure()
ax = fig.add_subplot(111, polar=True)
angles=np.concatenate((angles,[angles[0]]))
for i in range(len(y)):
    values = z[i]
    values=np.concatenate((values,[values[0]]))
    ax.plot(angles, values, 'o-', linewidth=2,label=y[i][0])
ax.set_thetagrids(angles * 180/np.pi, feature,fontproperties=font)
ax.set_ylim(0,1)
plt.title('战士',fontproperties=font)
plt.legend(loc=(1.5,0), prop=font)
ax.grid(True)
plt.show()

在这里插入图片描述基本上就是这样啦，大家相分析哪方面的内容都可以修改一下参数，如果大家有一些我没想到的分析内容，请一定要评论告诉我哦。
完整项目和运行结果已经上传资源：
https://download.csdn.net/download/weixin_46570668/16455298.

猫头丁
关注
  • 11
    点赞
  • 踩
  • 41
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 4
    评论
专栏目录
应用多元统计聚类分析
05-06
多元统计的聚类分析 聚类分析法(Cluster Analysis)是研究“物以类聚”的一种现代统计分析方法，在众多的领域中，都需要采用聚类分析作分类研究。
基于python的王者荣耀游戏用户数据分析及可视化计算机毕业设计
01-28 530
通过以上功能的实现，基于Python的王者荣耀游戏用户数据分析及可视化系统可以帮助游戏开发商更好地了解用户需求和行为习惯，优化游戏设计和运营策略，提高用户体验和留存率，为游戏产业的持续发展提供有力支持。预测与优化：系统需要利用回归分析等统计方法预测游戏的未来趋势和用户行为，为游戏开发和运营提供决策依据，并基于用户行为分析和画像构建的结果，对游戏进行优化和改进，提高用户体验和留存率。用户行为分析：通过对游戏内外的用户行为数据进行深入分析，了解用户的喜好、习惯和需求，为游戏设计和运营提供决策依据。
数据分析实战之EM聚类（对王者荣耀英雄分类）
hahaha66888的博客
03-04 2713
本文主要是王者荣耀的英雄数据进行分类，数据源来源https://github.com/cystanford/EM_data 1、数据加载 import pandas as pd data = pd.read_csv(r'C:\Users\hzjy\Desktop\heros.csv',encoding='gb18030') #设置参数encoding，是为了防止中文乱码问题 数据比...
把英雄分类，看 Python 带你上王者
07-04 741
王者荣耀这么久了，还没上王者？哈哈哈，看过来，是不是对英雄理解的不够透彻呢，是不是还没有很好的为英雄分类呢，今天就来看看英雄分类 技术栈 一、EM 聚类简介 二、爬取网上的英雄初始属性值 三、做成饼图 EM 聚类简介 EM 英文名是 Expectation Maximization，也叫最大期望算法。 在统计计算中，最大期望（EM）算法是在概率（probabilistic）模型中寻找...
Excel版本王者荣耀下载
11-27
注意版本需要使用Office 2007 或者 WPS，新版office可能会报错！ EXCEL王者荣耀是一款运行在微软Office Excel平台上的单机游戏。游戏类型为即时战斗。EXCEL王者荣耀拥有完整的英雄系统、技能系统、装备系统、Buff系统和人工智能。英雄总计56名、技能超过100个、装备22件。游戏模式有比赛模式、生存模式、克隆模式和深渊大乱斗，游戏最多支持10v10。
python gmm em算法 2维数据_实战：用EM聚类划分王者荣耀英雄
weixin_39524703的博客
11-27 309
EM聚类最大期望算法（Expectation-Maximization algorithm, EM）是一类通过迭代进行极大似然估计（Maximum Likelihood Estimation, MLE）的优化算法 ，通常作为牛顿迭代法（Newton-Raphson method）的替代用于对包含隐变量（latent variable）或缺失数据（incomplete-data）的概率模型进行参数估...
王者荣耀数据处理
qq_62949330的博客
10-25 190
王者荣耀数据处理
Python_数据分析_关联规则和王者荣耀数据分析实战
qq_39125908的博客
02-11 4223
如果同学不喜欢看理论，可以直接看后面王者数据分析的部分。 关联规则 如果不知道尿布和啤酒问题，建议百度百科，先有个大致的了解 我们找百度百科上面的例子来讲一下 tid是交易单号，后面每一纵列中1代表购买，0代表没买。 我们只需要明白 支持度==概率（只有这个支持度足够大，说明我们选出的集合买的人多，对于商家的价值也就越大） 置信度==条件概率（这是算关联程度的） ...
利用pythonEM算法和雷达图分析王者荣耀英雄聚类和可视化全代码
环湖数据科学知识共享平台
11-28 1356
今天和大家分享一下我的最大爱好，可想而知一名资深的神经外科主刀医生，被转行做医疗数据，我肯定是个非常内向的人。所以我的最大爱好就是玩王者，感兴趣的可以一起开黑！我的王者号，也叫“飞时过”。今天突然想到，王者本身也是个数字游戏，是非常适合做数据分析的，今天我特意留意了一下，游戏里英雄的各种属性是非常适合做雷达图的，如果王者的运营团队，感兴趣，可以和我合作哦，哈哈，有些自不量力。今天看了吴军老师的《数学之美》，其中对EM算法非常感兴趣，在这本书里是这么表述EM算法的。EM算法只需要有一些训练数据，定义一个最大化
数据分析与机器学习实战（二）——聚类分析（以K-means聚类为例）
陈沫尘的博客
04-02 8758
机器学习方法主要分为监督学习方法和非监督学习方法两种。监督学习方法是在样本类别标签已知的条件下进行的，可以统计出各类训练样本的概率分布、特征空间分布区域等描述量，然后利用这些参数进行分类器设计。在实际应用中，很多情况是无法预先知道样本标签的，因而只能利用非监督机器学习方法进行分析。聚类分析就是典型的非监督学习方法，它在没有给定划分类别的情况下，根据数据自身的距离或相似度进行样本分组。聚类分析概述K-means 算法。
王者荣耀数据分析
11-28
python实现王者荣耀皮肤的下载，进行数据分析。 王者荣耀的皮肤数据分析准备工作
王者荣耀英雄分析.html
04-05
主要是统计分析和关联性分析，查看王者荣耀69个英雄的各方面性能
爬虫 从王者荣耀官网爬取英雄，装备等信息.zip
最新发布
03-08
如果您下载了本程序，但是该程序存在问题无法运行，那么您可以选择退款或者寻求我们的帮助（如果找我们帮助的话，是需要追加额外费用的）。另外，您不会使用资源的话（这种情况不支持退款），也可以找我们帮助（需要追加额外费用） 爬虫（Web Crawler）是一种自动化程序，用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储，以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤： URL收集： 爬虫从一个或多个初始URL开始，递归或迭代地发现新的URL，构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页： 爬虫使用HTTP或其他协议向目标URL发起请求，获取网页的HTML内容。这通常通过HTTP请求库实现，如Python中的Requests库。 解析内容： 爬虫对获取的HTML进行解析，提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据，如文本、图片、链接等。 数据存储： 爬虫将提取的数据存储到数据库、文件或其他存储介质中，以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则： 为避免对网站造成过大负担或触发反爬虫机制，爬虫需要遵守网站的robots.txt协议，限制访问频率和深度，并模拟人类访问行为，如设置User-Agent。 反爬虫应对： 由于爬虫的存在，一些网站采取了反爬虫措施，如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用，包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而，使用爬虫需要遵守法律和伦理规范，尊重网站的使用政策，并确保对被访问网站的服务器负责。
王者荣耀java源码-TechnicalArticles:技术文章
06-19
王者荣耀java源码 标题 分类 内容 备注 架构 MySQL MQ 服务器 算法 JVM CODE JVM 缓存 使用redis改善数据库压力并更加实际情况定制 MQ 算法 缓存 缓存 解决缓存一致性3种方案 缓存 饿了么hotkey解决方案 IO 流程图及代码理解多路IO复用 IO 多路IO复用基础知识 IO 安全 多线程 父子任务使用同一线程池造成死锁 JVM 讨论垃圾回收器ZGC 架构 数据库业务设计 大数据 小米HDFS设计 大数据 分析数据增长 测试 自研AB测试系统 JVM 堆外缓存实例 NFS NFS Soket 游戏层面讨论SOKET 搜索 Elasticsearch 大数据 NLP语言处理呼叫中心录音 JVM 优化大促场景下内存问题 算法 时间轮换算法在消息队列应用 分布式 表格系统分布式事务实例 SQL MYSQL线上死锁问题分析 SQL MYSQL内存泄漏 架构 架构 架构 分布式 二维码生成问题实例 分布式 锁造成线上安全事故 算法 LRU算法实际使用 设计模式 设计模式
聚类分析
01-07
聚类分析一、聚类的关键：距离二、K-means聚类算法三、聚类的注意事项聚类好坏的评估方法1、技术上的方法2、业务上的方法连续型数据标准化分类型数据标准化 一、聚类的关键：距离 二、K-means聚类算法 三、聚类的...
聚类分析的R语言代码.txt
06-22
应用多元统计分析——聚类分析——R语言代码 聚类分析的R语言代码，与《多元统计分析与R语言建模》课本配套
聚类分析.rar聚类分析.rar
03-12
聚类分析.rar聚类分析.rar
7.1聚类分析01.mp4
07-26
基于王斌会《多元统计分析及R语言建模》第7章第1节聚类分析。主要介绍聚类分析的概念，数据结构，距离。
深度学习实战——强化学习与王者荣耀（腾讯开悟）
转载请标明出处，完整项目/代码详见github：https://github.com/yiru1225
06-10 3344
本篇博客主要介绍强化学习与腾讯AI Lab在MOBA（王者荣耀）中提出的强化学习系统框架。
spss聚类分析判别分析
01-23
SPSS是一种统计分析软件，其聚类分析和判别分析是其重要的功能之一。 聚类分析是一种用于将数据对象分成相似组的多元统计方法。通过对数据进行分类，可以发现数据对象之间的相似性和差异性，帮助我们更好地理解数据的结构和特征。在SPSS中进行聚类分析时，用户可以选择不同的聚类算法和距离度量方法，并通过结果来进行数据解释和分类。 判别分析是一种用于确定两个或多个组之间差异的统计方法。它可以帮助我们理解不同组之间的特征差异并进行分类预测。在SPSS中进行判别分析时，用户可以选择输入变量和输出变量，然后进行分析并生成分类结果，从而对不同组进行判别和预测。 SPSS的聚类分析和判别分析功能可以帮助研究人员和数据分析人员更好地理解数据之间的关系和差异，帮助他们进行数据分类和预测。通过这些功能，用户可以更加深入地挖掘数据的信息，为决策和研究提供支持和指导。SPSS聚类分析和判别分析的应用范围广泛，包括市场调研、医学研究、社会科学和工程技术等领域。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

猫头丁

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值