Kaggle PUBG吃鸡数据集--数据分析可视化PUBG数据集分析报告

PUBG数据集分析报告

数据集分为两个部分
数据集1：
agg数据： 15 字段

• date: 时间
• game_size:队伍数量
• match_id:比赛
• match_mode: 对局模式（第一人称还是第三人称）
• party_size：组队模式（单人赛、双人赛、四人赛）
• player_assists：助攻次数
• player_dbno：击倒人数
• player_dist_ride：载具移动距离
• player_dist_walk：行走距离
• player_dmg：伤害数值
• player_kills：击杀人数
• player_name：玩家名称
• player_survive_time：玩家生存时间
• team_id：队伍id
• team_placement：队伍排名

数据集2:
kill dataset 12 字段

• killed_by：死亡方式
• killer_name：击杀者名字
• killer_placement：击杀者排名
• killer_position_x：击杀者位置x坐标
• killer_position_y：击杀者位置y坐标,
• map：地图
• match_id：比赛
• time：存活时间,
• victim_name：被击杀者名字
• victim_placement：被击杀者排名
• ictim_position_x：被击杀者位置x坐标
• victim_position_y：被击杀者位置y坐标

我们可以自由探索数据间的关系，发现一些有意思的现象
我想完成的目标:

• 击杀人数的分布情况
• 单变量分析: 击杀人数与排名， 组队模式与吃鸡
• 多变量间分析
• 落地成盒热点区域（存活时间小于180s）
• 最好用的枪械
• 战斗发生的距离分布
• 不同战斗距离中最好用的枪械
• 训练一个SVM预测是否能够吃鸡

及杀人数的分布情况

部分代码
导入数据 并处理丢失数据

    agg = './pubg/agg0.csv'
    kill = './pubg/kill0.csv'
    agg_df = pd.read_csv(agg)  # shape (13849287, 15)
    kill_df = pd.read_csv(kill) # shape(13426348, 12)
    agg_sub_df = agg_df[:1000000]
    kill_sub_df = kill_df[:1000000]
    agg_sub_deleted = agg_sub_df.dropna(axis=0)
    kill_sub_deleted = kill_sub_df.dropna(axis=0)

    agg_sub_deleted['player_kills'].describe() # 大部分人的击杀人数都是在1人和0人

count 998580.000000
mean 0.887166
std 1.555946
min 0.000000
25% 0.000000
50% 0.000000
75% 1.000000
max 62.000000
Name: player_kills, dtype: float64

单变量分析: 击杀人数与排名， 组队模式与吃鸡

    # 查看击杀人数与排名的关系;  整体看，击杀人数超过10人可以排到前5名概率比较大， 40左右时有异常发生。
    data = agg_sub_deleted[['player_kills', 'team_placement']]
    sns.set(style="darkgrid")
    g = sns.relplot(x="player_kills", y="team_placement",height=4,linewidth&