数据分析实战-PUBG数据集EDA

PUBG Dataset EDA

简介

本项目对绝地求生玩家比赛记录数据集进行分析，主要为数据探索（EDA），基本无建模过程。使用的数据集来自Kaggle，下载地址给出。

环境配置

基于Python3，需要的第三方包在requirements.txt给出。

数据获取

根据上面的链接即可下载数据集，数据量较大，习惯NoteBook的可以直接在Kaggle Kernel上运行，具体操作见之前博客。

数据集下载解压后得到如下四个文件。

• erangel.png
  • 绝地海岛艾伦格地图（便于Kaggle玩家热点图绘制）
• mirangel.jpg
  • 热情沙漠米拉玛地图（便于Kaggle玩家热点图绘制）
  • 雨林地图没有数据（em，，，我也是玩过的人）
• aggregate.zip
  • 玩家比赛统计数据
• deaths.zip
  • 玩家被击杀数据
  • 本次分析会设计到上述的两类数据。（由于数据量大，原数据集数据量切分为多个部分，对两类数据只分析第一部分即agg_match_stats_0.csv和kill_match_stats_final_0.csv）

对数据集中的数据文件进行初步探索，显示大致文件分布内容如下。

数据探索分析（EDA）

csv文件属性列出如下。

• agg_match_stats_i.csv文件属性（按照csv文件表头顺序）
  • date：对局时间
  • game_size：游戏规模（队伍数量）
  • match_id：对局id
  • 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
• kill_match_stats_final_i.csv文件属性
  • 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id
  • time：存活时间
  • victim_name：被击杀者名字
  • victim_placement：被击杀者排名
  • victim_position_x：被击杀者位置x坐标
  • victim_position_y：被击杀者位置y坐标

简单进行数据展示如下。

• 共有13849287条记录。
• 共有13426348条记录。

空值

对空值记录查看，其中20249存在空值，均为玩家名称，不影响建模。

df_data_aggregate[df_data_aggregate.isnull().values == True].drop_duplicates()
df_data_deaths[df_data_deaths.isnull().values == True].drop_duplicates()

使用下述代码对空值记录删除。

df_data_aggregate.drop_duplicates(inplace=True)
df_data_deaths.drop_duplicates(inplace=True)

属性构造

补充吃鸡列，并显示击杀数与吃鸡概率的关系。

plt.figure(figsize=(20, 8))
plt.subplot(1, 2, 1)
# 剔除击杀数不合理的玩家
df_data_aggregate.loc[df_data_aggregate['player_kills'] < 50, ['player_kills', 'won']].groupby('player_kills')['won'].mean().plot()
plt.xlabel('kill number')
plt.ylabel("probability of No1")
plt.subplot(1, 2, 2)
df_data_aggregate.loc[df_data_aggregate['player_kills'] < 50, ['player_kills', 'won']].groupby('player_kills')['won'].mean().plot.bar()
plt.xlabel('kill number')
plt.ylabel("probability of No1")

探索分析

查看不同模式吃鸡率。各模式吃鸡率还是比较接近的，这说明这个游戏几种模式设计都是比较合理的。

v = df_data_aggregate.groupby('party_size')['player_kills'].mean()
plt.bar(v.index, v.values)
for x, y in zip(v.index, v.values):
    plt.text(x, y, "{:.2f}".format(y))
plt.show()

查看载具移动距离与吃鸡率。（嗯，不是在吃鸡，就是在吃鸡的路上。）

df_ride = df_data_aggregate.loc[df_data_aggregate['player_dist_ride']<20000, ['player_dist_ride', 'won']]
labels=["0k-1k", "1k-2k", "2k-3k", "3k-4k","4k-5k", "5k-6k", "6k-7k", "7k-8k", "8k-9k", "9k-10k"]
df_ride['drive'] = pd.cut(df_ride['player_dist_ride'], 10, labels=labels)
df_ride.groupby('drive').won.mean().plot.bar(rot=45, figsize=(12, 8))
plt.xlabel("drive dis")
plt.ylabel("prop of No1")

对玩家死亡数据集的初探。

落地成盒在哪里，统计存活时间段的玩家的死亡地点。

其他如最后毒圈缩在哪里，思路类似。

补充说明

EDA思路参考“Alfred数据室”，代码实现不同。具体数据集地址给出（20G），不可能上传，故Github只有背景图与NoteBook文件。具体代码见我的Github，欢迎star或者fork。