把英雄分类，看 Python 带你上王者

最新推荐文章于 2021-11-06 17:07:13 发布

程序员阿城

最新推荐文章于 2021-11-06 17:07:13 发布

阅读量800

点赞数 1

分类专栏： python 文章标签：互联网程序员 python

本文链接：https://blog.csdn.net/zhoulei124/article/details/94613776

版权

本文介绍了如何使用Python的EM聚类算法对王者荣耀英雄进行分类，通过爬虫抓取英雄属性，进行数据清洗、降维和规范化，最后通过饼图可视化展示英雄的分组情况。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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 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）模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variable）。

最大期望算法经过两个步骤交替进行计算，第一步是计算期望（E），利用对隐藏变量的现有估计值，计算其最大似然估计值；第二步是最大化（M），最大化在 E 步上求得的最大似然值来计算参数的值。M 步上找到的参数估计值被用于下一个 E 步计算中，这个过程不断交替进行。

使用 sklearn 库中的的 EM 聚类算法框架，采用高斯混合模型

from sklearn.mixture import GaussianMixture
复制代码

一些主要参数意义如下，其他参数可以查看相关文档

n_components:混合高斯模型个数，也就是想要的聚类个数，默认为1
covariance_type:协方差类型，包括{‘full’,‘tied’, ‘diag’, ‘spherical’}四种，分别对应完全协方差矩阵（元素都不为零），相同的完全协方差矩阵（HMM会用到），对角协方差矩阵（非对角为零，对角不为零），球面协方差矩阵（非对角为零，对角完全相同，球面特性），默认‘full’ 完全协方差矩阵
max_iter:最大迭代次数，默认100

所以可以构造 GMM 聚类如下：

# 构造 GMM 聚类
gmm = GaussianMixture(n_components=20, covariance_type='full')
复制代码

有一份如下结构的数据：

[图片上传中...(image-5dab6a-1562219826453-6)]

可以看到，涉及到的属性非常多，初始的属性设置如下：

feature = ['1级物理攻击', '15级物理攻击', '每级成长',
           '1级生命', '15级生命', '生命成长