數(shù)據(jù)可視化發(fā)現(xiàn)「吃雞」秘密

大吉大利，今晚吃雞~

今天跟朋友玩了幾把吃雞，經(jīng)歷了各種死法，還被嘲笑說論女生吃雞的100種死法，比如被拳頭掄死、跳傘落到房頂邊緣摔死 、把吃雞玩成飛車被車技秀死、被隊友用燃燒瓶燒死的。這種游戲?qū)ξ襾碚f就是一個讓我明白原來還有這種死法的游戲。

但是玩歸玩，還是得假裝一下我沉迷學習，所以今天就用吃雞比賽的真實數(shù)據(jù)來看看，如何提高你吃雞的概率。

那么我們就用Python和R做數(shù)據(jù)分析來回答以下的靈魂發(fā)問。

首先來看下數(shù)據(jù)：

1、跳哪兒危險？

對于我這樣一直喜歡茍著的良心玩家，在經(jīng)歷了無數(shù)次落地成河的慘痛經(jīng)歷后，我是堅決不會選擇跳P城這樣樓房密集的城市，窮歸窮但保命要緊。

所以我們決定統(tǒng)計一下，到底哪些地方更容易落地成河？

我們篩選出在前100秒死亡的玩家地點進行可視化分析。激情沙漠地圖的電站、皮卡多、別墅區(qū)、依波城最為危險，火車站、火電廠相對安全。絕地海島中P城、軍事基地、學校、醫(yī)院、核電站、防空洞都是絕對的危險地帶。物質(zhì)豐富的G港居然相對安全。

1importnumpyasnp

2importmatplotlib.pyplotasplt

3importpandasaspd

4importseabornassns

5fromscipy.misc.pilutilimportimread

6importmatplotlib.cmascm

7

8#導入部分數(shù)據(jù)

9deaths1 = pd.read_csv("deaths/kill_match_stats_final_0.csv")

10deaths2 = pd.read_csv("deaths/kill_match_stats_final_1.csv")

11

12deaths = pd.concat([deaths1, deaths2])

13

14#打印前5列，理解變量

15print(deaths.head(),'n',len(deaths))

16

17#兩種地圖

18miramar = deaths[deaths["map"] =="MIRAMAR"]

19erangel = deaths[deaths["map"] =="ERANGEL"]

20

21#開局前100秒死亡熱力圖

22position_data = ["killer_position_x","killer_position_y","victim_position_x","victim_position_y"]

23forpositioninposition_data:

24miramar[position] = miramar[position].apply(lambdax: x*1000/800000)

25miramar = miramar[miramar[position] !=0]

26

27erangel[position] = erangel[position].apply(lambdax: x*4096/800000)

28erangel = erangel[erangel[position] !=0]

29

30n =50000

31mira_sample = miramar[miramar["time"] <100].sample(n)

32eran_sample = erangel[erangel["time"] <100].sample(n)

33

34# miramar熱力圖

35bg = imread("miramar.jpg")

36fig, ax = plt.subplots(1,1,figsize=(15,15))

37ax.imshow(bg)

38sns.kdeplot(mira_sample["victim_position_x"], mira_sample["victim_position_y"],n_levels=100, cmap=cm.Reds, alpha=0.9)

39

40# erangel熱力圖

41bg = imread("erangel.jpg")

42fig, ax = plt.subplots(1,1,figsize=(15,15))

43ax.imshow(bg)

44sns.kdeplot(eran_sample["victim_position_x"], eran_sample["victim_position_y"], n_levels=100,cmap=cm.Reds, alpha=0.9)

2、茍著還是出去干？

我到底是茍在房間里面還是出去和敵人硬拼？

這里因為比賽的規(guī)模不一樣，這里選取參賽人數(shù)大于90的比賽數(shù)據(jù)，然后篩選出團隊team_placement即最后成功吃雞的團隊數(shù)據(jù)。

1、先計算了吃雞團隊平均擊殺敵人的數(shù)量，這里剔除了四人模式的比賽數(shù)據(jù)，因為人數(shù)太多的團隊會因為數(shù)量懸殊平均而變得沒意義；

2、所以我們考慮通過分組統(tǒng)計每一組吃雞中存活到最后的成員擊殺敵人的數(shù)量，但是這里發(fā)現(xiàn)數(shù)據(jù)統(tǒng)計存活時間變量是按照團隊最終存活時間記錄的，所以該想法失??；

3、最后統(tǒng)計每個吃雞團隊中擊殺人數(shù)最多的數(shù)量統(tǒng)計，這里剔除了單人模式的數(shù)據(jù)，因為單人模式的數(shù)量就是每組擊殺最多的數(shù)量。

最后居然發(fā)現(xiàn)還有擊殺數(shù)量達到60的，懷疑是否有開掛。想要吃雞還是得出去練槍法，光是茍著是不行的。

1library(dplyr)

2library(tidyverse)

3library(data.table)

4library(ggplot2)

5pubg_full <- fread("../agg_match_stats.csv")

6# 吃雞團隊平均擊殺敵人的數(shù)量

7attach(pubg_full)

8pubg_winner <- pubg_full %>% filter(team_placement==1&party_size<4&game_size>90)

9detach(pubg_full)

10team_killed <- aggregate(pubg_winner$player_kills, by=list(pubg_winner$match_id,pubg_winner$team_id), FUN="mean")

11team_killed$death_num <- ceiling(team_killed$x)

12ggplot(data = team_killed) + geom_bar(mapping = aes(x = death_num, y = ..count..), color="steelblue") +

13xlim(0,70) + labs(title ="Number of Death that PUBG Winner team Killed", x="Number of death")

14

15# 吃雞團隊最后存活的玩家擊殺數(shù)量

16pubg_winner <- pubg_full %>% filter(pubg_full$team_placement==1) %>% group_by(match_id,team_id)

17attach(pubg_winner)

18team_leader <- aggregate(player_survive_time~player_kills, data = pubg_winner, FUN="max")

19detach(pubg_winner)

20

21# 吃雞團隊中擊殺敵人最多的數(shù)量

22pubg_winner <- pubg_full %>% filter(pubg_full$team_placement==1&pubg_full$party_size>1)

23attach(pubg_winner)

24team_leader <- aggregate(player_kills, by=list(match_id,team_id), FUN="max")

25detach(pubg_winner)

26ggplot(data = team_leader) + geom_bar(mapping = aes(x = x, y = ..count..), color="steelblue") +

27xlim(0,70) + labs(title ="Number of Death that PUBG Winner Killed", x="Number of death")

3、哪一種武器干掉的玩家多？

運氣好挑到好武器的時候，你是否猶豫選擇哪一件？

從圖上來看，M416和SCAR是不錯的武器，也是相對容易能撿到的武器，大家公認Kar98k是能一槍斃命的好槍，它排名比較靠后的原因也是因為這把槍在比賽比較難得，而且一下?lián)糁袛橙艘彩切枰獙嵙Φ?，像我這種撿到98k還裝上8倍鏡但沒捂熱乎1分鐘的玩家是不配得到它的。（捂臉）

1#殺人武器排名

2death_causes = deaths['killed_by'].value_counts()

3

4sns.set_context('talk')

5fig = plt.figure(figsize=(30,10))

6ax = sns.barplot(x=death_causes.index, y=[v / sum(death_causes)forvindeath_causes.values])

7ax.set_title('Rate of Death Causes')

8ax.set_xticklabels(death_causes.index, rotation=90)

9

10#排名前20的武器

11rank =20

12fig = plt.figure(figsize=(20,10))

13ax = sns.barplot(x=death_causes[:rank].index, y=[v / sum(death_causes)forvindeath_causes[:rank].values])

14ax.set_title('Rate of Death Causes')

15ax.set_xticklabels(death_causes.index, rotation=90)

16

17#兩個地圖分開取

18f, axes = plt.subplots(1,2, figsize=(30,10))

19axes[0].set_title('Death Causes Rate: Erangel (Top {})'.format(rank))

20axes[1].set_title('Death Causes Rate: Miramar (Top {})'.format(rank))

21

22counts_er = erangel['killed_by'].value_counts()

23counts_mr = miramar['killed_by'].value_counts()

24

25sns.barplot(x=counts_er[:rank].index, y=[v / sum(counts_er)forvincounts_er.values][:rank], ax=axes[0] )

26sns.barplot(x=counts_mr[:rank].index, y=[v / sum(counts_mr)forvincounts_mr.values][:rank], ax=axes[1] )

27axes[0].set_ylim((0,0.20))

28axes[0].set_xticklabels(counts_er.index, rotation=90)

29axes[1].set_ylim((0,0.20))

30axes[1].set_xticklabels(counts_mr.index, rotation=90)

31

32#吃雞和武器的關(guān)系

33win = deaths[deaths["killer_placement"] ==1.0]

34win_causes = win['killed_by'].value_counts()

35

36sns.set_context('talk')

37fig = plt.figure(figsize=(20,10))

38ax = sns.barplot(x=win_causes[:20].index, y=[v / sum(win_causes)forvinwin_causes[:20].values])

39ax.set_title('Rate of Death Causes of Win')

40ax.set_xticklabels(win_causes.index, rotation=90)

4、隊友的助攻是否助我吃雞？

有時候一不留神就被擊倒了，還好我爬得快讓隊友救我。這里選擇成功吃雞的隊伍，最終接受1次幫助的成員所在的團隊吃雞的概率為29%，所以說隊友助攻還是很重要的（再不要罵我豬隊友了，我也可以選擇不救你）。竟然還有讓隊友救9次的，你也是個人才。（手動滑稽)

1library(dplyr)

2library(tidyverse)

3library(data.table)

4library(ggplot2)

5pubg_full <- fread("E:/aggregate/agg_match_stats_0.csv")

6attach(pubg_full)

7pubg_winner <- pubg_full %>% filter(team_placement==1)

8detach(pubg_full)

9ggplot(data = pubg_winner) + geom_bar(mapping = aes(x = player_assists, y = ..count..), fill="#E69F00") +

10xlim(0,10) + labs(title ="Number of Player assisted", x="Number of death")

11ggplot(data = pubg_winner) + geom_bar(mapping = aes(x = player_assists, y = ..prop..), fill="#56B4E9") +

12xlim(0,10) + labs(title ="Number of Player assisted", x="Number of death")

5、敵人離我越近越危險？

對數(shù)據(jù)中的killer_position和victim_position變量進行歐式距離計算，查看兩者的直線距離跟被擊倒的分布情況，呈現(xiàn)一個明顯的右偏分布，看來還是需要隨時觀察到附近的敵情，以免到淘汰都不知道敵人在哪兒。

1# python代碼：殺人和距離的關(guān)系

2importmath

3defget_dist(df):#距離函數(shù)

4dist = []

5forrowindf.itertuples():

6subset = (row.killer_position_x - row.victim_position_x)**2+ (row.killer_position_y - row.victim_position_y)**2

7ifsubset >0:

8dist.append(math.sqrt(subset) /100)

9else:

10dist.append(0)

11returndist

12

13df_dist = pd.DataFrame.from_dict({'dist(m)': get_dist(erangel)})

14df_dist.index = erangel.index

15

16erangel_dist = pd.concat([erangel,df_dist], axis=1)

17

18df_dist = pd.DataFrame.from_dict({'dist(m)': get_dist(miramar)})

19df_dist.index = miramar.index

20

21miramar_dist = pd.concat([miramar,df_dist], axis=1)

22

23f, axes = plt.subplots(1,2, figsize=(30,10))

24plot_dist =150

25

26axes[0].set_title('Engagement Dist. : Erangel')

27axes[1].set_title('Engagement Dist.: Miramar')

28

29plot_dist_er = erangel_dist[erangel_dist['dist(m)'] <= plot_dist]

30plot_dist_mr = miramar_dist[miramar_dist['dist(m)'] <= plot_dist]

31

32sns.distplot(plot_dist_er['dist(m)'], ax=axes[0])

33sns.distplot(plot_dist_mr['dist(m)'], ax=axes[1])

6、團隊人越多我活得越久？

對數(shù)據(jù)中的party_size變量進行生存分析，可以看到在同一生存率下，四人團隊的生存時間高于兩人團隊，再是單人模式，所以人多力量大這句話不是沒有道理的。

7、乘車是否活得更久？

對死因分析中發(fā)現(xiàn)，也有不少玩家死于Bluezone，大家天真的以為撿繃帶就能跑毒。對數(shù)據(jù)中的player_dist_ride變量進行生存分析，可以看到在同一生存率下，有開車經(jīng)歷的玩家生存時間高于只走路的玩家，光靠腿你是跑不過毒的。

8、小島上人越多我活得更久？

對game_size變量進行生存分析發(fā)現(xiàn)還是小規(guī)模的比賽比較容易存活。

1# R語言代碼如下：

2library(magrittr)

3library(dplyr)

4library(survival)

5library(tidyverse)

6library(data.table)

7library(ggplot2)

8library(survminer)

9pubg_full <- fread("../agg_match_stats.csv")

10# 數(shù)據(jù)預處理，將連續(xù)變量劃為分類變量

11pubg_sub <- pubg_full %>%

12filter(player_survive_time<2100) %>%

13mutate(drive = ifelse(player_dist_ride>0,1,0)) %>%

14mutate(size = ifelse(game_size<33,1,ifelse(game_size>=33&game_size<66,2,3)))

15# 創(chuàng)建生存對象

16surv_object <- Surv(time = pubg_sub$player_survive_time)

17fit1 <- survfit(surv_object~party_size,data = pubg_sub)

18# 可視化生存率

19ggsurvplot(fit1, data = pubg_sub, pval =TRUE, xlab="Playing time [s]", surv.median.line="hv",

20legend.labs=c("SOLO","DUO","SQUAD"), ggtheme = theme_light(),risk.table="percentage")

21fit2 <- survfit(surv_object~drive,data=pubg_sub)

22ggsurvplot(fit2, data = pubg_sub, pval =TRUE, xlab="Playing time [s]", surv.median.line="hv",

23legend.labs=c("walk","walk&drive"), ggtheme = theme_light(),risk.table="percentage")

24fit3 <- survfit(surv_object~size,data=pubg_sub)

25ggsurvplot(fit3, data = pubg_sub, pval =TRUE, xlab="Playing time [s]", surv.median.line="hv",

26legend.labs=c("small","medium","big"), ggtheme = theme_light(),risk.table="percentage")

9、最后毒圈有可能出現(xiàn)的地點？

面對有本事能茍到最后的我，怎么樣預測最后的毒圈出現(xiàn)在什么位置。

從表agg_match_stats數(shù)據(jù)找出排名第一的隊伍，然后按照match_id分組，找出分組數(shù)據(jù)里面player_survive_time最大的值，然后據(jù)此匹配表格kill_match_stats_final里面的數(shù)據(jù)，這些數(shù)據(jù)里面取第二名死亡的位置，作圖發(fā)現(xiàn)激情沙漠的毒圈明顯更集中一些，大概率出現(xiàn)在皮卡多、圣馬丁和別墅區(qū)。絕地海島的就比較隨機了，但是還是能看出軍事基地和山脈的地方更有可能是最后的毒圈。

1#最后毒圈位置

2import matplotlib.pyplot as plt

3import pandas as pd

4import seaborn as sns

5from scipy.misc.pilutil import imread

6import matplotlib.cm as cm

7

8#導入部分數(shù)據(jù)

9deaths = pd.read_csv("deaths/kill_match_stats_final_0.csv")

10#導入aggregate數(shù)據(jù)

11aggregate = pd.read_csv("aggregate/agg_match_stats_0.csv")

12print(aggregate.head())

13#找出最后三人死亡的位置

14

15team_win = aggregate[aggregate["team_placement"]==1]#排名第一的隊伍

16#找出每次比賽第一名隊伍活的最久的那個player

17grouped = team_win.groupby('match_id').apply(lambda t: t[t.player_survive_time==t.player_survive_time.max()])

18

19deaths_solo = deaths[deaths['match_id'].isin(grouped['match_id'].values)]

20deaths_solo_er = deaths_solo[deaths_solo['map'] =='ERANGEL']

21deaths_solo_mr = deaths_solo[deaths_solo['map'] =='MIRAMAR']

22

23df_second_er = deaths_solo_er[(deaths_solo_er['victim_placement'] ==2)].dropna()

24df_second_mr = deaths_solo_mr[(deaths_solo_mr['victim_placement'] ==2)].dropna()

25print (df_second_er)

26

27position_data = ["killer_position_x","killer_position_y","victim_position_x","victim_position_y"]

28forpositioninposition_data:

29df_second_mr[position] = df_second_mr[position].apply(lambda x: x*1000/800000)

30df_second_mr = df_second_mr[df_second_mr[position] !=0]

31

32df_second_er[position] = df_second_er[position].apply(lambda x: x*4096/800000)

33df_second_er = df_second_er[df_second_er[position] !=0]

34

35df_second_er=df_second_er

36# erangel熱力圖

37sns.set_context('talk')

38bg = imread("erangel.jpg")

39fig, ax = plt.subplots(1,1,figsize=(15,15))

40ax.imshow(bg)

41sns.kdeplot(df_second_er["victim_position_x"], df_second_er["victim_position_y"], cmap=cm.Blues, alpha=0.7,shade=True)

42

43# miramar熱力圖

44bg = imread("miramar.jpg")

45fig, ax = plt.subplots(1,1,figsize=(15,15))

46ax.imshow(bg)

47sns.kdeplot(df_second_mr["victim_position_x"], df_second_mr["victim_position_y"], cmap=cm.Blues,alpha=0.8,shade=True)

最后祝大家：