分析5万多场英雄联盟比赛,教你如何轻松用python预测胜负
CDA数据分析师 出品
作者:真达、Mika
数据:真达
后期:Mika
【导读】
今天教大家用Python预测英雄联盟比赛胜负。Show me data,用数据说话!今天我们聊一聊 python预测LOL胜负。
目前,英雄联盟S10全球总决赛正在火热进行中,最终决赛将于10月31日在浦东足球场举行。作为当下最火热的电竞赛事,这点燃了全球无数玩家的关注,相信没有哪个英雄联盟玩家会错过这场受众超广、影响力超大的国际电竞赛事。LPL究竟能否在家门口拿下第三座世界赛奖杯也成了许多玩家关注的话题。
对于每场比赛,大家最关注的莫过于最后的胜负了,那么比赛的胜负能否可以预测呢?今天,我们就分析了5万多场英雄联盟的排名比赛,教你如何用Python预测比赛胜负。
01、项目介绍
英雄联盟(LOL)是美国游戏开发商Riot Games(2011年由腾讯收购)开发和发行的一款多人在线战斗竞技游戏。
在游戏中,玩家扮演一个"召唤师"角色,每个召唤师控制一个拥有独特技能的"英雄",并与一组其他玩家或电脑控制的英雄战斗。游戏的目标是摧毁对方的防御塔和基地。
召唤者峡谷是英雄联盟中最受欢迎的地图,在这种地图类型中,两队五名玩家竞争摧毁一个被称为基地的敌人建筑,这个建筑由敌人的队伍和一些防御塔护卫。每个队伍都希望保卫自己的建筑,同时摧毁对方的建筑。这些主要包括:
- Towers(防御塔):每支队伍总共有11座防御塔
- Inhibitor(水晶):每条道有一个水晶
- Elemental Drakes/Elder Dragon(大龙/远古龙)
- Rift Herald(峡谷先锋)
- Baron Nasho(纳什男爵)
- Nexus(基地)
英雄联盟最具争议的元素之一,就是其严重的滚雪球效应。许多职业选手接受赛后采访时都提到其输赢都因为“滚雪球”,我们研究各方面各指标的数据,来看这些因素的发展是否真的影响了比赛的成败。
在这个项目中,我们分析了5万多场英雄联盟的排名比赛,并尝试使用决策树算法来根据已有输入属性预测比赛胜负。
02、数据集概述
数据集收集了超过50000个从游戏英雄联盟排位游戏的数据,字段主要包含以下数据:
- Game ID:游戏ID
- Creation Time:创建时间
- Game Duration (in seconds):游戏持续时间(秒)
- Season ID:赛季ID
- Winner (1=team1, 2=team2):获胜队伍
- First Baron, dragon, tower, blood, inhibitor and Rift Herald (1 = team1, 2 = team2, 0 = none):第一条纳什男爵,大龙,塔,一血,水晶,峡谷先锋
- Champions and summoner spells for each team (Stored as Riot's champion and summoner spell IDs):每只队伍选择的英雄和召唤术
- The number of tower, inhibitor, Baron, dragon and Rift Herald kills each team has:塔,水晶,男爵,大龙和峡谷先锋击杀数
- The 5 bans of each team (Again, champion IDs are used):每个队伍的禁用英雄
03、数据读入和预览
首先导入所需包和读入数据集。
# 数据整理 import numpy as np import pandas as pd # 可视化 import matplotlib.pyplot as plt import seaborn as sns import plotly as py import plotly.graph_objs as go # 建模 from sklearn.tree import DecisionTreeClassifier from sklearn.model_selection import train_test_split, GridSearchCV from sklearn.metrics import confusion_matrix, classification_report
# 读入数据 df = pd.read_csv('./archive/games.csv') df.head()
df.shape (51490, 61)
04、数据可视化
我们将分别对影响比赛的相关因素进行如下探索:
1. 目标变量分布
数据集一共有51490条记录,其中1队获胜的次数为26077次,占比50.6%,2队获胜的次数为25413次,占比49.4%。不存在样本不平衡的情况。
——代码如下:
# 饼图 trace0 = go.Pie(labels=df['winner'].value_counts().index, values=df['winner'].value_counts().values,hole=0.5,opacity=0.9,marker=dict(line=dict(color='white', width=1.3))) layout = go.Layout(title='目标变量winner分布')data = [trace0] fig = go.Figure(data, layout) py.offline.plot(fig, filename='./html/整体获胜情况分布.html')
2. 游戏时长分布
从直方图可以看出,游戏时长大致服从正态分布,其中最短的游戏时长为3分钟,3分钟是游戏重开的时间点,最长的游戏时长是79分钟。中间50%的时长在26~36分钟之间。
——代码:
df['game_duration'] = round(df['gameDuration'] / 60) # 选择数据 x1 = df[df['winner'] == 1]['game_duration'] x2 = df[df['winner'] == 2]['game_duration'] # 直方图 trace0 = go.Histogram(x=x1, bingroup=25, name='team1', opacity=0.9) trace1 = go.Histogram(x=x2, bingroup=25, name='team2', opacity=0.9) layout = go.Layout(title='比赛游戏时长分布') data = [trace0, trace1] fig = go.Figure(data, layout) py.offline.plot(fig, filename='./html/游戏时长分布.html')
3. 一血对获胜的影响
获得一血的队伍胜率相对较高,在第一队的比赛中,首先获得一血时的胜率为59.48%,相较未获得一血的比赛高18%。在第二队的比赛中,获得一血时的胜率为58.72%,相较未获得一血的比赛高18%。
——代码为:
plot_bar_horizontal(input_col='firstBlood', target_col='winner', title_name='一血对获胜的影响')
4. 一塔对获胜的影响
从数据来看,第一个防御塔看起来是比较有说服力的指标。在第一队的比赛中,首先摧毁一塔时队伍的胜率高达70.84%,相较未获得一塔的比赛高41.64%。在第二队的比赛中,有相近的数据表现。
——代码是:
plot_bar_horizontal(input_col='firstTower', target_col='winner', title_name='一塔对获胜的影响')
5. 摧毁第一个水晶对获胜的影响
在比赛中拿到第一座水晶塔的队伍91%的情况下可以获胜,这一点在某种程度上是可以预见的,因为首先摧毁水晶塔代表队伍已经积累的足够的优势,而且水晶塔力量很强大,并且更具有价值。
——代码为:
plot_bar_horizontal(input_col='firstInhibitor',target_col='winner', title_name='摧毁第一个水晶对获胜的影响')
6. 击杀第一条男爵对获胜影响
统计数据显示,在比赛中击杀第一条男爵有80%的胜率。
plot_bar_horizontal(input_col='firstBaron', target_col='winner',title_name='击杀第一条男爵对获胜影响')
7. 击杀第一条大龙对获胜的影响
在第一个队伍中,首先击杀第一条大龙的队伍胜率在68.6%,相较未取得优先的比赛胜率高36%。
plot_bar_horizontal(input_col='firstDragon',target_col='winner',title_name='击杀第一条大龙对获胜的影响')
8. 击杀第一条峡谷先锋对获胜的影响
在第一个队伍中,首先击杀第一条峡谷先锋的队伍胜率在69.45%,相较未取得优先的比赛胜率高38.92%。
plot_bar_horizontal(input_col='firstRiftHerald', target_col='winner', title_name='击杀第一条峡谷先锋对获胜的影响')
9. 摧毁防御塔数对获胜影响
选择第一个队伍的摧毁防御塔数作为影响因素,可以看出,摧毁的防御塔数量越多,获胜的概率越大。当数量大于8个时,胜率大于85%。11个防御塔全部摧毁时的胜率为99.16%,当然也有8.4‰的翻盘概率。
plot_bar_vertical(input_col='t1_towerKills',target_col='winner', title_name='摧毁防御塔数对获胜影响')
10. 摧毁水晶数对获胜影响
摧毁水晶的数目越多,获胜的概率越大。没有摧毁水晶的获胜概率为12.55%,摧毁一个的获胜概率为81.11%,两个为92.38%。
plot_bar_vertical(input_col='t1_inhibitorKills', target_col='winner', title_name='摧毁水晶数对获胜影响')
11. 击杀男爵数对获胜影响
击杀男爵数越多,获胜的概率越大,击杀5条男爵的数据仅有一条,后续需要删除。
plot_bar_vertical(input_col='t1_baronKills', target_col='winner', title_name='击杀男爵数对获胜影响')
12. 击杀大龙数对获胜影响
击杀大龙数数越多,获胜的概率越大
plot_bar_vertical(input_col='t1_dragonKills', target_col='winner', title_name='击杀大龙数对获胜影响')
05、数据建模
首先进行初步的清洗,并筛选建模所需变量。
# 删除时间少于15分钟和分类数较少的记录 df = df[(df['gameDuration'] >= 900) & (df['t1_baronKills'] != 5)] print(df.shape)
(50180, 62)
# 筛选建模变量 df_model = df[['winner', 'firstBlood', 'firstTower', 'firstInhibitor', 'firstBaron','firstDragon', 'firstRiftHerald', 't1_towerKills', 't1_inhibitorKills','t1_baronKills','t1_dragonKills', 't2_towerKills', 't2_inhibitorKills', 't2_baronKills', 't2_dragonKills']] df_model.head()
然后划分训练集和测试集,采用分层抽样方法划分80%数据为训练集,20%数据为测试集。
# 划分训练集和测试集 x = df_model.drop('winner', axis=1) y = df_model['winner']X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.2, stratify=y, random_state=0) print(X_train.shape, X_test.shape, y_train.shape, y_test.shape)
(40144, 14) (10036, 14) (40144,) (10036,)
使用决策树算法建模,使用GridSearchCV进行参数调优。
# 参数 parameters = {'splitter': ('best', 'random'),'criterion':('gini', 'entropy'),'max_depth':[*range(1, 20, 2)], }# 建立模型 clf = DecisionTreeClassifier(random_state=0) GS = GridSearchCV(clf, parameters, cv=10) GS.fit(X_train, y_train)
GridSearchCV(cv=10, estimator=DecisionTreeClassifier(random_state=0),param_grid={'criterion': ('gini', 'entropy'),'max_depth': [1, 3, 5, 7, 9, 11, 13, 15, 17, 19],'splitter': ('best', 'random')})
# 输出最佳得分 print("best score: ", GS.best_score_) print("best param: ", GS.best_params_)
best score: 0.9770077890521407 best param: {'criterion': 'gini', 'max_depth': 7, 'splitter': 'best'}
# 最佳模型 best_clf = DecisionTreeClassifier(criterion="gini", max_depth=7, splitter="best") best_clf.fit(X_train,y_train) print("score:", best_clf.score(X_test,y_test))
score: 0.9799721004384216
使用最优的模型重新评估测试数据集效果:
# 输出分类报告 y_pred = best_clf.predict(X_test) cm = confusion_matrix(y_test, y_pred) cr = classification_report(y_test, y_pred) print('Classification report : \n', cr)
Classification report : precision recall f1-score support1 0.98 0.98 0.98 50772 0.98 0.98 0.98 4959accuracy 0.98 10036macro avg 0.98 0.98 0.98 10036 weighted avg 0.98 0.98 0.98 10036
# 热力图 g1 = sns.heatmap(cm, annot=True, fmt=".1f", cmap="flag", linewidths=0.2, cbar=False) g1.set_ylabel('y_true', fontdict={'fontsize': 15}) g1.set_xlabel('y_pred', fontdict={'fontsize': 15}) g1.set_title('confusion_matrix', fontdict={'fontsize': 15})
Text(0.5, 1, 'confusion_matrix')
# 输出属性重要性 imp = pd.DataFrame(list(zip(X_train.columns, best_clf.feature_importances_))) imp.columns = ['columns', 'importances'] imp = imp.sort_values('importances', ascending=False) imp
在属性的重要性排序中,击杀防御塔数量的重要性最高,其次是水晶摧毁数量、一塔、击杀龙的数量。
以下代码用于输出这颗树:
# 可视化 import graphviz from sklearn import tree dot_data = tree.export_graphviz(decision_tree=best_clf, max_depth=3,out_file=None, feature_names=X_train.columns,class_names=['1', '2'], filled=True,rounded=True) graph = graphviz.Source(dot_data) graph
06、模型预测
我们假设:第一队拿了第一血,第一塔,第一男爵,第一条大龙和第一峡谷先锋,而第二队只拿了第一个水晶。
第一队的塔,水晶,男爵和龙杀死的数量分别是10,2,1,4和塔,水晶,男爵和龙的数量分别是7,2,1,1。
# 新数据 new_data = [[1, 1, 2, 1, 1, 1, 10, 2, 1, 4, 7, 2, 1, 1]] c = best_clf.predict_proba(new_data).reshape(-1, 1) print("winner is :" , best_clf.predict(x1)) print("First team win probability is % ", list(c[0] * 100),"\nSecond team win probability is %:",list(c[1] * 100))
winner is : [1] First team win probability is % [89.87341772151899] Second team win probability is %: [10.126582278481013]
根据模型预测结果,第一队将会获胜,获胜的概率为89.87%。
分析5万多场英雄联盟比赛,教你如何轻松用python预测胜负相关推荐
- 对英雄联盟比赛预测(二)- 数据获取api分析
系列文章目录 对英雄联盟比赛预测(一)- 特征分析 对英雄联盟比赛预测(二)- 数据获取api分析 对英雄联盟比赛预测(三)- 数据获取Java实现 文章目录 系列文章目录 声明 前言 一.数据源分析 ...
- 对英雄联盟比赛预测(四)- 数据清洗
系列文章目录 对英雄联盟比赛预测(一)- 特征分析 对英雄联盟比赛预测(二)- 数据获取api分析 对英雄联盟比赛预测(三)- 数据获取Java实现 对英雄联盟比赛预测(四)- 数据清洗 文章目录 前 ...
- 对英雄联盟比赛预测(三)- 数据获取Java实现
系列文章目录 对英雄联盟比赛预测(一)- 特征分析 对英雄联盟比赛预测(二)- 数据获取api分析 对英雄联盟比赛预测(三)- 数据获取Java实现 文章目录 系列文章目录 声明 前言 一.基本框架 ...
- 对英雄联盟比赛预测(一)- 特征分析
系列文章目录 对英雄联盟比赛预测(一)- 特征分析 对英雄联盟比赛预测(二)- 数据获取api分析 对英雄联盟比赛预测(三)- 数据获取Java实现 这里写目录标题 系列文章目录 我们先来分析下影响比 ...
- java 英雄联盟回合战斗_如何赢得一场英雄联盟的战斗新手入门篇
导读:如何赢得一场英雄联盟的战斗?这里面存在非常多的因素,本文是英雄联盟欧服一篇非常入门级的心得手册,新手请进来看看,高手也可以随意看看. 综述 英雄联盟不是刷钱游戏,也不是杀人游戏,更不是类似炮塔防 ...
- 英雄联盟无法启动 因计算机中,腾讯wegame无法启动英雄联盟?教你解决方法
腾讯wegame无法启动英雄联盟?教你解决方法 2020-03-27 腾讯wegame是一款面向全球玩家的游戏平台,最近有用户反映,腾讯wegame无法运行英雄联盟游戏,这是为什么呢?鉴于此,小编整理 ...
- 用Python分析了1982场英雄联盟数据,开局前预测游戏对局胜负!
微信改版,加星标不迷路! 用Python分析如何打好英雄联盟? 作者:阿广 概述 前言 假设 游戏对战数据获取 分析和训练数据 游戏对战胜负预测 期望研究的问题 结论 阿广说 推荐阅读 前言 如今,只 ...
- 用 Python 分析了 1982 场英雄联盟数据,开局前预测游戏对局胜负!
前言 如今,只要随便进入一个网吧,都会发现玩<英雄联盟>的人是最多的,可以这么说,<英雄联盟>已经是当之无愧的端游一哥.而在拥有如此基数玩家的<英雄联盟>,已经不仅 ...
- python读取游戏数据_用Python抓取并分析了1982场英雄联盟数据,教你开局前预测游戏对局胜负!...
英雄联盟想必大多数读者不会陌生,这是一款来自拳头,由腾讯代理的大型网络游戏,现在一进网吧,你就能发现一大片玩英雄联盟的人.在2017年中国战队无缘鸟巢的世界总决赛后,一大片人选择了弃游,只是终究没躲过 ...
最新文章
- CUDA C++程序设计模型
- python是什么公司开发的软件-软件开发|什么是行为驱动的 Python?
- 新建指令避开 Avalon 的 ms-duplex 的问题
- Visual Studio registry capture utility 已停止工作的解决办法
- 在Ubuntu11.10下构建hadoop实验环境笔记
- 深圳内推 | ​腾讯优图实验室视频组招聘计算机视觉算法研究员/实习生
- CoSENT:比Sentence-BERT更有效的句向量方案
- Qt Creator使用材质和明暗器Using Materials and Shaders
- 零基础学Python(第十一章 字符串处理)
- 修改FTP密码的三种方法
- 如何实现office不同语言界面切换
- 从零开始构建MSBuild C#项目文件
- hbase 实战项目
- 百度文库复制文字(一个按钮,关闭JS功能即可,浏览器100%有效)2021年
- 用c语言解三角函数公式大全初中,初中三角函数公式大全
- [150529](必看)档案挂靠与打回生源地、暂缓的对比 (广州)
- html图片自动在div里放大,HTML5+CSS3实现图片的放大/缩小
- Python实现:已知化学分子的输入文件坐标(高斯计算输入文件为例),求其中任意三个原子确定的平面的法向量和单位法向量
- 常用一些缺失dll文件下载网址,最新版本的 Microsoft Visual C++ 的下载链接
- Java 如何把gb2312编码转化为汉字(互转)