阅读文本大概需要 6.66 分钟。
大吉大利，今晚吃鸡~ 周末跟朋友玩了几把“绝地求饶”，经历了各种死法，解锁了落地成盒的100种姿势，比如被拳头锤死、跳伞落到房顶摔死 、吃鸡的时候飙车被车技秀死、被弹回来的累炸死。这种游戏对我来说就是一个让我明白原来还有这种死法的游戏。但是玩归玩，还是得假装一下我沉迷学习，所以今天就用吃鸡比赛的真实数据来看看如何科学的提高你吃鸡的概率。
另：需源码的朋友加我的扣扣基地808713721
那么我们就用 Python 和 R 做数据分析来回答这些来自灵魂的拷问
各位看官请看
1、求死跳哪里比较好？
对于我这样一直喜欢苟着的良心玩家，在跳了无数次伞以后，我发现房区密集的城市是很容易挂的，慢慢的我发现了这个游戏的乐趣，苟活是我最后的倔强。
到底哪些点容易落地成盒？我们筛选出在前 100 秒死亡的玩家地点进行可视化分析。
激情沙漠地图的电站、皮卡多、别墅区、依波城最为危险，火车站、火电厂相对安全。
绝地海岛中P城、军事基地、学校、医院、核电站、防空洞都是绝对的危险地带。物质丰富的 G 港居然相对安全。
1import numpy as np
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#导入部分数据
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，理解变量
15print (deaths.head(),'
',len(deaths))
16
17#两种地图
18miramar = deaths[deaths["map"] == "MIRAMAR"]
19erangel = deaths[deaths["map"] == "ERANGEL"]
20
21#开局前100秒死亡热力图
22position_data = ["killer_position_x","killer_position_y","victim_position_x","victim_position_y"]
23for position in position_data:
24 miramar[position] = miramar[position].apply(lambda x: x*1000/800000)
25 miramar = miramar[miramar[position] != 0]
26
27 erangel[position] = erangel[position].apply(lambda x: x*4096/800000)
28 erangel = 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热力图
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热力图
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、哪一种武器干掉的玩家多？
运气好挑到好武器的时候，你是否犹豫选择哪一件？从图上来看，M416 和 SCAR 是不错的武器，也是相对容易能捡到的武器，大家公认 Kar98k 是能一枪毙命的好枪，它排名比较靠后的原因也是因为这把枪在比赛比较难得，而且一下击中敌人也是需要实力的，像我这种捡到 98k 还装上 8 倍镜但没捂热乎 1 分钟的玩家是不配得到它的。（捂脸）
1#杀人武器排名
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) for v in death_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) for v in death_causes[:rank].values])
14ax.set_title('Rate of Death Causes')
15ax.set_xticklabels(death_causes.index, rotation=90)
16
17#两个地图分开取
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) for v in counts_er.values][:rank], ax=axes[0] )
26sns.barplot(x=counts_mr[:rank].index, y=[v / sum(counts_mr) for v in counts_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#吃鸡和武器的关系
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) for v in win_causes[:20].values])
39ax.set_title('Rate of Death Causes of Win')
40ax.set_xticklabels(win_causes.index, rotation=90)
3、团队人越多就越有活的久？
对数据中的 party_size 变量进行生存分析，可以看到在同一生存率下，四人团队的生存时间高于两人团队，再是单人模式，所以人多力量大这句话不是没有道理的，如果我倒了，请一定要拉我。
4、苟着还是莽？
我到底是苟在屋里面还是出去和敌人肛？这里因为比赛的规模不一样，这里选取参赛人数大于90的比赛数据，然后筛选出团队team_placement即最后成功吃鸡的团队数据，
1、先计算了吃鸡团队平均击杀敌人的数量，这里剔除了四人模式的比赛数据，因为人数太多的团队会因为数量悬殊平均而变得没意义，没错我就是这么严谨的男人；
2、所以我们考虑通过分组统计每一组吃鸡中存活到最后的成员击杀敌人的数量，但是这里发现数据统计存活时间变量是按照团队最终存活时间记录的，所以该想法失败；
3、最后统计每个吃鸡团队中击杀人数最多的数量统计，这里剔除了单人模式的数据，因为单人模式的数量就是每组击杀最多的数量。最后居然发现还有击杀数量达到60的，怀疑是否有开挂。想要吃鸡还是得出去练枪法，光是苟着是不行的。
2library(tidyverse)
3library(data.table)
4library(ggplot2)
5pubg_full <- fread("../agg_match_stats.csv")
6# 吃鸡团队平均击杀敌人的数量
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$x)
12ggplot(data = team_killed) + geom_bar(mapping = aes(x = death_num, y = ..count..), color="steelblue") +
13 xlim(0,70) + labs(title = "Number of Death that PUBG Winner team Killed", x="Number of death")
14
15# 吃鸡团队最后存活的玩家击杀数量
16pubg_winner <- pubg_full %>% filter(pubg_full$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# 吃鸡团队中击杀敌人最多的数量
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") +
27 xlim(0,70) + labs(title = "Number of Death that PUBG Winner Killed", x="Number of death")
5、队友的助攻是否助我吃鸡？
有时候一不留神就被击倒了，还好我爬得快让队友救我。这里选择成功吃鸡的队伍，最终接受 1 次帮助的成员所在的团队吃鸡的概率为 29%
所以说队友助攻还是很重要的（再不要骂我猪队友了，我也可以选择不救你。）竟然还有让队友救 9次的，你也真是个小强。（手动滑稽)
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") +
10 xlim(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") +
12 xlim(0,10) + labs(title = "Number of Player assisted", x="Number of death")
6、出生地人多活得久？
对 game_size 变量进行生存分析发现还是小规模的比赛比较容易存活。毕竟竞争人数摆在那
1# R语言代码如下：
2library(magrittr)
3library(dplyr)
4library(survival)
5library(tidyverse)
6library(data.table)
7library(ggplot2)
8library(survminer)
9pubg_full <- fread("../agg_match_stats.csv")
10# 数据预处理，将连续变量划为分类变量
11pubg_sub <- pubg_full %>%
12 filter(player_survive_time<2100) %>%
13 mutate(drive = ifelse(player_dist_ride>0, 1, 0)) %>%
14 mutate(size = ifelse(game_size<33, 1,ifelse(game_size>=33 &game_size<66,2,3)))
15# 创建生存对象
16surv_object <- Surv(time = pubg_sub$player_survive_time)
17fit1 <- survfit(surv_object~party_size,data = pubg_sub)
18# 可视化生存率
19ggsurvplot(fit1, data = pubg_sub, pval = TRUE, xlab="Playing time [s]", surv.median.line="hv",
20 legend.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",
23 legend.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",
26 legend.labs=c("small","medium","big"), ggtheme = theme_light(),risk.table="percentage")
7、敌人离我越近越危险？
对数据中的 killer_position 和 victim_position 变量进行欧式距离计算，查看两者的直线距离跟被击倒的分布情况，呈现一个明显的右偏分布，看来还是需要随时观察到附近的敌情，以免到淘汰都不知道敌人在哪儿。
2import math
3def get_dist(df): #距离函数
4 dist = []
5 for row in df.itertuples():
6 subset = (row.killer_position_x - row.victim_position_x)**2 + (row.killer_position_y - row.victim_position_y)**2
7 if subset > 0:
8 dist.append(math.sqrt(subset) / 100)
9 else:
10 dist.append(0)
11 return dist
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])
8、有车是否活得更久？
对死因分析中发现，也有不少玩家死于毒圈，别以为带足了药就能跑毒。
对数据中的 player_dist_ride 变量进行生存分析，可以看到在同一生存率下，有私家车的玩家生存时间高于只走路的玩家，光靠腿你是跑不过我的兰博基尼的。
9、决赛圈有可能出现在哪里？
面对有本事能苟到最后的我，怎么样预测决赛圈出现在什么位置？
从表agg_match_stats 数据找出排名第一的队伍，然后按照 match_id 分组，找出分组数据里面 player_survive_time 最大的值，
然后据此匹配表格 kill_match_stats_final 里面的数据，这些数据里面取第二名死亡的位置，
作图发现激情沙漠的决赛圈明显更集中一些大概率出现在皮卡多、圣马丁和别墅区。
绝地海岛的就比较随机了，但是还是能看出军事基地和山脉的地方更有可能是最后的决赛圈。
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#导入部分数据
9deaths = pd.read_csv("deaths/kill_match_stats_final_0.csv")
10#导入aggregate数据
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] #排名第一的队伍
16#找出每次比赛第一名队伍活的最久的那个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"]
28for position in position_data:
29 df_second_mr[position] = df_second_mr[position].apply(lambda x: x*1000/800000)
30 df_second_mr = df_second_mr[df_second_mr[position] != 0]
31
32 df_second_er[position] = df_second_er[position].apply(lambda x: x*4096/800000)
33 df_second_er = df_second_er[df_second_er[position] != 0]
34
35df_second_er=df_second_er
36# erangel热力图
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热力图
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)