|
副标题[/!--empirenews.page--]
概述
- 前言
- 获取数据
- 观察数据
- 数据处理
- 吃鸡到底和哪个数据相关性最强?
- 分析热度图
- 期望研究的问题
- 结论
前言
绝地求生在国内火的一塌糊涂的时候，一款名叫Fortnite的游戏在国外刮起了堡垒旋风，这款同样为大逃杀玩法的沙盒类游戏，在绝地求生逐渐走低的形势下，堡垒之夜却夺得多项提名，众多明星主播转战堡垒!
上天入地，盖楼修路，铺陷阱设弹床;想和太阳肩并肩，一发火箭就上天。
鉴于“二百斤灵魂”小胖舍友经常痴迷于吃鸡类游戏，为了帮助他提高游戏胜率，我爬取并分析了1w余场吃鸡数据。下面让我们来看一下能吃鸡得强相关条件是什么?
获取数据
首先，我们需要加载Python库
- import pandas as pd
- import numpy as np
- import matplotlib.pyplot as plt
- import seaborn as sns
- %matplotlib inline
然后载入Fortnite数据，检查数据的质量和整洁度，然后整理和清理数据集，以便进行后续的清理工作。
- #录入Fornite的CSV数据
- Fortnite_data = pd.read_csv('aguang.csv')
为了对数据集有一个大致的了解，不妨先输出数据的前几行。
- Fortnite_data.head()
结果为：
- serial_number knockout_number assist-number save_number precision hit_the_target exact_strike marching_course material collection material-using afford damage cause_damage building-damage grade Total-score Total-experience teams number match-time competitor-name
- 0 1 4 1 0 0.33 69 19 4000 1325 670 554 815 3709 3 448.0 762.0 1 2018/5/14 11:37 Alvin
- 1 2 2 1 0 0.31 28 0 2000 733 110 292 268 7733 9 282.0 536.0 2 2018/5/17 17:48 Alvin
- 2 3 3 0 1 0.21 33 12 3000 1806 350 245 543 7727 8 291.0 597.0 4 2018/5/18 18:05 Alvin
- 3 4 2 0 3 0.05 6 0 3000 700 420 746 163 19008 3 NaN NaN 4 2018/5/18 18:26 Alvin
- 4 5 1 4 1 0.12 32 7 3000 668 370 212 432 13108 4 358.0 734.0 4 2018/5/18 18:53 Alvin
观察数据
本数据集包含了1w余把游戏数据，其中可能有“二百斤”的小胖网瘾记录(惨不忍睹:joy:)。该数据集中的缺失值被标记为NaN。数据列名的含义如下：
- serial_number： 游戏场次编号
- knockout_number： 本场淘汰人数
- assist_number： 助攻数
- save_number： 救起队友人数
- precision： 射击精度
- hit_the_target： 命中
- exact_strike： 精准打击
- marching_course： 行进历程（m）
- material_collection： 材料已收集
- material-using： 使用材料
- afford_damage： 承受伤害
- cause_damage： 玩家伤害
- building-damage： 建筑伤害
- total_score： 总分
- total_experience： 总经验
- teams_number： 参赛情况（1人为Solo，两人为Double，4人为team，3人参赛自动填充为4人）
- match_time： 游戏时间
- competitor_name： 该条记录的所有人
数据处理
查看数据类型和数据有无缺失值
- #查看数据类型和数据有无缺失
- Fortnite_data.info()
（编辑：核心网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
