游戏最终排名预测--kaggle项目笔记

原项目链接

导入数据

#安装需要的 statsmodels 包。
#!pip install statsmodels==0.9.0
import pandas as pd

df = pd.read_csv('https://labfile.oss.aliyuncs.com/courses/1363/PUBG.csv')
df.head()

df.info()
df.describe()

各列含义如下，要预测的列为 winPlacePerc

数据可视化

对目标列winPlacePerc作图

import seaborn as sns
from matplotlib import pyplot as plt
%matplotlib inline
plt.style.use('fivethirtyeight')

#做出列winPlacePerc与列winPoints 的图。
#winPlacePerc 列是系统给出的游戏排名，而 winPoints 是外部给出的游戏排名
fig, (ax1, ax2) = plt.subplots(1, 2)
fig.set_figwidth(15)
sns.distplot(df['winPlacePerc'], ax=ax1)
sns.distplot(df['winPoints'], ax=ax2)
plt.show()
#结论:有些两极分化，0 和 1 两头的人数都相对多一点

分析一下玩家击倒敌人的人数的情况：

train_dbno = pd.DataFrame(df['DBNOs'].value_counts(), columns=['DBNOs'])
dbno = train_dbno.iloc[:9, :]
dbno.iloc[8]['DBNOs'] = train_dbno.iloc[8:, :].sum()['DBNOs']
plt.figure(figsize=(14, 5))
sns.barplot(dbno.index, dbno.DBNOs)
plt.gca().set_xticklabels([0, 1, 2, 3, 4, 5, 6, 7, '8+'])
plt.gca().set_xlabel('No of enemy players knocked')
plt.gca().set_ylabel("count")
plt.show()
plt.savefig("enemy_")
#结论：许多玩家都是 0 击倒，说明大多数玩家水平可能还是处于初级阶段

再看击倒敌人的数量是否与最后的排名有关：

f, ax1 = plt.subplots(figsize=(15, 5))
sns.pointplot(x='DBNOs', y='winPlacePerc', data=df, alpha=0.8)
plt.xlabel('Number of DBNOs', fontsize=15, color='blue')
plt.ylabel('Win Percentage', fontsize=15, color='blue')
plt.title('DBNOs / Win Ratio', fontsize=20, color='blue')
plt.grid()
plt.show()
#结论：击倒敌人的数量越多，排名也就越高。这说明，击倒敌人与排名有很大的关系。

再看玩家自己所受到的伤害，条形图与箱线图

fig, (ax1, ax2) = plt.subplots(1, 2)
fig.set_figwidth(15)

sns.distplot(df['damageDealt'], ax=ax1)
sns.boxplot(df['damageDealt'], ax=ax2)
plt.show()
#结论：大多数人的受到的伤害在 0 到 500 之间

分析玩家受伤害值是否与排名有关系

data = df.copy()
# 将伤害值分为 6 个部分。
data['damageDealt_rank'] = pd.cut(data['damageDealt'],
                                  [-1, 500, 1000, 1500, 2000, 2500, 60000],
                                  labels=['0_500', '500-1000', '1000-1500',
                                          '1500-2000', '2000-2500', '2500+'])

f, ax1 = plt.subplots(figsize=(14, 4))
sns.pointplot(x='damageDealt_rank', y='winPlacePerc', data=data, alpha=0.8)
plt.xlabel('damageDealtk', fontsize=15, color='blue')
plt.xticks(rotation=45)
plt.ylabel('Win Percentage', fontsize=15, color='blue')
plt.title('damageDealt / Win Ratio', fontsize=20, color='blue')
plt.grid()
plt.show()
#结论：由图知，玩家排名越靠前，所受到的伤害就越大

现在来看杀死敌人的排名情况

plt.figure()
sns.distplot(df['killPlace'], bins=50)
plt.show()
#结论：从上图可以看出，在杀死敌人排名中呈现均匀分布的现象。

再分析一下杀死敌人的数量

fig, (ax1, ax2) = plt.subplots(1, 2)
fig.set_figwidth(15)
sns.distplot(df['kills'], kde=False, ax=ax1)
sns.boxplot(df['kills'], ax=ax2)
plt.show()
#结论：大多数玩家杀死敌人的数量都不超过 5 个人。从右图看到有个别玩家在游戏中杀死敌人的数量超多了 20 人。

游戏玩家杀死敌人的数量与自己所受到的伤害的关系

plt.figure()
sns.regplot(df['kills'].values, df['damageDealt'].values)
plt.gca().set_ylabel('Damage dealt')
plt.gca().set_xlabel('Total kills')
plt.show()
#结论：一个玩家杀死敌人的数量越多，自己所受到的伤害就越大，基本呈线性关系

分析一下玩家杀死敌人的数量与排名的关系

data = df.copy()
# 将杀死敌人的数量分为 6 个部分。
data['kills_rank'] = pd.cut(data['kills'], [-1, 0, 2, 5, 10, 20, 60],
                            labels=['0_kills', '1-2_kills', '3-5_kills',
                                    '6-10_kills', '11-20_kills', '20+kills'])
plt.figure(figsize=(10, 4))
sns.boxplot(x='kills_rank', y='winPlacePerc', data=data)
plt.show()
#玩家杀死敌人的数量越多，其最后的排名也就越高

再来看一下玩家在游戏中，一枪爆头的个数

fig, (ax1, ax2) = plt.subplots(1, 2)
fig.set_figwidth(15)
sns.distplot(df['headshotKills'], ax=ax1)
sns.boxplot(df['headshotKills'], ax=ax2)
plt.show()
#结论：大多数玩家都没有一枪爆头。但在右图中，有个别玩家一枪爆头的数量到达了 8 人

爆头人数与排名之间的关系

f, ax1 = plt.subplots(figsize=(14, 4))
sns.pointplot(x='headshotKills', y='winPlacePerc', data=df, alpha=0.8)
plt.xlabel('Number of headshotKills', fontsize=15, color='blue')
plt.ylabel('Win Percentage', fontsize=15, color='blue')
plt.title('headshotKills/ Win Ratio', fontsize=20, color='blue')
plt.grid()
plt.show()

再看短时间内杀死敌人的数量

killstreak = pd.DataFrame(df['killStreaks'].value_counts())
killstreak.iloc[4] = killstreak.iloc[4:].sum()
killstreak = killstreak[:5]
sns.barplot(killstreak.index, killstreak['killStreaks'])

再看一下玩家在一局游戏中行走的距离

#在游戏中，角色的移动主要通过步行、游泳、和使用交通工具。现在可以通过对三者相加来求出玩家行走的距离。
data = df.copy()
data['move'] = data['rideDistance']+data['swimDistance']+data['walkDistance']
sns.distplot(data['move'])
#结论：大多数玩家行走的距离都在 0 到 5000 区间。只有及其少部分玩家超过了 5000 

查看一下行走距离与排名之间的关系

data = df.copy()
# 将距离划分为 6 个部分。
data['move'] = data['rideDistance']+data['swimDistance']+data['walkDistance']
data['move_rank'] = pd.cut(data['move'], [-1, 2000, 4000, 6000, 8000, 10000, 60000],
                           labels=['0_2000', '2000-4000', '4000-6000',
                                   '6000-8000', '8000-10000', '10000+'])
plt.figure(figsize=(10, 4))
sns.boxplot(x='move_rank', y='winPlacePerc', data=data)
plt.show()
#从上图可以看出，玩家行走的距离越远，排名也就越高

再看捡枪的数量

fig, (ax1, ax2) = plt.subplots(1, 2)
fig.set_figwidth(15)
sns.distplot(df['weaponsAcquired'], ax=ax1)
sns.boxplot(df['weaponsAcquired'], ax=ax2)
#结论：大多数玩家在游戏中捡枪的数量都没有超过 10 。但在右图中，有个别玩家捡枪的数量超过了 40。

查看捡枪数量与排名的关系

f, ax1 = plt.subplots(figsize=(15, 5))
sns.pointplot(x='weaponsAcquired', y='winPlacePerc', data=df, alpha=0.8)
plt.xlabel('Number of weaponsAcquired', fontsize=15, color='blue')
plt.ylabel('Win Percentage', fontsize=15, color='blue')
plt.title('weaponsAcquired/ Win Ratio', fontsize=20, color='blue')
plt.grid()
plt.show()
#结论：捡枪的数量与排名大致呈正比关系

查看，使用救援类物质的数量与排名的关系，以及使用提升性物品的数量对排名的影响。

data = df.copy()
f, ax1 = plt.subplots(figsize=(14, 4))
sns.pointplot(x='heals', y='winPlacePerc', data=data, color='lime', alpha=0.8)
sns.pointplot(x='boosts', y='winPlacePerc', data=data, color='blue', alpha=0.8)
plt.text(0, 0.9, 'Heals', color='lime', fontsize=17, style='italic')
plt.text(0, 0.85, 'Boosts', color='blue', fontsize=17, style='italic')
plt.xlabel('Number of heal/boost items', fontsize=15, color='blue')
plt.ylabel('Win Percentage', fontsize=15, color='blue')
plt.title('Heals vs Boosts', fontsize=20, color='blue')
plt.grid()
#结论：救援类物质的数量和使用提升性物品的数量对排名均有一定的影响，但是提升性物品的影响要略大于救援类物质的影响。

特征工程

上面只是对数据集中的一些特征列进行了可视化，以便更好的理解数据。而我们的任务是根据这些特征来预测玩家的排名。现在我们对数据进行手工提取特征。

#救援类物品和提升性能类物品都可以算作是一类，因此将这两者加起来得到一个新的特征列。同样的方法对距离进行处理。
df['healsAndBoosts'] = df['heals']+df['boosts']
df['totalDistance'] = df['walkDistance']+df['rideDistance']+df['swimDistance']

#当使用提升类物品时，游戏玩家可以运行得更快。同时也帮助玩家保持在区外。因此，我们可以创建一个特征列，用来记录游戏玩家没走一步所消耗的提升性物品。救援类物品虽然不会使玩家跑得更快，但也有助于保持远离危险地带。所以让我们也为救援类物品创建相同的特征列。
df['boostsPerWalkDistance'] = df['boosts'] / \
    (df['walkDistance']+1)  # 加 1 是为了防止分母为 0
df['boostsPerWalkDistance'].fillna(0, inplace=True)
df['healsPerWalkDistance'] = df['heals']/(df['walkDistance']+1)
df['healsPerWalkDistance'].fillna(0, inplace=True)
df['healsAndBoostsPerWalkDistance'] = df['healsAndBoosts'] / \
    (df['walkDistance']+1)
df['healsAndBoostsPerWalkDistance'].fillna(0, inplace=True)
df[['walkDistance', 'boosts', 'boostsPerWalkDistance', 'heals',
    'healsPerWalkDistance', 'healsAndBoosts', 'healsAndBoostsPerWalkDistance']][40:45]

同样的方法，提取杀死敌人的数量与步行距离的关系

df['killsPerWalkDistance'] = df['kills'] / \
    (df['walkDistance']+1)  # 加 1 是为了防止分母为 0
df['killsPerWalkDistance'].fillna(0, inplace=True)
df[['kills', 'walkDistance', 'rideDistance',
    'killsPerWalkDistance', 'winPlacePerc']].tail(5)

构建模型

#再查看数据
df.head()
#从上图可以看到，此时的数据包含 36 列。但玩家编号（Id）、分组编号（groupId）、游戏局编号（matchId）、游戏的类型（matchType）对预测结果是没有帮助的。因此现在将这四列删除掉。
df_drop = df.drop(['Id', 'groupId', 'matchId', 'matchType'], axis=1)

划分训练集和测试集。

from sklearn.model_selection import train_test_split

data_X = df_drop.drop(['winPlacePerc'], axis=1)
data_y = df_drop['winPlacePerc']
train_X, test_X, train_y, test_y = train_test_split(
    data_X, data_y.values, test_size=0.1)

使用随机森林回归

from sklearn.ensemble import RandomForestRegressor

model = RandomForestRegressor(n_estimators=40)  # 构建模型
model.fit(train_X, train_y)  # 训练模型
y_pred = model.predict(test_X)  # 预测
y_pred[:10]

#上面我们完成了预测模型的构建预训练，并对测试集进行预测。为了直观的看出模型预测的好坏，现在通过画图的方法来对比。
f, ax1 = plt.subplots(figsize=(15, 5))

plt.plot(test_y[:100])
plt.plot(y_pred[:100])
#在图中，蓝色线条表示测试数据的真实值，而红色线条表示预测的数据。从图中可以看出，我们所构建的模型基本能够预测正确。

#现在查看一下均方误差。
from sklearn.metrics import mean_squared_error

mean_squared_error(y_pred, test_y)