绝地求生游戏最终排名预测
知识点
数据读取与预览
数据可视化
构建随机森林预测模型
导入数据并预览
先导入数据并预览。本次实验同样来源于 Kaggle 上的一个竞赛： 绝地求生排名预测 ，由于原始数据较大，我们只取了其中一部分的数据来进行分析。如果你想分析所有的数据可以去 下载原始数据。
读取数据并预览前5行
import pandas as pd
df = pd.read_csv('train.csv')
df.head()
由上面的输出结果可知，数据主要由 29 列构成。我们所要预测的列为 winPlacePerc 。各列所表示的含义如下。
DBNOs - 击倒多少敌人
assists - 伤害过多少敌人（最终该敌人被队友杀害）
boosts - 使用过多少个提升性的物品 (boost items used)
damageDealt - 造成的总伤害-自己所受的伤害
headshotKills - 通过爆头而杀死的敌人数量
heals - 使用了多少救援类物品
Id - 玩家ID
killPlace - 杀死敌人数量的排名
killPoints - 基于杀戮的玩家外部排名。将其视为Elo排名，只有杀死才有意义。如果 rankPoints 中的值不是 -1，那么 killPoints 中的任何 0 都应被视为“无”。
killStreaks - 短时间内杀死敌人的最大数量
kills - 杀死的敌人的数量
longestKill - 玩家和玩家在死亡时被杀的最长距离。 这可能会产生误导，因为击倒一名球员并开走可能会导致最长的杀戮统计数据。
matchDuration - 匹配用了多少秒
matchId - 匹配的 ID（每一局一个 ID）
matchType - 单排/双排/四排；标准模式是 “solo”，“duo”，“squad”，“solo-fpp”，“duo-fpp”和“squad-fpp”; 其他模式来自事件或自定义匹配。
rankPoints - 类似 Elo 的玩家排名。 此排名不一致，并且在 API 的下一个版本中已弃用，因此请谨慎使用。值 -1 表示“无”。
revives - 玩家救援队友的次数
rideDistance - 玩家使用交通工具行驶了多少米
roadKills - 在交通工具上杀死了多少玩家
swimDistance - 游泳了多少米
teamKills - 该玩家杀死队友的次数
vehicleDestroys - 毁坏了多少交通工具
walkDistance - 步行运动了多少米
weaponsAcquired - 捡了多少把枪
winPoints - 基于赢的玩家外部排名。将其视为 Elo 排名，只有获胜才有意义。如果 kPoints 中的值不是 -1，那么 winPoints 中的任何 0 都应被视为“无”。
groupId - 队伍的 ID。 如果同一组玩家在不同的比赛中比赛，他们每次都会有不同的 GroupId。
numGroups - 在该局比赛中有玩家数据的队伍数量
maxPlace - 在该局中已有数据的最差的队伍名词（可能与该局队伍数不匹配，因为数据收集有跳跃）
winPlacePerc - 预测目标，是以百分数计算的，介于 0-1 之间，1 对应第一名，0 对应最后一名。 它是根据 maxPlace 计算的，而不是 numGroups ，因此匹配中可能缺少某些队伍。
# 现在查看一下数据的基本信息。
df.info()
# 由上可知，该数据集中不含有缺失值，查看数据描述。
df.describe()
数据可视化
# 由于我们所要预测的列为 winPlacePerc ，即排名情况，所以先来分析该列。先导入相关的画图工具。
import seaborn as sns
from matplotlib import pyplot as plt
%matplotlib inline
plt.style.use('fivethirtyeight')
#winPlacePerc 列是系统给出的游戏排名，而 winPoints 是外部给出的游戏排名，现在画出这两列的数据分布图。
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()
从上的结果可以看到，游戏排名似乎呈两极分化现象，0 和 1 两头的人数都相对多一点。
# 现在来看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_")
从上图可以看到，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。
fig, (ax1, ax2) = 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()
从上图可以看到，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。
# 现在看在一局游戏中，玩家自己所受到的伤害。
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()
从上图可以看出，大多数人的受到的伤害在 0 到 500 之间。现在来看玩家受伤害值是否与排名有关系。
# 将伤害值分为 6 个部分。
# pd.cut()
data = df.copy()
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()
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()
从上图可以看到，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()
从上图可以看出，在杀死敌人排名中呈现均匀分布的现象。
现看一下杀死敌人的数量。
plt.figure()
sns.distplot(df['killPlace'])
plt.show()
从上图可以看出，在杀死敌人排名中呈现均匀分布的现象。
现看一下杀死敌人的数量。
# sns.regplot
plt.figure()
sns.regplot(df['kills'].values, df['damageDealt'].values)
plt.gca().set_ylabel('Damage dealt')
plt.gca().set_xlabel('Total kills')
plt.show()
从上图可以看到，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。
我们可以分析一下，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()
从上图可以看到，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。
现在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()
从上图可以看到，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()
从上图可看到，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。
现在看一下，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()
可以查看一下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'])
data = df.copy()
data['move'] = data['rideDistance']+data['swimDistance']+data['walkDistance']
sns.distplot(data['move'])
fig, (ax1, ax2) = plt.subplots(1, 2)
fig.set_figwidth(15)
sns.distplot(df['weaponsAcquired'], ax=ax1)
sns.boxplot(df['weaponsAcquired'], ax=ax2)
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()
# heals - 使用了多少救援类物品
# boosts - 使用过多少个提升性的物品 (boost items used)
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()
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。
def dispose(df):
# 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]
# 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)
return df
df=dispose(df)
构建模型
先来看一下我们的数据。
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。
def df_drop(df):
df_drop = df.drop(['Id', 'groupId', 'matchId', 'matchType'], axis=1)
df_drop = df_drop(df)
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']
构建预测模型。这里我们使用随机森林回归的方法来构建模型。
from sklearn.ensemble import RandomForestRegressor
model = RandomForestRegressor(n_estimators=40) # 构建模型
model.fit(data_X, data_y) # 训练模型
test_X = pd.read_csv('test_C2.csv')
dispos(test_X)
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])
在上图中，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)
。
。
。
。
。
还有较多bug,未完待续。。。。。