导入库

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.mixture import GaussianMixture
from sklearn.preprocessing import StandardScaler
from pyecharts.charts import Pie
from pyecharts import options as opts
from collections import Counter

1. 所有英雄属性

plt.rcParams['font.sans-serif'] = ['SimHei']  # 正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 正常显示负号
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', None)
data = pd.read_csv('/home/mw/input/hero3741/all_hero_init_attr.csv', encoding='gb18030')

feature = ['英雄名字', '生存能力', '攻击伤害', '技能效果','上手难度', '最大生命', '最大法力', '物理攻击','法术攻击', '物理防御', '物理减伤率', '法术防御','法术减伤率', '移速', '物理护甲穿透', '法术护甲穿透','攻速加成', '暴击几率', '暴击效果', '物理吸血', '法术吸血','冷却缩减', '攻击范围', '韧性', '生命回复', '法力回复']
data_init = data[feature]
data_init.head()

# 把空值设置为0
data_init = data_init.fillna(0)
# print(data_init.isnull().sum())
'''
正则匹配包含%%的数据
p = r'(%%)'
a = data_init['物理减伤率'].astype("object").str.extract(p)
print(a)
'''features_remain = ['生存能力', '攻击伤害', '技能效果','上手难度', '最大生命', '最大法力', '物理攻击','法术攻击', '物理防御', '物理减伤率', '移速', '攻击范围', '生命回复', '法力回复']data_init = data_init[features_remain]data_init['物理减伤率'] = data_init['物理减伤率'].apply(lambda x: float(x.strip('%'))/100)data_init['攻击范围'] = data_init['攻击范围'].map({'远程': 1, '近程': 0})# print(data_init)ss = StandardScaler()
data_init = ss.fit_transform(data_init)gmm = GaussianMixture(n_components=20, covariance_type='full')
gmm.fit(data_init)prediction = gmm.predict(data_init)
# print(prediction)
data.insert(0, '分组', prediction)
data.to_csv('/home/mw/input/hero3741/all_hero_init_attr_our.csv', index=False, sep=',', encoding='gb18030')df = data[['分组', '英雄名字']]  # 获取需要的两列grouped = df.groupby(['分组'])  # 以”分组“列来进行分组
k = []# 获取分组后的 组和值，保存为字典，放到列表中
for name, group in grouped:k.append({name: list(group['英雄名字'].values)})kk = []
for i in k:for k, v in i.items():kk.append(v)length = []
key = []
for i in kk:key.append(str(i))length.append(len(i))

key, length

pie = Pie()
pie.add("", [list(z) for z in zip(key, length)],radius=["30%", "75%"], center=["45%", "50%"], rosetype="radius",)
pie.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}, {d}%"))
pie.set_global_opts(title_opts=opts.TitleOpts(title="英雄初始属性分类图"),legend_opts=opts.LegendOpts(type_="scroll", pos_left="80%", orient="vertical"),)
pie.render_notebook()

2. 根据英雄属性进行聚类分析

plt.rcParams['font.sans-serif'] = ['SimHei']  # 正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 正常显示负号
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', None)
data = pd.read_csv('/home/mw/input/hero3741/all_hero_init_attr.csv', encoding='gb18030')

data.head()

feature = ['英雄名字', '生存能力', '攻击伤害', '技能效果','上手难度', '最大生命', '最大法力', '物理攻击','法术攻击', '物理防御', '物理减伤率', '法术防御','法术减伤率', '移速', '物理护甲穿透', '法术护甲穿透','攻速加成', '暴击几率', '暴击效果', '物理吸血', '法术吸血','冷却缩减', '攻击范围', '韧性', '生命回复', '法力回复']

data_init = data[feature]

data_init = data_init.fillna(0)

corr = data_init[feature].corr()
plt.figure(figsize=(14, 14))
sns.heatmap(corr, annot=True)
plt.show()

features_remain = ['生存能力', '攻击伤害', '技能效果','上手难度', '最大生命', '最大法力', '物理攻击','法术攻击', '物理防御', '物理减伤率', '移速', '攻击范围', '生命回复', '法力回复']

data_init = data_init[features_remain]
data_init.head()

data_init['物理减伤率'] = data_init['物理减伤率'].apply(lambda x: float(x.strip('%'))/100)data_init['攻击范围'] = data_init['攻击范围'].map({'远程': 1, '近程': 0})

data_init.head()

ss = StandardScaler()
data_init = ss.fit_transform(data_init)

gmm = GaussianMixture(n_components=20, covariance_type='full')
gmm.fit(data_init)

GaussianMixture(covariance_type='full', init_params='kmeans', max_iter=100,means_init=None, n_components=20, n_init=1,precisions_init=None, random_state=None, reg_covar=1e-06,tol=0.001, verbose=0, verbose_interval=10, warm_start=False,weights_init=None)

data.insert(0, '分组', prediction)
data.to_csv('/home/mw/input/hero3741/all_hero_init_attr_our.csv', index=False, sep=',', encoding='gb18030')

pie = Pie()
pie.add("", [list(z) for z in zip(key, length)],radius=["30%", "75%"],center=["40%", "50%"],rosetype="radius")
pie.set_global_opts(title_opts=opts.TitleOpts(title="英雄聚类分布"),legend_opts=opts.LegendOpts(type_="scroll", pos_left="80%", orient="vertical"),)
pie.render_notebook()

用Python更方便了解王者荣耀英雄属性对比相关推荐

Python爬虫爬取王者荣耀英雄人物高清图片
Python爬虫爬取王者荣耀英雄人物高清图片实现效果: 网页分析从第一个网页中,获取每个英雄头像点击后进入的新网页地址,即a标签的 href 属性值: 划线部分的网址是需要拼接的在每个英雄的具体 ...
Python批量爬取王者荣耀英雄高清壁纸
Python批量爬取王者荣耀英雄高清壁纸文章目录 Python批量爬取王者荣耀英雄高清壁纸前言爬虫步骤 python代码实现总结前言很多喜欢玩王者的朋友很希望把王者荣耀的英雄图片拿来做壁纸 ...
初学Python，爬取王者荣耀英雄介绍及皮肤下载
前言其实一开始是准备爬王者荣耀官网的,但是研究了很长时间,发现它的官网爬取后的数据说是乱码也不算,但都看不懂,也没查到解决办法,估计是反爬比较强,对于新手来说,有点困难. 所以为了练习,还是选择了难 ...
手把手教你使用Python网络爬虫获取王者荣耀英雄皮肤
点击上方"Python爬虫与数据挖掘",进行关注回复"书籍"即可获赠Python从入门到进阶共10本电子书今日鸡汤欢度国庆,共度中秋. /1 前言/ ...
python爬虫——爬取王者荣耀英雄出装建议（一）
爬取装备列表 #爬取王者荣耀装备,并写入MySQL数据库import requests import re import pymysqldb=pymysql.connect('localhost',' ...
JavaScript 练手小技巧：我用canvas画出了王者荣耀英雄属性的雷达图
新年伊始,学习不止. 顺带恭喜下自己博客点击量突破 20w~啦~~ 不容易啊~~ ----------------------------------------------------------- ...
python 山脊图_爬虫：带你一键爬取王者荣耀英雄皮肤壁纸
一.前言王者荣耀这款手游,想必大家都玩过或听过,游戏里英雄有各式各样的皮肤,制作得很精美,有些拿来做电脑壁纸它不香吗.本文带你利用Python爬虫一键下载王者荣耀英雄皮肤壁纸. 1. 目标创建一个 ...
图片链接用src不能被爬虫爬到吗_爬虫：带你一键爬取王者荣耀英雄皮肤壁纸
一.前言王者荣耀这款手游,想必大家都玩过或听过,游戏里英雄有各式各样的皮肤,制作得很精美,有些拿来做电脑壁纸它不香吗.本文带你利用Python爬虫一键下载王者荣耀英雄皮肤壁纸. 1. 目标创建一个 ...
scrapy框架爬取王者荣耀英雄数据
scrapy框架爬取王者荣耀英雄属性爬虫工程爬虫文件 import scrapy from theKingPro.items import ThekingproItemclass ThekingS ...

用Python更方便了解王者荣耀英雄属性对比

导入库

1. 所有英雄属性

2. 根据英雄属性进行聚类分析

用Python更方便了解王者荣耀英雄属性对比相关推荐

最新文章

热门文章