糖甜甜甜，985高校经管研二，擅长用python，R， tableau等工具结合统计学和机器学习模型做数据分析。个人公众号：经管人学数据分析。

大吉大利，今晚吃鸡~ 今天跟朋友玩了几把吃鸡，经历了各种死法，还被嘲笑说论女生吃鸡的100种死法，比如被拳头抡死、跳伞落到房顶边缘摔死 、把吃鸡玩成飞车被车技秀死、被队友用燃烧瓶烧死的。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提高你吃鸡的概率。

那么我们就用python和R做数据分析来回答以下的灵魂发问？

首先来看下数据：

1、跳哪儿危险？

对于我这样一直喜欢苟着的良心玩家，在经历了无数次落地成河的惨痛经历后，我是坚决不会选择跳P城这样楼房密集的城市，穷归穷但保命要紧。所以我们决定统计一下到底哪些地方更容易落地成河？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")1112deaths = pd.concat([deaths1, deaths2])1314#打印前5列，理解变量15print (deaths.head(),'\n',len(deaths))1617#两种地图18miramar = deaths[deaths["map"] == "MIRAMAR"]19erangel = deaths[deaths["map"] == "ERANGEL"]2021#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]2627    erangel[position] = erangel[position].apply(lambda x: x*4096/800000)28    erangel = erangel[erangel[position] != 0]2930n = 5000031mira_sample = miramar[miramar["time"] < 100].sample(n)32eran_sample = erangel[erangel["time"] < 100].sample(n)3334# 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)3940# 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、苟着还是出去干？

我到底是苟在房间里面还是出去和敌人硬拼？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；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。

 1library(dplyr) 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$x)12ggplot(data = team_killed) + geom_bar(mapping = aes(x = death_num, y = ..count..), color="steelblue") +13  xlim(0,70) + labs(title = "Number of Death that PUBG Winner team Killed", x="Number of death")1415# 吃鸡团队最后存活的玩家击杀数量16pubg_winner <- pubg_full %>% filter(pubg_full$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)2021# 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")

3、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) 910#排名前20的武器11rank = 2012fig = 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)1617#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))2122counts_er = erangel['killed_by'].value_counts()23counts_mr = miramar['killed_by'].value_counts()2425sns.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)3132#吃鸡和武器的关系33win = deaths[deaths["killer_placement"] == 1.0]34win_causes = win['killed_by'].value_counts()3536sns.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)

4、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，你也是个人才。（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")

5、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。

 1# python代码：杀人和距离的关系 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 dist1213df_dist = pd.DataFrame.from_dict({'dist(m)': get_dist(erangel)})14df_dist.index = erangel.index1516erangel_dist = pd.concat([erangel,df_dist], axis=1)1718df_dist = pd.DataFrame.from_dict({'dist(m)': get_dist(miramar)})19df_dist.index = miramar.index2021miramar_dist = pd.concat([miramar,df_dist], axis=1)2223f, axes = plt.subplots(1, 2, figsize=(30, 10))24plot_dist = 1502526axes[0].set_title('Engagement Dist. : Erangel')27axes[1].set_title('Engagement Dist.: Miramar')2829plot_dist_er = erangel_dist[erangel_dist['dist(m)'] <= plot_dist]30plot_dist_mr = miramar_dist[miramar_dist['dist(m)'] <= plot_dist]3132sns.distplot(plot_dist_er['dist(m)'], ax=axes[0])33sns.distplot(plot_dist_mr['dist(m)'], ax=axes[1])

6、团队人越多我活得越久？

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。

7、乘车是否活得更久？

对死因分析中发现，也有不少玩家死于Bluezone，大家天真的以为捡绷带就能跑毒。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，有开车经历的玩家生存时间高于只走路的玩家，光靠腿你是跑不过毒的。

8、小岛上人越多我活得更久？

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。

 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")

9、最后毒圈有可能出现的地点？

面对有本事能苟到最后的我，怎么样预测最后的毒圈出现在什么位置。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毒圈明显更集中一些，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毒圈。

 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1415team_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player17grouped = team_win.groupby('match_id').apply(lambda t: t[t.player_survive_time==t.player_survive_time.max()])1819deaths_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']2223df_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)2627position_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]3132    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]3435df_second_er=df_second_er36# 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)4243# 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)

在  经管人学数据分析  后台回复  吃鸡  即可获取数据。

此文花费了不少功夫，赞赏、点赞、转发都是对作者的认可和支持。

最后祝大家：

如果大家周围有对数据分析&数据挖掘感兴趣的朋友，欢迎在朋友圈分享&转发我们的公众号，让更多的朋友加入数据森麟。有好的文章也可以联系我与大家分享，需要获取代码转载本公众号文章，可以直接在公众号或者文章下方留言。

往期文章：


大数据助你“吃鸡”一臂之力！相关推荐

  1. 数据可视化发现[吃鸡]秘密

    大吉大利,今晚吃鸡~ 今天跟朋友玩了几把吃鸡,经历了各种死法,还被嘲笑说论女生吃鸡的100种死法,比如被拳头抡死.跳伞落到房顶边缘摔死 .把吃鸡玩成飞车被车技秀死.被队友用燃烧瓶烧死的.这种游戏对我来 ...

  2. 【BDTC 2016】百度金融研发负责人沈抖：大数据助推普惠金融发展与创新

    [CSDN现场报道]2016年12月8-10日,由中国计算机学会(CCF)主办,CCF大数据专家委员会承办,中国科学院计算技术研究所.中科天玑数据科技股份有限公司与CSDN共同协办,以"聚焦 ...

  3. 用Python分析了1w场吃鸡数据，原来吃鸡要这么玩！

    微信改版,加星标不迷路! 用Python分析如何才能高效吃鸡? 作者:阿广 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 阿广说 推荐阅读 ...

  4. 用 Python 分析了 10000 场吃鸡数据，原来吃鸡要这么玩！

    作者 | 阿广 责编 | 屠敏 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 ...

  5. 立国之本——制造业，云计算、大数据助推升级中

    制造业是立国之本.兴国之器.强国之基.在当前复杂的国内外环境下,大力发展先进制造业,加大对先进制造业的投资力度,对于稳固国家经济底盘.实现经济高质量发展具有重要的现实意义. 因此,为助推制造业高质量发 ...

  6. 大数据Hadoop：杀鸡用的宰牛刀

    Hadoop是个庞大的重型解决方案,它的设计目标本来就是大规模甚至超大规模的集群,面对的是上百甚至上千个节点,这样就会带来两个问题: 自动化管理管任务分配机制:这样规模的集群,显然不大可能针对每个节点 ...

  7. 大数据助推智慧城市建设的快速发展

    哈佛大学教授加里?金曾说,"大数据是一场革命,庞大的数据资源促使各个行业领域开始了量化进程."然而,他万万没有想到,一些互联网公司改变了大数据的用途.10月16日,北京的韩女士在某 ...

  8. 【牛客网】 F-大吉大利，今晚吃鸡——跑毒篇

    链接:https://www.nowcoder.com/acm/contest/67/F 来源:牛客网 时间限制:C/C++ 1秒,其他语言2秒 空间限制:C/C++ 32768K,其他语言65536 ...

  9. 绝地大逃杀，吃鸡首秀

    安装比较简单 1 安装steam. 2 购买绝地大逃杀. 3 下载游戏,此时绝地大逃杀下载会很慢,预计时间一年,此时可以选在距离较近的冷门服务器,我选的蒙古,大概80分钟下载完成. 在运行时出现问题, ...

最新文章

  1. 面向对象设计原则_聊聊面向对象的6大设计原则
  2. android x86 三星,三星主刀 X86架构Android4.X手机CES见
  3. 数列分块入门2(区间小于c的个数)
  4. Boost:gzifstream和gzofstream的测试程序
  5. 【转】小白级的CocoaPods安装和使用教程
  6. 一年级下册计算机教学计划,【实用】一年级下册教学计划4篇
  7. GIOU loss+DIOU loss+CIOU loss
  8. 人工智能 - paddlepaddle飞桨 - 入门之安装教程
  9. Java EE中的重新验证(java.util.regex.Pattern)
  10. Leetcode每日一题:67.add-binary(二进制求和)
  11. Struts2学习笔记（九） 拦截器（Interceptor）(下)
  12. 光源选型的要素有哪些？
  13. 从Myeclipe转向Idea，各种遇坑与填坑经验，持续更新(图文)
  14. C Tricks（十五）—— 算符优先级的表示
  15. AEJoy —— 表达式之弹性（韧性）模拟详解【JS】
  16. 基于node.js的在线聊天室
  17. P1_M4_L5 Lateral Dynamic Bicycle Model（自行车模型的横向动力学建模）
  18. 华为交换机路由器密码重置笔记
  19. Java爬虫_资源网站爬取实战
  20. css3动画动一次就停止,css - 在最后一帧停止CSS3动画

热门文章

  1. HLS - intel HLS 指令使用指南
  2. python 创业项目_python 全栈开发，Day126(创业故事,软件部需求,内容采集,显示内容图文列表,MongoDB数据导入导出JSON)...
  3. 快速傅立叶变换算法详解（小白也能看懂的FFT教程）
  4. php 验证身份证（获取年龄、性别、出生日期）
  5. Android数字转条形码二维码
  6. linux根目录扩容方法
  7. iPhone使用快捷指令打开粤康码
  8. linux下主目录是什么,Linux根目录下的目录的作用
  9. AndroidStudio3.6的卸载安装，Gradle持续下载/Gradle Build失败等问题
  10. 论文笔记-DRFNet：Looking for the Detail and Context Devils: High-Resolution Salient Object Detection