[[238048]]

大吉大利，今晚吃雞~ 今天跟朋友玩了幾把吃雞，經(jīng)歷了各種死法，還被嘲笑說論女生吃雞的100種死法，比如被拳頭掄死、跳傘落到房頂邊緣摔死 、把吃雞玩成飛車被車技秀死、被隊友用燃燒瓶燒死的。這種游戲?qū)ξ襾碚f就是一個讓我明白原來還有這種死法的游戲。但是玩歸玩，還是得假裝一下我沉迷學(xué)習(xí)，所以今天就用吃雞比賽的真實數(shù)據(jù)來看看如何提高你吃雞的概率。

那么我們就用python和R做數(shù)據(jù)分析來回答以下的靈魂發(fā)問?

首先來看下數(shù)據(jù)：

1、跳哪兒危險?

對于我這樣一直喜歡茍著的良心玩家，在經(jīng)歷了無數(shù)次落地成河的慘痛經(jīng)歷后，我是堅決不會選擇跳P城這樣樓房密集的城市，窮歸窮但保命要緊。所以我們決定統(tǒng)計一下到底哪些地方更容易落地成河?我們篩選出在前100秒死亡的玩家地點進(jìn)行可視化分析。激情沙漠地圖的電站、皮卡多、別墅區(qū)、依波城最為危險，火車站、火電廠相對安全。絕地海島中P城、軍事基地、學(xué)校、醫(yī)院、核電站、防空洞都是絕對的危險地帶。物質(zhì)豐富的G港居然相對安全。 

import numpy as np 
import matplotlib.pyplot as plt 
import pandas as pd 
import seaborn as sns 
from scipy.misc.pilutil import imread 
import matplotlib.cm as cm 
#導(dǎo)入部分?jǐn)?shù)據(jù) 
deaths1 = pd.read_csv("deaths/kill_match_stats_final_0.csv") 
deaths2 = pd.read_csv("deaths/kill_match_stats_final_1.csv") 
deaths = pd.concat([deaths1, deaths2]) 
#打印前5列，理解變量 
print (deaths.head(),'\n',len(deaths)) 
#兩種地圖 
miramar = deaths[deaths["map"] == "MIRAMAR"] 
erangel = deaths[deaths["map"] == "ERANGEL"] 
#開局前100秒死亡熱力圖 
position_data = ["killer_position_x","killer_position_y","victim_position_x","victim_position_y"] 
for position in position_data: 
    miramar[position] = miramar[position].apply(lambda x: x*1000/800000) 
    miramar = miramar[miramar[position] != 0] 
    erangel[position] = erangel[position].apply(lambda x: x*4096/800000) 
    erangel = erangel[erangel[position] != 0] 
 
n = 50000 
mira_sample = miramar[miramar["time"] < 100].sample(n) 
eran_sample = erangel[erangel["time"] < 100].sample(n) 
# miramar熱力圖 
bg = imread("miramar.jpg") 
fig, ax = plt.subplots(1,1,figsize=(15,15)) 
ax.imshow(bg) 
sns.kdeplot(mira_sample["victim_position_x"], mira_sample["victim_position_y"],n_levels=100, cmap=cm.Reds, alpha=0.9) 
# erangel熱力圖 
bg = imread("erangel.jpg") 
fig, ax = plt.subplots(1,1,figsize=(15,15)) 
ax.imshow(bg) 
sns.kdeplot(eran_sample["victim_position_x"], eran_sample["victim_position_y"], n_levels=100,cmap=cm.Reds, alpha=0.9) 

2、茍著還是出去干?

我到底是茍在房間里面還是出去和敵人硬拼?這里因為比賽的規(guī)模不一樣，這里選取參賽人數(shù)大于90的比賽數(shù)據(jù)，然后篩選出團(tuán)隊team_placement即最后成功吃雞的團(tuán)隊數(shù)據(jù)，1、先計算了吃雞團(tuán)隊平均擊殺敵人的數(shù)量，這里剔除了四人模式的比賽數(shù)據(jù)，因為人數(shù)太多的團(tuán)隊會因為數(shù)量懸殊平均而變得沒意義;2、所以我們考慮通過分組統(tǒng)計每一組吃雞中存活到最后的成員擊殺敵人的數(shù)量，但是這里發(fā)現(xiàn)數(shù)據(jù)統(tǒng)計存活時間變量是按照團(tuán)隊最終存活時間記錄的，所以該想法失敗;3、最后統(tǒng)計每個吃雞團(tuán)隊中擊殺人數(shù)最多的數(shù)量統(tǒng)計，這里剔除了單人模式的數(shù)據(jù)，因為單人模式的數(shù)量就是每組擊殺最多的數(shù)量。最后居然發(fā)現(xiàn)還有擊殺數(shù)量達(dá)到60的，懷疑是否有開掛。想要吃雞還是得出去練槍法，光是茍著是不行的。

library(dplyr) 
library(tidyverse) 
library(data.table) 
library(ggplot2) 
pubg_full <- fread("../agg_match_stats.csv") 
# 吃雞團(tuán)隊平均擊殺敵人的數(shù)量 
attach(pubg_full) 
pubg_winner <- pubg_full %>% filter(team_placement==1&party_size<4&game_size>90)  
detach(pubg_full) 
team_killed <- aggregate(pubg_winner$player_kills, by=list(pubg_winner$match_id,pubg_winner$team_id), FUN="mean") 
team_killed$death_num <- ceiling(team_killed$x) 
ggplot(data = team_killed) + geom_bar(mapping = aes(x = death_num, y = ..count..), color="steelblue") + 
 xlim(0,70) + labs(title = "Number of Death that PUBG Winner team Killed", x="Number of death") 
# 吃雞團(tuán)隊最后存活的玩家擊殺數(shù)量 
pubg_winner <- pubg_full %>% filter(pubg_full$team_placement==1) %>% group_by(match_id,team_id) 
attach(pubg_winner) 
team_leader <- aggregate(player_survive_time~player_kills, data = pubg_winner, FUN="max") 
detach(pubg_winner) 
# 吃雞團(tuán)隊中擊殺敵人最多的數(shù)量 
pubg_winner <- pubg_full %>% filter(pubg_full$team_placement==1&pubg_full$party_size>1) 
attach(pubg_winner) 
team_leader <- aggregate(player_kills, by=list(match_id,team_id), FUN="max") 
detach(pubg_winner) 
ggplot(data = team_leader) + geom_bar(mapping = aes(x = x, y = ..count..), color="steelblue") + 
  xlim(0,70) + labs(title = "Number of Death that PUBG Winner Killed", x="Number of death") 

3、哪一種武器干掉的玩家多?

運(yùn)氣好挑到好武器的時候，你是否猶豫選擇哪一件?從圖上來看，M416和SCAR是不錯的武器，也是相對容易能撿到的武器，大家公認(rèn)Kar98k是能一槍斃命的好槍，它排名比較靠后的原因也是因為這把槍在比賽比較難得，而且一下?lián)糁袛橙艘彩切枰獙嵙Φ模裎疫@種撿到98k還裝上8倍鏡但沒捂熱乎1分鐘的玩家是不配得到它的。(捂臉)

#殺人武器排名 
death_causes = deaths['killed_by'].value_counts() 
ns.set_context('talk') 
fig = plt.figure(figsize=(30, 10)) 
ax = sns.barplot(x=death_causes.index, y=[v / sum(death_causes) for v in death_causes.values]) 
ax.set_title('Rate of Death Causes') 
ax.set_xticklabels(death_causes.index, rotation=90) 
#排名前20的武器 
rank = 20 
fig = plt.figure(figsize=(20, 10)) 
ax = sns.barplot(x=death_causes[:rank].index, y=[v / sum(death_causes) for v in death_causes[:rank].values]) 
ax.set_title('Rate of Death Causes') 
ax.set_xticklabels(death_causes.index, rotation=90) 
#兩個地圖分開取 
f, axes = plt.subplots(1, 2, figsize=(30, 10)) 
axes[0].set_title('Death Causes Rate: Erangel (Top {})'.format(rank)) 
axes[1].set_title('Death Causes Rate: Miramar (Top {})'.format(rank)) 
counts_er = erangel['killed_by'].value_counts() 
counts_mr = miramar['killed_by'].value_counts() 
sns.barplot(x=counts_er[:rank].index, y=[v / sum(counts_er) for v in counts_er.values][:rank], ax=axes[0] ) 
sns.barplot(x=counts_mr[:rank].index, y=[v / sum(counts_mr) for v in counts_mr.values][:rank], ax=axes[1] ) 
axes[0].set_ylim((0, 0.20)) 
axes[0].set_xticklabels(counts_er.index, rotation=90) 
axes[1].set_ylim((0, 0.20)) 
axes[1].set_xticklabels(counts_mr.index, rotation=90) 
#吃雞和武器的關(guān)系 
win = deaths[deaths["killer_placement"] == 1.0] 
win_causes = win['killed_by'].value_counts() 
sns.set_context('talk') 
fig = plt.figure(figsize=(20, 10)) 
ax = sns.barplot(x=win_causes[:20].index, y=[v / sum(win_causes) for v in win_causes[:20].values]) 
ax.set_title('Rate of Death Causes of Win') 
ax.set_xticklabels(win_causes.index, rotation=90) 

4、隊友的助攻是否助我吃雞?

有時候一不留神就被擊倒了，還好我爬得快讓隊友救我。這里選擇成功吃雞的隊伍，最終接受1次幫助的成員所在的團(tuán)隊吃雞的概率為29%，所以說隊友助攻還是很重要的(再不要罵我豬隊友了，我也可以選擇不救你。)竟然還有讓隊友救9次的，你也是個人才。(手動滑稽)

library(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、敵人離我越近越危險?

對數(shù)據(jù)中的killer_position和victim_position變量進(jìn)行歐式距離計算，查看兩者的直線距離跟被擊倒的分布情況，呈現(xiàn)一個明顯的右偏分布，看來還是需要隨時觀察到附近的敵情，以免到淘汰都不知道敵人在哪兒。

# python代碼：殺人和距離的關(guān)系 
import math 
def get_dist(df): #距離函數(shù) 
    dist = [] 
    for row in df.itertuples(): 
        subset = (row.killer_position_x - row.victim_position_x)**2 + (row.killer_position_y - row.victim_position_y)**2 
        if subset > 0: 
            dist.append(math.sqrt(subset) / 100) 
        else: 
           dist.append(0) 
    return dist 
 
df_dist = pd.DataFrame.from_dict({'dist(m)': get_dist(erangel)}) 
df_dist.index = erangel.index 
erangel_dist = pd.concat([erangel,df_dist], axis=1) 
df_dist = pd.DataFrame.from_dict({'dist(m)': get_dist(miramar)}) 
df_dist.index = miramar.index 
miramar_dist = pd.concat([miramar,df_dist], axis=1) 
f, axes = plt.subplots(1, 2, figsize=(30, 10)) 
plot_dist = 150 
 
axes[0].set_title('Engagement Dist. : Erangel') 
axes[1].set_title('Engagement Dist.: Miramar') 
 
plot_dist_er = erangel_dist[erangel_dist['dist(m)'] <= plot_dist] 
plot_dist_mr = miramar_dist[miramar_dist['dist(m)'] <= plot_dist] 
sns.distplot(plot_dist_er['dist(m)'], ax=axes[0]) 
sns.distplot(plot_dist_mr['dist(m)'], ax=axes[1]) 

6、團(tuán)隊人越多我活得越久?

對數(shù)據(jù)中的party_size變量進(jìn)行生存分析，可以看到在同一生存率下，四人團(tuán)隊的生存時間高于兩人團(tuán)隊，再是單人模式，所以人多力量大這句話不是沒有道理的。

7、乘車是否活得更久?

對死因分析中發(fā)現(xiàn)，也有不少玩家死于Bluezone，大家天真的以為撿繃帶就能跑毒。對數(shù)據(jù)中的player_dist_ride變量進(jìn)行生存分析，可以看到在同一生存率下，有開車經(jīng)歷的玩家生存時間高于只走路的玩家，光靠腿你是跑不過毒的。

8、小島上人越多我活得更久?

對game_size變量進(jìn)行生存分析發(fā)現(xiàn)還是小規(guī)模的比賽比較容易存活。

# R語言代碼如下： 
library(magrittr) 
library(dplyr) 
library(survival) 
library(tidyverse) 
library(data.table) 
library(ggplot2) 
library(survminer) 
pubg_full <- fread("../agg_match_stats.csv") 
# 數(shù)據(jù)預(yù)處理，將連續(xù)變量劃為分類變量 
pubg_sub <- pubg_full %>% 
  filter(player_survive_time<2100) %>% 
  mutate(drive = ifelse(player_dist_ride>0, 1, 0)) %>% 
  mutate(size = ifelse(game_size<33, 1,ifelse(game_size>=33 &game_size<66,2,3))) 
# 創(chuàng)建生存對象 
surv_object <- Surv(time = pubg_sub$player_survive_time) 
fit1 <- survfit(surv_object~party_size,data = pubg_sub) 
# 可視化生存率 
ggsurvplot(fit1, data = pubg_sub, pval = TRUE, xlab="Playing time [s]", surv.median.line="hv", 
           legend.labs=c("SOLO","DUO","SQUAD"), ggtheme = theme_light(),risk.table="percentage") 
fit2 <- survfit(surv_object~drive,data=pubg_sub) 
ggsurvplot(fit2, data = pubg_sub, pval = TRUE, xlab="Playing time [s]", surv.median.line="hv", 
          legend.labs=c("walk","walk&drive"), ggtheme = theme_light(),risk.table="percentage") 
fit3 <- survfit(surv_object~size,data=pubg_sub) 
ggsurvplot(fit3, data = pubg_sub, pval = TRUE, xlab="Playing time [s]", surv.median.line="hv", 
           legend.labs=c("small","medium","big"), ggtheme = theme_light(),risk.table="percentage") 

9、最后毒圈有可能出現(xiàn)的地點?

面對有本事能茍到最后的我，怎么樣預(yù)測最后的毒圈出現(xiàn)在什么位置。從表agg_match_stats數(shù)據(jù)找出排名第一的隊伍，然后按照match_id分組，找出分組數(shù)據(jù)里面player_survive_time最大的值，然后據(jù)此匹配表格kill_match_stats_final里面的數(shù)據(jù)，這些數(shù)據(jù)里面取第二名死亡的位置，作圖發(fā)現(xiàn)激情沙漠的毒圈明顯更集中一些，大概率出現(xiàn)在皮卡多、圣馬丁和別墅區(qū)。絕地海島的就比較隨機(jī)了，但是還是能看出軍事基地和山脈的地方更有可能是最后的毒圈。

#最后毒圈位置 
 import matplotlib.pyplot as plt 
 import pandas as pd 
 import seaborn as sns 
 from scipy.misc.pilutil import imread 
 import matplotlib.cm as cm 
#導(dǎo)入部分?jǐn)?shù)據(jù) 
deaths = pd.read_csv("deaths/kill_match_stats_final_0.csv") 
#導(dǎo)入aggregate數(shù)據(jù) 
aggregate = pd.read_csv("aggregate/agg_match_stats_0.csv") 
print(aggregate.head()) 
#找出最后三人死亡的位置 
team_win = aggregate[aggregate["team_placement"]==1] #排名第一的隊伍 
#找出每次比賽第一名隊伍活的最久的那個player 
grouped = team_win.groupby('match_id').apply(lambda t: t[t.player_survive_time==t.player_survive_time.max()]) 
deaths_solo = deaths[deaths['match_id'].isin(grouped['match_id'].values)] 
deaths_solo_er = deaths_solo[deaths_solo['map'] == 'ERANGEL'] 
deaths_solo_mr = deaths_solo[deaths_solo['map'] == 'MIRAMAR'] 
df_second_er = deaths_solo_er[(deaths_solo_er['victim_placement'] == 2)].dropna() 
df_second_mr = deaths_solo_mr[(deaths_solo_mr['victim_placement'] == 2)].dropna() 
print (df_second_er) 
position_data = ["killer_position_x","killer_position_y","victim_position_x","victim_position_y"] 
for position in position_data: 
  df_second_mr[position] = df_second_mr[position].apply(lambda x: x*1000/800000) 
   df_second_mr = df_second_mr[df_second_mr[position] != 0] 
 
   df_second_er[position] = df_second_er[position].apply(lambda x: x*4096/800000) 
   df_second_er = df_second_er[df_second_er[position] != 0] 
df_second_er=df_second_er 
# erangel熱力圖 
sns.set_context('talk') 
bg = imread("erangel.jpg") 
fig, ax = plt.subplots(1,1,figsize=(15,15)) 
ax.imshow(bg) 
sns.kdeplot(df_second_er["victim_position_x"], df_second_er["victim_position_y"], cmap=cm.Blues, alpha=0.7,shade=True) 
# miramar熱力圖 
bg = imread("miramar.jpg") 
fig, ax = plt.subplots(1,1,figsize=(15,15)) 
ax.imshow(bg) 
sns.kdeplot(df_second_mr["victim_position_x"], df_second_mr["victim_position_y"], cmap=cm.Blues,alpha=0.8,shade=True)