专栏首页Python绿色通道数据分析:LPL, 你更看好哪只队伍?

数据分析:LPL, 你更看好哪只队伍?

摘要

LPL(League of Legends Pro League),中国大陆最高级别的英雄联盟职业比赛,是中国大陆赛区通往每年季中冠军赛和全球总决赛的唯一渠道。相信大部分小伙伴对LPL的参赛队伍都不陌生,那今天就来分析一下这些参赛队伍的数据。

问题

打比赛的时候,选择蓝方胜率是否是一定高于红方?EDG、WE、RNG以及像国民老公的IG这些战队胜率如何?不同的战队特点是什么呢?某个时段的战队战绩排行又是什么情况?

分析

1、导入数据并修改字段名

import numpy as np import pandas as pd import seaborn as snsimport matplotlib.pyplot as pltfrom datetime import date, timedelta, datetimefrom pyecharts import Bar,Pie,Line,Geo,Map,Style,WordCloudplt.rc("font", size=14)plt.rcParams['savefig.dpi'] = 100 #图片像素plt.rcParams['figure.dpi'] = 100 #分辨率Data = pd.read_csv('C:/Users/18030/Desktop/LOL.csv')Data.rename(columns={'战队':'Team','攻击':'Attack',"法术":"Magic","防御":"Defence","团战":"Group","机动":"Flex","是否红方":"Is_Red","是否获胜":"IS_V"},inplace=True)Data.head()

不同队伍选择红方,蓝方的输赢比分析

from pyecharts import BarData_1 = pd.pivot_table(Data,values='IS_V',index='Team',columns='Is_Red',aggfunc='sum')Data_1.rename(columns={0:"NO",1:"YES"},inplace=True)attr = Data_1.index.tolist()v1 = Data_1['NO'].values.tolist()v2 = Data_1['YES'].values.tolist()bar = Bar("")bar.add("YES", attr, v2, is_stack=True)bar.add("NO", attr, v1, is_stack=True)bar

可视化结果:

分析结果:

  • JDG、NB、WE、IG等大多数队伍选择选择蓝方的胜场高于红方。
  • RNG、EDG、IM选择红方的胜场高于蓝方。

不同队伍的打法特点是怎样的呢?

from pyecharts import RadarData_2 = Data.groupby('Team').mean().stack()EDG_VALUE = [Data_2['EDG'][:5].values.tolist()]WE_VALUE = [Data_2['WE'][:5].values.tolist()]RNG_VALUE = [Data_2['RNG'][:5].values.tolist()]radar = Radar()c_schema= [ {"name": "Attack", "max": 55, "min": 53},           {"name": "Magic",   "max": 52.8, "min": 50},           {"name": "Defence", "max": 55, "min": 52},           {"name": "Group",   "max": 76,   "min":72},           {"name": "Flex",    "max": 68,    "min":64} ]radar.config(c_schema=c_schema, shape='circle')radar.add("EDG", EDG_VALUE, is_splitline=True, is_axisline_show=True,line_width =2 )radar.add("WE", WE_VALUE, label_color=["#4e79a7"],item_color="#000",line_width=2)radar.add("RNG", RNG_VALUE, label_color=['rgba(443,23,112,121)'],item_color='rgba(413,123,23,412)',line_width=2)radar

说明:这里只画出RNG、EDG、WE的打法特点。

可视化结果:

很明显的看出来这三只队伍的打法特点:

  • EDG更注重进攻,而防守是其短板。
  • RNG的打法是很灵活的,并且在法术和防御很出色。
  • WE不是激进的打法,相对来说其更愿意防守和团队输出。

某个时段的战队战绩排行又是什么情况呢?

from pyecharts import BarData_3 = Data.groupby('Team').sum()Data_4 = Data_3['IS_V']Data_4 = Data_4.sort_values(ascending=False)attr = Data_4.index.values.tolist()v = Data_4.values.tolist()bar = Bar()bar.use_theme('dark')bar.add("战队胜场排行榜",attr,v)bar

可视化结果:

分析结果:

  • 该时段WE、IG、RNG的胜场相对来说更好一些。
  • IM、DAN等战队相对这些老牌队伍逊色不少。

不同战队的胜率如何?

from pyecharts import PieData_7 = Data.groupby('Team').sum()Index = Data_7.indexALL_COUNT = np.array([len(Data[Data.Team == i ]) for i in Index])ALL_WIN =Data_7.IS_V.valuesWIN_PER = ALL_WIN/ALL_COUNTLOS_PER = 1 - WIN_PERData_8 = pd.DataFrame(index=Index,columns=['WIN_PER','LOS_PER'])Data_8['WIN_PER'] = WIN_PER*100Data_8['LOS_PER'] = LOS_PER*100Data_8.sort_values(by='WIN_PER',ascending=False,inplace=True)pie = Pie(title_pos='center')style = Style()pie_style = style.add(    label_pos="center",    is_label_show=True,    label_text_color=None)pie.add(    "", ["EDG", ""], Data_8.iloc[0].values.tolist(), center=[10, 30], radius=[18, 24], **pie_style)pie.add(    "", ["RNG", ""], Data_8.iloc[1].values.tolist(), center=[30, 30], radius=[18, 24], **pie_style)pie.add(    "", ["WE", ""], Data_8.iloc[2].values.tolist(), center=[50, 30], radius=[18, 24], **pie_style)pie.add(    "", ["IG", ""], Data_8.iloc[3].values.tolist(), center=[70, 30], radius=[18, 24], **pie_style)pie.add(    "", ["OMG", ""], Data_8.iloc[4].values.tolist(), center=[90, 30], radius=[18, 24], **pie_style)pie.add(    "", ["NB", ""], Data_8.iloc[5].values.tolist(), center=[10, 70], radius=[18, 24], **pie_style)pie.add(    "", ["JDG", ""], Data_8.iloc[6].values.tolist(), center=[30, 70], radius=[18, 24], **pie_style)pie.add(    "", ["SNG", ""], Data_8.iloc[7].values.tolist(), center=[50, 70], radius=[18, 24], **pie_style)pie.add(    "", ["LGD", ""], Data_8.iloc[8].values.tolist(), center=[70, 70], radius=[18, 24], **pie_style)pie.add(    "", ["DAN", ""], Data_8.iloc[9].values.tolist(), center=[90, 70], radius=[18, 24], **pie_style)pie

可视化结果:

  • EDG、RNG、WE等战队的胜率能到到60%以上。
  • OMG、IG的胜率在55%以上。
  • DAN等战队的胜率在40%以下。

本文分享自微信公众号 - Python绿色通道(Python_channel)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-03-25

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 某款APP用户注册信息有了,一起用Python数据分析实战吧

    本文基于某款互联网游戏APP用户注册数据进行分析,讲解了python中两个使用频率特别高的第三方库:pandas 和 matplotlib。pandas相信大家...

    叫我龙总
  • 重难点 | Python基础知识点9 Python的封装继承多态,推荐收藏

    封装: 描述某个对象的属性以及方法。 比如狗,狗的大小,颜色,这些东西就是他的属性,狗会叫,这是他的方法。 一般来说描述特征的都是这个对象的属性,描述行为就是方...

    叫我龙总
  • 爬虫篇 | 用Python爬超级搞笑的视频

    最近整理一个爬虫系列方面的文章,不管大家的基础如何,我从头开始整一个爬虫系列方面的文章,让大家循序渐进的学习爬虫,小白也没有学习障碍.

    叫我龙总
  • Confluence 6 自定义你的空间 原

    如果你具有空间管理员权限,你可以修改你空间的颜色配色,添加你自己的空间标识,选择是否在你空间中显示边栏。或者你可以进入 Atlassian 市场(Atlassi...

    HoneyMoose
  • CentOS7下OpenCV2+CUDA9的编译问题解决

    OpenCV是一个基于(开源)发行的跨平台计算机视觉库。CUDA是由NVIDIA所推出的一种集成技术,透过这个技术,用户可利用NVIDIA的GeForce 8以...

    netkiddy
  • 是兄弟,就一起吃鸡!来,这个小程序拉你「进群」

    最近,一款「佛系养蛙」的日本游戏风靡网络,相信你已经在朋友圈见过它了。不出意外,这个「旅行青蛙」也迅速登上了中国区 AppStore 的免费游戏的榜首。

    知晓君
  • geotrellis使用(四十一)流水线技术

    魏守峰
  • 从0开始编写信息收集器

    我们都知道在信息收集是整个渗透测试中无可或缺的一环,那我们老是需要一类一类信息去查询非常耗费时间,(人生苦短,我用 python)那这时我就想做一个信息收集器,...

    信安之路
  • 嵌入式linux之go语言开发(十一)让web服务器跑在终端上,通过网页配置终端参数

    以数据网关或集中器设备为例,有人知道吧。这玩意儿没界面,但是还一大堆参数需要配置。

    特立独行的猫a
  • 写Laravel测试代码(3)

    在开发时经常会调用第三方API接口,抓取json api data后进行加工处理,那如何写测试呢?如何mock数据呢?

    botkenni

扫码关注云+社区

领取腾讯云代金券