首页 > 其他分享> 文章详细

游戏数据分析-玩家战力分析

2021-02-24 18:33:29 阅读：215 来源： 互联网

标签：数据分析 zhuangbei hero df 偏度玩家战力 vip

## 条件

这是我分析的条件，不同情况就举一反三吧

1.游戏环境：
很标准的放置卡牌体系，如afk

2.养成资源：
英雄+装备【饰品符文等等】

3.相对靠谱的数值体系：
对应的数值策划都已经给了战力，战力在一定意义上能够描述养成程度
对应的运营给了vip标准，vip等级在一定程度上能够反映玩家的付费程度

分析目的

主要是为了看不同vip下玩家的养成程度，在一个标准的放置卡牌体系中，玩家的战力和养成程度是线性正相关的
如果系统策划把某些关卡、副本、功能和战力挂钩了，那分析【付费-战力】，是非常有必要的
如果数据反映出的战力表现得失常，我们不能马上就断定游戏生态失常，还需要进一步找原因，也可能是样本太小导致的
最终如果发现生态真的失常，可能系统策划和数值策划需要接入调整，运营上也需要采取风控运营的策略，避免失常的这一部分玩家产生【不充钱也能打氪佬】和【充钱居然不能变强】的体验
当然不是非要基于vip维度来看，等级、竞技场段位都可以的，不同维度分析出来的东西也不同，方法是类似的

数据清洗

1.首先肯定要筛选掉噪点，这里的噪点通常是英雄品质和英雄等级之类，因为你肯定不想把玩家囤积的狗粮也算进来，尽肯能剔除狗粮的影响，才更接近真相

2.等级过低的玩家也可能需要提出，比如0-2级的这种，还在新手期的玩家数据，你分析了没意义，也是噪点

数据分析

1.首先做数据透视，索引字段就是【vip】，统计字段是【战力】，算法就是常规的描述统计，中位数、均值、众数，一键三连，我这里用的是pandas的group by，excel玩家就用透视表做，不难的

2.【重点】除了三连，还需要统计偏度，找出哪个vip下，玩家战力分布处于失常状态。偏度的定义网上可以搜到，偏度的计算方法，我这里

偏度>0.5，越大，说明这个vip下的用户，实力偏弱的人多
偏度<-0.5，越小，说明这个vip下的用户，实力偏强的人多

3.除偏度以外，有时候也需要看极值，假如出现vip2的战力极值大于vip5,一定是有问题的，中位数、均值、众数也是做辅助判断的依据

4.找出失常的vip后，需要通过极值去找到那个具体失常的人，看看他的所有数据，对比他所在vip下的标准数据，找出具体失常的点，单纯战力分析一定是片面的，因此必须结合其他数据分析结果一起看，才能接近真相

根据我的经验，vip低的人群，战力偏度通常是小于-0.5，或者服从正态分布的

我们通常更关注vip高的这一部分
如果vip高，且偏度远大于0.5,说明里面小部分氪佬实力超前，需要关注这部分人充值金额是否能够打出这个实力【风控运营】
如果vip高，且偏度远小于-0.5,说明氪佬里面有明显掉队的，需要gs介入带一带，或者vip客服安抚【防止大R流失】

源码示例

直接复制过去大概没法用的，并且这个脚本只是项目的一部分，看个思路吧

import sanguo.data.gamedata
import pandas as pd
import numpy as np
import datetime

data = pd.read_excel('C:\\Users\\mayn\\Desktop\\三国\\data\\诙谐三国-hero.xlsx')
hero = sanguo.data.gamedata.hero

hero_name = hero.loc[:,['英雄ID','英雄名称']]
df = pd.merge(data,hero_name,left_on='hid',right_on='英雄ID',how='left')




def vip_zhanli():
    list1 = []
    max_zhanli_list = df.groupby('vip')['战力'].max('战力').values

    for i in max_zhanli_list:
        a = df[df['战力'] == i]
        list1.append(a)

    zhanli_analyse = pd.concat(list1)
    zhanli_analyse['战力中位数'] = df.groupby('vip')['战力'].median('战力').values
    zhanli_analyse['战力均值'] = df.groupby('vip')['战力'].mean('战力').values

    zhanli_analyse['战力众数'] = df.groupby('vip')['战力'].agg(lambda x: np.mean(pd.Series.mode(x))).values
    ##这个众数算法比较特殊，由于pandas的group by不能算众数，所以用agg方法,引用 pd.Series.mode() 然后区众数的平均
    #众数暂时不用了

    zhanli_analyse['偏度'] = df.groupby('vip')['战力'].skew().values
    # （1）Skewness = 0 ，分布形态与正态分布偏度相同。
    # （2）Skewness > 0 ，正偏差数值较大，为正偏或右偏。长尾巴拖在右边，数据右端有较多的极端值。
    # （3）Skewness < 0 ，负偏差数值较大，为负偏或左偏。长尾巴拖在左边，数据左端有较多的极端值。
    # （4）数值的绝对值越大，表明数据分布越不对称，偏斜程度大

    zhanli_analyse = zhanli_analyse.iloc[:,[2,4,12,13,15]]
    zhanli_analyse.columns = ['vip','最高战力','战力中位数','战力均值','偏度']

    return zhanli_analyse

def vip_hero(quantile_=0.8):
    list_ = []
    for i in np.sort(df['vip'].unique()):
    ## unique()相当于sql 里面的distinct ,sort是排序

        vip_hero_count = pd.pivot_table(df[(df['vip']==i) & (df['星级']>=2)],index='英雄名称',values='uid',aggfunc='count')['uid'].reset_index()
        ## 筛选 vip 等于 i, 星级大于2的英雄，透视表按vip，计数，重新索引

        pop_hero = vip_hero_count[vip_hero_count['uid'] >= vip_hero_count['uid'].quantile(quantile_)]
        pop_hero = pop_hero.copy()
        ## 虽然不知道为什么，但是不copy就报错

        pop_hero['vip'] = np.copy(i)
        order = ['vip','英雄名称','uid']
        pop_hero = pop_hero[order]
        pop_hero.columns = ['vip','英雄名称','数量']
        list_.append(pop_hero)


    pop_hero_df = pd.concat(list_)
    return pop_hero_df

def vip_zhuangbei():

    df_avg_zhuangbei = df.copy()
    df_avg_zhuangbei['装备分'] = df_avg_zhuangbei[['装备1','装备2','装备3','装备4']].apply(lambda x:x.sum(),axis =1)
    ## 装备分等于四个装备值的平均，只能用apply方法做

    zhuangbei = df_avg_zhuangbei.groupby('vip')['装备分'].max('装备分').reset_index()
    zhuangbei.columns = ['vip','极限装备分']

    zhuangbei['中位数'] = df_avg_zhuangbei.groupby('vip')['装备分'].median('装备分').reset_index()['装备分'].values
    zhuangbei['平均数'] = df_avg_zhuangbei.groupby('vip')['装备分'].mean('装备分').reset_index()['装备分'].values
    zhuangbei['偏度'] = df_avg_zhuangbei.groupby('vip')['装备分'].skew().reset_index()['装备分'].values

    return zhuangbei




def to_excel():
    xlsx = pd.ExcelWriter("C:\\Users\\mayn\\Desktop\\三国\\数据分析\\战力-英雄-装备-分析%s.xlsx"%str(datetime.date.today()))

    vip_zhanli().to_excel(xlsx, sheet_name="战力分析", index=False)
    vip_hero(quantile_=0.8).to_excel(xlsx, sheet_name="英雄分析", index=False)
    vip_zhuangbei().to_excel(xlsx, sheet_name="装备分析", index=False)

    print("保存完成")
    xlsx.close()

# to_excel("歌手活跃用户%s.xlsx"%str(datetime.date.today())

标签：数据分析,zhuangbei,hero,df,偏度,玩家,战力,vip
来源： https://blog.csdn.net/weixin_44168272/article/details/114033264