## 條件

這是我分析的條件，不同情況就舉一反三吧

1.游戲環境：
很標準的放置卡牌體系，如afk

2.養成資源：
英雄+裝備【飾品符文等等】

3.相對靠譜的數值體系：
對應的數值策劃都已經給了戰力，戰力在一定意義上能夠描述養成程度
對應的運營給了vip標準，vip等級在一定程度上能夠反映玩家的付費程度

4.確定同天同渠道同服用戶對比

分析目的

• 主要是為了看不同vip下玩家的養成程度，在一個標準的放置卡牌體系中，玩家的戰力和養成程度是線性正相關的
• 如果系統策劃把某些關卡、副本、功能和戰力掛鉤了，那分析【付費-戰力】，是非常有必要的
• 如果數據反映出的戰力表現得失常，我們不能馬上就斷定游戲生態失常，還需要進一步找原因，也可能是樣本太小導致的
• 最終如果發現生態真的失常，可能系統策劃和數值策劃需要接入調整，運營上也需要采取風控運營 的策略，避免失常的這一部分玩家產生【不充錢也能打氪佬】和【充錢居然不能變強】的體驗
• 當然不是非要基于vip維度來看，等級、競技場段位都可以的，不同維度分析出來的東西也不同，方法是類似的

數據清洗

1.首先肯定要篩選掉噪點，這里的噪點通常是英雄品質和英雄等級之類，因為你肯定不想把玩家囤積的狗糧也算進來，盡肯能剔除狗糧的影響，才更接近真相

2.等級過低的玩家也可能需要提出，比如0-2級的這種，還在新手期的玩家數據，你分析了沒意義，也是噪點

數據分析

1.首先做數據透視，索引字段就是【vip】，統計字段是【戰力】，算法就是常規的描述統計，中位數、均值、眾數，一鍵三連，我這里用的是pandas的group by，excel玩家就用透視表做，不難的

2.【重點】除了三連，還需要統計偏度，找出哪個vip下，玩家戰力分布處于失常狀態。偏度的定義網上可以搜到，偏度的計算方法，我這里

偏度>0.5，越大，說明這個vip下的用戶，實力偏弱的人多
偏度<-0.5，越小，說明這個vip下的用戶，實力偏強的人多

3.除偏度以外，有時候也需要看極值，假如出現vip2的戰力極值大于vip5,一定是有問題的，中位數、均值、眾數也是做輔助判斷的依據

4.找出失常的vip后，需要通過極值去找到那個具體失常的人，看看他的所有數據，對比他所在vip下的標準數據，找出具體失常的點，單純戰力分析一定是片面的，因此必須結合其他數據分析結果一起看，才能接近真相

根據我的經驗，vip低的人群，戰力偏度通常是小于-0.5，或者服從正態分布的

我們通常更關注vip高的這一部分
如果vip高，且偏度遠大于0.5,說明里面小部分氪佬實力超前，需要關注這部分人充值金額是否能夠打出這個實力【風控運營】
如果vip高，且偏度遠小于-0.5,說明氪佬里面有明顯掉隊的，需要gs介入帶一帶，或者vip客服安撫【防止大R流失】

源碼示例

直接復制過去大概沒法用的，并且這個腳本只是項目的一部分，看個思路吧

import sanguo.data.gamedata import pandas as pd import numpy as np import datetimedata = pd.read_excel('C:\\Users\\mayn\\Desktop\\三國\\data\\詼諧三國-hero.xlsx') hero = sanguo.data.gamedata.herohero_name = hero.loc[:,['英雄ID','英雄名稱']] 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')['戰力'].max('戰力').valuesfor i in max_zhanli_list:a = df[df['戰力'] == i]list1.append(a)zhanli_analyse = pd.concat(list1)zhanli_analyse['戰力中位數'] = df.groupby('vip')['戰力'].median('戰力').valueszhanli_analyse['戰力均值'] = df.groupby('vip')['戰力'].mean('戰力').valueszhanli_analyse['戰力眾數'] = df.groupby('vip')['戰力'].agg(lambda x: np.mean(pd.Series.mode(x))).values##這個眾數算法比較特殊，由于pandas的group by不能算眾數，所以用agg方法,引用 pd.Series.mode() 然后區眾數的平均#眾數暫時不用了zhanli_analyse['偏度'] = df.groupby('vip')['戰力'].skew().values# （1）Skewness = 0 ，分布形態與正態分布偏度相同。# （2）Skewness > 0 ，正偏差數值較大，為正偏或右偏。長尾巴拖在右邊，數據右端有較多的極端值。# （3）Skewness < 0 ，負偏差數值較大，為負偏或左偏。長尾巴拖在左邊，數據左端有較多的極端值。# （4）數值的絕對值越大，表明數據分布越不對稱，偏斜程度大zhanli_analyse = zhanli_analyse.iloc[:,[2,4,12,13,15]]zhanli_analyse.columns = ['vip','最高戰力','戰力中位數','戰力均值','偏度']return zhanli_analysedef vip_hero(quantile_=0.8):list_ = []for i in np.sort(df['vip'].unique()):## unique()相當于sql 里面的distinct ,sort是排序vip_hero_count = pd.pivot_table(df[(df['vip']==i) & (df['星級']>=2)],index='英雄名稱',values='uid',aggfunc='count')['uid'].reset_index()## 篩選 vip 等于 i, 星級大于2的英雄，透視表按vip，計數，重新索引pop_hero = vip_hero_count[vip_hero_count['uid'] >= vip_hero_count['uid'].quantile(quantile_)]pop_hero = pop_hero.copy()## 雖然不知道為什么，但是不copy就報錯pop_hero['vip'] = np.copy(i)order = ['vip','英雄名稱','uid']pop_hero = pop_hero[order]pop_hero.columns = ['vip','英雄名稱','數量']list_.append(pop_hero)pop_hero_df = pd.concat(list_)return pop_hero_dfdef vip_zhuangbei():df_avg_zhuangbei = df.copy()df_avg_zhuangbei['裝備分'] = df_avg_zhuangbei[['裝備1','裝備2','裝備3','裝備4']].apply(lambda x:x.sum(),axis =1)## 裝備分等于四個裝備值的平均，只能用apply方法做zhuangbei = df_avg_zhuangbei.groupby('vip')['裝備分'].max('裝備分').reset_index()zhuangbei.columns = ['vip','極限裝備分']zhuangbei['中位數'] = df_avg_zhuangbei.groupby('vip')['裝備分'].median('裝備分').reset_index()['裝備分'].valueszhuangbei['平均數'] = df_avg_zhuangbei.groupby('vip')['裝備分'].mean('裝備分').reset_index()['裝備分'].valueszhuangbei['偏度'] = df_avg_zhuangbei.groupby('vip')['裝備分'].skew().reset_index()['裝備分'].valuesreturn zhuangbeidef to_excel():xlsx = pd.ExcelWriter("C:\\Users\\mayn\\Desktop\\三國\\數據分析\\戰力-英雄-裝備-分析%s.xlsx"%str(datetime.date.today()))vip_zhanli().to_excel(xlsx, sheet_name="戰力分析", 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="裝備分析", index=False)print("保存完成")xlsx.close()# to_excel("歌手活躍用戶%s.xlsx"%str(datetime.date.today())

總結

以上是生活随笔為你收集整理的游戏数据分析-玩家战力分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。