今天教大家用Python預(yù)測英雄聯(lián)盟比賽勝負(fù)。

Show me data，用數(shù)據(jù)說話

今天我們聊一聊 Python預(yù)測LOL勝負(fù)

目前，英雄聯(lián)盟S10全球總決賽正在火熱進(jìn)行中，最終決賽于10月31日在浦東足球場舉行。作為當(dāng)下最火熱的電競賽事，這點燃了全球無數(shù)玩家的關(guān)注，相信沒有哪個英雄聯(lián)盟玩家會錯過這場受眾超廣、影響力超大的國際電競賽事。LPL究竟能否在家門口拿下第三座世界賽獎杯也成了許多玩家關(guān)注的話題。

對于每場比賽，大家最關(guān)注的莫過于最后的勝負(fù)了，那么比賽的勝負(fù)能否可以預(yù)測呢？

今天，我們就分析了5萬多場英雄聯(lián)盟的排名比賽，教你如何用Python預(yù)測比賽勝負(fù)。

項目介紹

英雄聯(lián)盟(LOL)是美國游戲開發(fā)商Riot Games(2011年由騰訊收購)開發(fā)和發(fā)行的一款多人在線戰(zhàn)斗競技游戲。

在游戲中，玩家扮演一個"召喚師"角色，每個召喚師控制一個擁有獨特技能的"英雄"，并與一組其他玩家或電腦控制的英雄戰(zhàn)斗。游戲的目標(biāo)是摧毀對方的防御塔和基地。

召喚者峽谷是英雄聯(lián)盟中最受歡迎的地圖，在這種地圖類型中，兩隊五名玩家競爭摧毀一個被稱為基地的敵人建筑，這個建筑由敵人的隊伍和一些防御塔護(hù)衛(wèi)。每個隊伍都希望保衛(wèi)自己的建筑，同時摧毀對方的建筑。這些主要包括:Towers(防御塔)：每支隊伍總共有11座防御塔

Inhibitor(水晶)：每條道有一個水晶

Elemental Drakes/Elder Dragon(大龍/遠(yuǎn)古龍)

Rift Herald(峽谷先鋒)

Baron Nasho(納什男爵)

Nexus(基地)

英雄聯(lián)盟最具爭議的元素之一，就是其嚴(yán)重的滾雪球效應(yīng)。許多職業(yè)選手接受賽后采訪時都提到其輸贏都因為“滾雪球”，我們研究各方面各指標(biāo)的數(shù)據(jù)，來看這些因素的發(fā)展是否真的影響了比賽的成敗。

在這個項目中，我們分析了5萬多場英雄聯(lián)盟的排名比賽，并嘗試使用決策樹算法來根據(jù)已有輸入屬性預(yù)測比賽勝負(fù)。

數(shù)據(jù)集概述

數(shù)據(jù)集收集了超過50000個從游戲英雄聯(lián)盟排位游戲的數(shù)據(jù)，字段主要包含以下數(shù)據(jù)：Game ID：游戲ID

Creation Time：創(chuàng)建時間

Game Duration (in seconds)：游戲持續(xù)時間(秒)

Season ID：賽季ID

Winner (1=team1, 2=team2)：獲勝隊伍

First Baron, dragon, tower, blood, inhibitor and Rift Herald (1 = team1, 2 = team2, 0 = none)：第一條納什男爵，大龍，塔，一血，水晶，峽谷先鋒

Champions and summoner spells for each team (Stored as Riot's champion and summoner spell IDs)：每只隊伍選擇的英雄和召喚術(shù)

The number of tower, inhibitor, Baron, dragon and Rift Herald kills each team has：塔，水晶，男爵，大龍和峽谷先鋒擊殺數(shù)

The 5 bans of each team (Again, champion IDs are used)：每個隊伍的禁用英雄

數(shù)據(jù)讀入和預(yù)覽

首先導(dǎo)入所需包和讀入數(shù)據(jù)集。

# 數(shù)據(jù)整理import numpy as np import pandas as pd # 可視化import matplotlib.pyplot as plt import seaborn as sns import plotly as py import plotly.graph_objs as go # 建模from sklearn.tree import DecisionTreeClassifierfrom sklearn.model_selection import train_test_split, GridSearchCVfrom sklearn.metrics import confusion_matrix, classification_report

# 讀入數(shù)據(jù)df = pd.read_csv('./archive/games.csv')df.head()

ape(51490, 61)

數(shù)據(jù)可視化

我們將分別對影響比賽的相關(guān)因素進(jìn)行如下探索：

1. 目標(biāo)變量分布

數(shù)據(jù)集一共有51490條記錄，其中1隊獲勝的次數(shù)為26077次，占比50.6%，2隊獲勝的次數(shù)為25413次，占比49.4%。不存在樣本不平衡的情況。

代碼

# 餅圖trace0 = go.Pie(labels=df['winner'].value_counts().index, ? ? ? ? ? ? ? ? values=df['winner'].value_counts().values, ? ? ? ? ? ? ? ?hole=0.5, ? ? ? ? ? ? ? ?opacity=0.9, ? ? ? ? ? ? ? ?marker=dict(line=dict(color='white', width=1.3)) ? ? ? ? ? ? ? ) layout = go.Layout(title='目標(biāo)變量winner分布')

data = [trace0]fig = go.Figure(data, layout)py.offline.plot(fig, filename='./html/整體獲勝情況分布.html')

2. 游戲時長分布

從直方圖可以看出，游戲時長大致服從正態(tài)分布，其中最短的游戲時長為3分鐘，3分鐘是游戲重開的時間點，最長的游戲時長是79分鐘。中間50%的時長在26~36分鐘之間。

代碼

df['game_duration'] = round(df['gameDuration'] / 60)

# 選擇數(shù)據(jù)x1 = df[df['winner'] == 1]['game_duration']x2 = df[df['winner'] == 2]['game_duration']

# 直方圖trace0 = go.Histogram(x=x1, bingroup=25, name='team1', opacity=0.9)trace1 = go.Histogram(x=x2, bingroup=25, name='team2', opacity=0.9)

layout = go.Layout(title='比賽游戲時長分布')

data = [trace0, trace1] fig = go.Figure(data, layout)py.offline.plot(fig, filename='./html/游戲時長分布.html')

3. 一血對獲勝的影響

獲得一血的隊伍勝率相對較高，在第一隊的比賽中，首先獲得一血時的勝率為59.48%，相較未獲得一血的比賽高18%。在第二隊的比賽中，獲得一血時的勝率為58.72%，相較未獲得一血的比賽高18%。

代碼

plot_bar_horizontal(input_col='firstBlood',?target_col='winner',?title_name='一血對獲勝的影響')

4. 一塔對獲勝的影響

從數(shù)據(jù)來看，第一個防御塔看起來是比較有說服力的指標(biāo)。在第一隊的比賽中，首先摧毀一塔時隊伍的勝率高達(dá)70.84%，相較未獲得一塔的比賽高41.64%。在第二隊的比賽中，有相近的數(shù)據(jù)表現(xiàn)。

代碼

plot_bar_horizontal(input_col='firstTower', target_col='winner', title_name='一塔對獲勝的影響')

5. 摧毀第一個水晶對獲勝的影響

在比賽中拿到第一座水晶塔的隊伍91%的情況下可以獲勝，這一點在某種程度上是可以預(yù)見的，因為首先摧毀水晶塔代表隊伍已經(jīng)積累的足夠的優(yōu)勢，而且水晶塔力量很強(qiáng)大，并且更具有價值。

代碼

plot_bar_horizontal(input_col='firstInhibitor',?target_col='winner',?title_name='摧毀第一個水晶對獲勝的影響')

6. 擊殺第一條男爵對獲勝影響

統(tǒng)計數(shù)據(jù)顯示，在比賽中擊殺第一條男爵有80%的勝率。

plot_bar_horizontal(input_col='firstBaron', target_col='winner', title_name='擊殺第一條男爵對獲勝影響')

7. 擊殺第一條大龍對獲勝的影響

在第一個隊伍中，首先擊殺第一條大龍的隊伍勝率在68.6%，相較未取得優(yōu)先的比賽勝率高36%。

plot_bar_horizontal(input_col='firstDragon',?target_col='winner',?title_name='擊殺第一條大龍對獲勝的影響')

8. 擊殺第一條峽谷先鋒對獲勝的影響

在第一個隊伍中，首先擊殺第一條峽谷先鋒的隊伍勝率在69.45%，相較未取得優(yōu)先的比賽勝率高38.92%。

plot_bar_horizontal(input_col='firstRiftHerald', target_col='winner', ? ? ? ? ? ? ? ? ? ? title_name='擊殺第一條峽谷先鋒對獲勝的影響')

9. 摧毀防御塔數(shù)對獲勝影響

選擇第一個隊伍的摧毀防御塔數(shù)作為影響因素，可以看出，摧毀的防御塔數(shù)量越多，獲勝的概率越大。當(dāng)數(shù)量大于8個時，勝率大于85%。11個防御塔全部摧毀時的勝率為99.16%，當(dāng)然也有8.4‰的翻盤概率。

plot_bar_vertical(input_col='t1_towerKills', target_col='winner', title_name='摧毀防御塔數(shù)對獲勝影響')

10. 摧毀水晶數(shù)對獲勝影響

摧毀水晶的數(shù)目越多，獲勝的概率越大。沒有摧毀水晶的獲勝概率為12.55%，摧毀一個的獲勝概率為81.11%，兩個為92.38%。

plot_bar_vertical(input_col='t1_inhibitorKills', target_col='winner', title_name='摧毀水晶數(shù)對獲勝影響')

11. 擊殺男爵數(shù)對獲勝影響

擊殺男爵數(shù)越多，獲勝的概率越大，擊殺5條男爵的數(shù)據(jù)僅有一條，后續(xù)需要刪除。

plot_bar_vertical(input_col='t1_baronKills', target_col='winner', title_name='擊殺男爵數(shù)對獲勝影響')

12. 擊殺大龍數(shù)對獲勝影響

擊殺大龍數(shù)數(shù)越多，獲勝的概率越大

plot_bar_vertical(input_col='t1_dragonKills', target_col='winner', title_name='擊殺大龍數(shù)對獲勝影響')

數(shù)據(jù)建模

首先進(jìn)行初步的清洗，并篩選建模所需變量。

# 刪除時間少于15分鐘和分類數(shù)較少的記錄df = df[(df['gameDuration'] >= 900) & (df['t1_baronKills'] != 5)]print(df.shape)

(50180,?62)# 篩選建模變量df_model = df[['winner', 'firstBlood', 'firstTower', 'firstInhibitor', 'firstBaron', ? ? ? ? ? ? ?'firstDragon', 'firstRiftHerald', 't1_towerKills', 't1_inhibitorKills','t1_baronKills', ? ? ? ? ? ? ?'t1_dragonKills', 't2_towerKills', 't2_inhibitorKills', 't2_baronKills', 't2_dragonKills' ? ? ? ? ? ? ?]] df_model.head()

然后劃分訓(xùn)練集和測試集，采用分層抽樣方法劃分80%數(shù)據(jù)為訓(xùn)練集，20%數(shù)據(jù)為測試集。

# 劃分訓(xùn)練集和測試集x = df_model.drop('winner', axis=1)y = df_model['winner']

X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.2, stratify=y, random_state=0)print(X_train.shape, X_test.shape, y_train.shape, y_test.shape)

(40144, 14) (10036, 14) (40144,) (10036,)

使用決策樹算法建模，使用GridSearchCV進(jìn)行參數(shù)調(diào)優(yōu)。

# 參數(shù)parameters = { ? ?'splitter': ('best', 'random'), ? ?'criterion':('gini', 'entropy'), ? ?'max_depth':[*range(1, 20, 2)],}

# 建立模型clf = DecisionTreeClassifier(random_state=0)GS = GridSearchCV(clf, parameters, cv=10)GS.fit(X_train, y_train)GridSearchCV(cv=10, estimator=DecisionTreeClassifier(random_state=0), ? ? ? ? ? ? param_grid={'criterion': ('gini', 'entropy'), ? ? ? ? ? ? ? ? ? ? ? ? 'max_depth': [1, 3, 5, 7, 9, 11, 13, 15, 17, 19], ? ? ? ? ? ? ? ? ? ? ? ? 'splitter': ('best', 'random')})# 輸出最佳得分 print("best score: ", GS.best_score_)print("best param: ", GS.best_params_)best?score:??0.9770077890521407best?param:??{'criterion':?'gini',?'max_depth':?7,?'splitter':?'best'}#?最佳模型best_clf?=?DecisionTreeClassifier(criterion="gini",?max_depth=7,?splitter="best")best_clf.fit(X_train,y_train)?print("score:",?best_clf.score(X_test,y_test))???score: 0.9799721004384216

使用最優(yōu)的模型重新評估測試數(shù)據(jù)集效果：

# 輸出分類報告y_pred = best_clf.predict(X_test) cm = confusion_matrix(y_test, y_pred)cr = classification_report(y_test, y_pred)print('Classification?report?:?\n',?cr)

Classification report : ? ? ? ? ? ? ? ?precision ? ?recall ?f1-score ? support

1 ? ? ? 0.98 ? ? ?0.98 ? ? ?0.98 ? ? ?5077 ? ? ? ? ? 2 ? ? ? 0.98 ? ? ?0.98 ? ? ?0.98 ? ? ?4959

accuracy ? ? ? ? ? ? ? ? ? ? ? ? ? 0.98 ? ? 10036 ? macro avg ? ? ? 0.98 ? ? ?0.98 ? ? ?0.98 ? ? 10036weighted?avg???????0.98??????0.98??????0.98?????10036

# 熱力圖g1 = sns.heatmap(cm, annot=True, fmt=".1f", cmap="flag", linewidths=0.2, cbar=False)g1.set_ylabel('y_true', fontdict={'fontsize': 15})g1.set_xlabel('y_pred', fontdict={'fontsize': 15}) ?g1.set_title('confusion_matrix',?fontdict={'fontsize':?15})Text(0.5, 1, 'confusion_matrix')

# 輸出屬性重要性imp = pd.DataFrame(list(zip(X_train.columns, best_clf.feature_importances_))) imp.columns = ['columns', 'importances']imp = imp.sort_values('importances', ascending=False)imp

在屬性的重要性排序中，擊殺防御塔數(shù)量的重要性最高，其次是水晶摧毀數(shù)量、一塔、擊殺龍的數(shù)量。

以下代碼用于輸出這顆樹：

# 可視化import graphvizfrom sklearn import tree

dot_data = tree.export_graphviz(decision_tree=best_clf, max_depth=3, ? out_file=None, ? feature_names=X_train.columns, ?class_names=['1', '2'], ? filled=True, ?rounded=True ?)graph = graphviz.Source(dot_data)graph

模型預(yù)測

我們假設(shè):

第一隊拿了第一血，第一塔，第一男爵，第一條大龍和第一峽谷先鋒，而第二隊只拿了第一個水晶。

第一隊的塔，水晶，男爵和龍殺死的數(shù)量分別是10,2,1,4和塔，水晶，男爵和龍的數(shù)量分別是7,2,1,1。

# 新數(shù)據(jù)new_data = [[1, 1, 2, 1, 1, 1, 10, 2, 1, 4, 7, 2, 1, 1]]c = best_clf.predict_proba(new_data).reshape(-1, 1) print("winner is :" , best_clf.predict(x1)) print("First team win probability is % ", list(c[0] * 100), ? ? ?"\nSecond team win probability is %:",list(c[1] * 100))

winner is : [1]First team win probability is % ?[89.87341772151899] Second team win probability is %: [10.126582278481013]

根據(jù)模型預(yù)測結(jié)果，第一隊將會獲勝，獲勝的概率為89.87%。

喜歡的記得三連哦，需要學(xué)習(xí)資料的可以私信UP主領(lǐng)取

《新程序員》：云原生和全面數(shù)字化實踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的python 预测足球_利用 Python 预测英雄联盟胜负，分析了 5 万多场比赛才得出的数据！...的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。