Анализ данных статистики чемпионов League of Legends 1 патча 12 сезона
В данном проекте был проанализирован первый патч 12 сезона видеоигры «League of Legends», а именно «League of Legends Champion Stats 12.1.csv». Для анализа именно этой базы данных было несколько причин.
1. Балансировка игры. Разработчики могут использовать эту статистику для выявления дисбаланса между чемпионами и внесения необходимых корректировок в будущих патча.
2. Улучшение игрового процесса. Анализ статистики чемпионов помогает игрокам и аналитикам понять текущий метагейм, выявить сильнейших персонажей и наиболее эффективные стратегии. Игроки могут использовать эти данные для совершенствования своей игры, выбора оптимальных чемпионов и разработки контрстратегий.
3. Прогнозирование. На основе этих данных можно создавать модели для предсказания результатов матчей или эффективности определенных стратегий, что актуально в виду частых мировых турниров с миллионным бюджетом.
4. Исследование тенденций. Сравнение данных с предыдущими сезонами позволяет отслеживать изменения в игре и анализировать долгосрочные тренды.
Диаграмма рассеяния «Взаимосвязь KDA и процента побед»
Почему диаграмма рассеяния?
Диаграмма рассеяния позволяет легко увидеть взаимосвязь между двумя числовыми переменными. Например, можно быстро определить, существует ли положительная или отрицательная корреляция между переменными.
Ценность данного анализа
График предоставляет информацию о зависимости между KDA и процентом побед для различных классов чемпионов. Игроки могут использовать эту информацию для выбора чемпионов в зависимости от их стиля игры. Например, если игрок предпочитает играть на победу, он может выбрать чемпионов с более стабильным процентом побед, даже если их KDA не самый высокий.
Начальные настройки, импорт библиотек
Создание графика
График соотношения KDA и процента побед
Вывод
1. Линия тренда имеет положительный наклон, это указывает на то, что с увеличением KDA также увеличивается процент побед. Это логично, так как более высокий KDA обычно свидетельствует о лучшей игре.
2. По графику видно, что некоторые классы стабильно имеют более высокое значение KDA. Так, KDA саппортов постоянно выше 2.5, а показатели воинов смещены влево, то есть к более низким результатам. Танки же имеют в средне-высокие показатели, маги — средне-низкие.
3. Точки, которые значительно отклоняются от линии тренда, могут быть интересными для дальнейшего анализа. Например, если какой-то чемпион имеет очень высокий KDA, но низкий процент побед, это может указывать на проблемы с командной игрой или стратегией. Если же высокий процент побед, но низкий KDA, значит в команде есть другие сильные игроки, спасающие игру
Диаграмма рассеяния «Взаимосвязь процента побед и процента блокировки»
Ценность данного анализа
Мне было важно увидеть, связаны ли у чемпиона ли количество побед на нем и количество бана его. То есть, банят ли персонажа потому, что на нем чаще выигрывают.
Создание графика
График соотношения между процентом блокировки персонажа и процентом побед на нем
Вывод
1. На удивление, между количеством побед на персонаже и количестве бана его как таковой связи нет. Линия тенденции практически прямая, даже чуть чаще банят тех, на ком меньше выигрывают. Видимо, чемпионов банят не из-за того, что они обеспечивают легкую победу.
2. Также замечено, что ассасинов банят чаще всех. Не удивительно, ведь ассасин — роль для средней линии, поэтому у игрока нет поддержки в виде саппорта, он стоит один на один. Поэтому и банит тех, кто наиболее для него проблемен.
Диаграмма «Распределение чемпионов по классам»
Ценность данного анализа
Мне было важно проследить, есть ли перевес в количестве персонажей в классах. Ведь, если в некоторых из них чемпионов существенно больше, значит стоит уделить внимание созданию новых героев, относящихся к другим классам. Впрочем, в дальнейшем стоит детальнее проследить, какие классы к каким ролям относятся, ведь, например, ассасины могут играть и на верхней, и на средней линии, тогда как саппорты только на нижней линии.
Создание графика и изменение палитры
Был переназначен словарь для более приятных цветовых сочетаний. Однако в целом новые цвета похожи соответсвующим им предыдущим.
График распределения чемпионов по классам
Вывод
1. Взглянув на график, можно заметить, что чемпионы неравномерно распределены по классам. Конечно, на это влияет тот факт, что саппорты могут стоять только на нижней линии, а ассасины — и на средней, и на верхней. Тем не менее, этот график — повод задуматься о том, чтобы сделать больше персонажей отстающих классов.
Диаграмма рассеяния «Взаимосвязь популярности чемпиона и процента побед»
Ценность данного анализа
1. Проблемы с балансом. Чемпионы с очень высоким процентом побед и низким процентом выбора могут быть недооценены или слишком сильны в определенных ситуациях. Это может указывать на необходимость балансировки.
2. Недооцененные чемпионы. Чемпионы с низким процентом выбора, но высоким процентом побед могут быть недооценены игроками. Это может быть полезной информацией для разработчиков для дальнейшего анализа и возможного ребаланса.
3. определение метовых персонажей. Чемпионы с высоким процентом выбора и высоким процентом побед считаются метовыми. Это означает, что они часто выбираются игроками и при этом показывают хорошие результаты. Таких персонажей необходимо ребалансить.
4. Определение популярные, но неэффективные чемпионов. Персонажи с высоким процентом выбора, но низким процентом побед могут быть популярными, но неэффективными. Это может указывать на то, что игроки выбирают их из-за популярности, а не из-за их эффективности.
Создание графика
График соотношения процента выбора чемпиона и количество побед на нем
Вывод
1. Взглянув на график, можно заметить, что связь между количеством побед на чемпионе и частоте игры на нем практически отсутствует. Следовательно, нет выигрышных чемпионов, которых бы постоянно брали для стабильных побед.
2. Есть выделяющиеся чемпионы. Так, в нижнем левом углу есть группа персонажей, которых и редко берут, и редко на них выигрывают. В верхнем левом углу можно заметить тех персонажей, которых тоже редко берут, но на которых часто побеждают. Также выделяются некоторые стрелки (marksman), на которых опытные игроки любят часто играть, хотя те и не влияют на победу. Основываясь на выделяющихся персонажах, разработчики игры могут задуматься о том, как в следующем патче изменить баланс игры.
Сторонние ресурсы
Источник изображения (обложки): https://cdn1.epicgames.com/offer/24b9b5e323bc40eea252a10cdd3b2f10/EGS_LeagueofLegends_RiotGames_S1_2560x1440-80471666c140f790f28dff68d72c384b
Исправление ошибок в коде — Chat GPT: https://chatgpt.com/
