数据分析：LPL，你更看好哪只队伍？

新闻中心 NEWS CENTER

您当前位置：首页 > 新闻中心 > 行业资讯

数据分析：LPL，你更看好哪只队伍？（lpl哪个队队内氛围好）

2023-11-17

浏览次数：次

返回列表

点击上方“Python绿色通道”，选择“置顶星标”公众号

干货福利，第一时间送达

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：