首页 PAI邀请赛正文

《绝地求生》新地图测试码领取地址以及领取条件

昨天,PlayerUnknown"s Battlegrounds的官方Twitter宣布了一条消息,他们将从美国当地时间星期一(北京时间星期二)开始为新地图发布测试代码。玩家可以去PlayerUnknown的战场官方页面上获取它。

新地图将开始测试时间:北京时间4月3日上午10点至4月5日下午7点

接收测试代码的条件:购买了Steam上PlayerUnknown的Battlegrounds正版版的玩家将有机会收到它

官员说他们有“大量的激活码”,感兴趣的玩家可以考虑获得激活码。体验更激烈,更刺激的鸡肉饮食。

此测试的新地图代号为“ Savage”已变成原始区域的四分之一,即4km * 4km。随着地图区域变小,如果玩家数量保持不变,那么游戏的步伐必然会加快,各种冲突和对抗将加剧。在当前的标准地图中,游戏的平均时间为30分钟,并且该地图的平均时间可以缩短为10分钟左右。

目前,未知Xbox Player版本的PlayerUnknown"s Battlegrounds是否也有类似的新地图测试活动。

大吉大利,今晚如何用R语言解锁“吃鸡”正确姿势_游戏

作者:千城四川大学研究生

摘要

本文使用PlayerUnknown的Battlegrounds的一些游戏数据来探索游戏功能和玩家偏好。在数据预处理之后,对数据集执行以下统计分析。首先,通过对data1中“游戏开始时间”的时间序列分析,探索PUBG玩家对游戏时间的偏好;其次,分析data2中的角色死亡位置数据,并在每次游戏开始时模拟玩家的死亡位置跳伞的位置是在每次游戏结束时用角色的死亡位置模拟毒药圈的最后刷新位置,以探索玩家对跳伞的偏好以及毒药圈收缩点的规律;第三,将data2划分为不同的武器和枪支,以探索不同的枪支功能,例如受欢迎程度,杀戮距离和使用位置;第四,根据数据1,对不同类型的玩家进行生存分析,并探索不同因素(无论是驾驶,是否在团队中战斗等)对玩家生存时间的影响;第五,基于玩家的最终排名是因变量,分别配有多元线性回归模型和对数回归模型,以探讨玩家的表现与哪些因素相关以及相关性如何。

目录

1。介绍

2.1数据描述

2.2数据预处理

3。探索性分析

3.1玩家游戏时间偏好

3.2跳伞位置偏好

3.3毒药环的最后位置

3.4枪支特征

3.4.1人气排名

3.4.2杀死距离

3.4.3使用位置

3.5生存分析

3.5.1团队规模

3.5.2驾驶车辆

3.6多元回归

3.6.1线性回归

3.6.2Logit回归

参考资料

代码附录

01▶

问题简介

“ PUBG Mobile”(PLAYERUNKNOWN"S BATTLEGROUNDS,以下简称PUBG)是一种战术性和竞争性射击沙盒游戏。它的游戏模式是“皇家大战”类型,即每个游戏都会在100人的情况下,玩家模拟将飞机空投到封闭的环境中,并且最终在战斗中幸存下来的玩家或团队将被视为游戏的胜利。PUGB于2017年3月正式发布。由于其精致的设计和强烈的互动意识,自发行以来,它已迅速席卷全球,成为最受欢迎的游戏之一。

同时,巨大的地图和丰富的战斗机制使游戏结果具有很强的多样性,并生成了大量的游戏和战斗数据。本报告尝试根据PUBG发布的一些数据来探索和分析游戏功能和玩家偏好。

02▶

2.1数据描述

此数据集来自kaggle,包含两部分:数据集1和2。数据集1是会话数据。每个游戏中的每个玩家都会生成一个观察结果,描述该玩家游戏的一些摘要信息,例如开放时间,游戏模式和玩家团队的最终排名。 N人将参加游戏。游戏将生成N个观察值。数据集2是角色死亡的记录。每当角色在每个游戏中死亡时,都会生成一个观察值。数据包括有关用于杀死武器的信息,杀手和被杀者的坐标以及死亡时间的信息。拥有N个人的游戏将产生Nk条数据,其中k是最终队伍获胜时幸存的人数。变量的具体条件如表1和表2所示:

表1数据集1:事件数据

表2数据集2:角色死亡记录

2.2数据预处理

原始数据集包括数据集1和数据集2中的大约6000万个观测值。如果全部使用它们,则计算时间成本太高。该报告不关注机器学习和建模,也不需要大量数据。因此,原始数据是随机采样的,并且在两个数据集中选择了100,000个观测值以进行后续统计分析,它们分别命名为data1和data2。

导入数据,删除缺失值的观测值并修改或删除某些离群值后,data1没有丢失,data2剩余90,179个观测值。同时,由于data1中的match_mode变量只有一个值“ TPP”(第三人称视角),因此将该变量作为冗余变量删除。

经过统计和数据预处理后,data1包括来自96,640名玩家的72,801场比赛的基本数据,data2包括97,392场比赛中的87,047名玩家的死亡记录。

03▶

探索性分析

本节将在以下几个方面对预处理的数据集进行统计分析。

首先,通过对data1中“游戏开始时间”进行时间序列分析,以探索PUBG玩家对游戏时间的偏好;其次,分析数据2中角色死亡位置的数据,并在每次游戏开始时获取角色的位置死亡位置模拟了玩家跳伞的位置,角色在每个游戏结束时的死亡位置模拟了毒药圈的最后刷新位置,从而探索了玩家对跳伞的偏好以及毒药收缩点的规律。圈;第三,将data2划分为不同的武器和枪支,探索不同枪支使用热量,杀伤距离和使用地点的特点;第四,根据数据1,对不同类型的玩家进行生存分析,并探索不同因素(是否驾驶汽车,是否进行团队战斗等)对玩家生存时间的影响;第五,使用玩家的最终排名作为因变量,分别拟合多元线性回归模型和Logit回归模型,以探讨玩家的表现与哪些因素相关以及如何相关。

3.1玩家游戏时间偏好

在R语言环境中,数据1中的UTC格式字符串类型的时间变量date通过字符串处理转换为YYYY-mm-dd-HH-MM-SS类型的时间变量。通过采样获得的数据发生在2017年10月20日至2018年1月10日之间,共83天。计算每天发生的游戏数量,并以此为基础绘制游戏流行趋势的折线图,如图1所示:

图1游戏流行趋势

观察图1发现,数据呈现规律的波动。首先,通过移动平均值对数据进行平滑处理。只需观察图1,可能会有每周波动,因此将n = 7作为移动平均值,如图2所示:

图2移动平均平滑(n = 7)

如图2所示,在观察期的83天内,游戏的受欢迎程度总体呈上升趋势。从12月10日至20日,游戏的受欢迎程度出现了大幅下降。PUBG于15日在微软的Xbox One平台上正式启动。一些播放器暂时转移到其他服务器。随后,季节性趋势进一步分解,并且如上所述,将周用作重复周期。结果如图3所示:

图3按周平均受欢迎程度的统计信息

可以清楚地看到,周末的游戏热情高于工作日,尤其是工作日的星期三和星期四。这是一个相对荒凉的时期,游戏热情是最低的。

3.2跳伞位置偏好

图4角色死亡时间的概率密度图

计算游戏开始后角色死亡的时间点。概率密度分布如图4所示。在两个地图上角色死亡时间的分布非常相似。统计数据表明,海岛地图和沙漠地图上人物的死亡时间在65〜2188s和62〜2182s之间,峰值分别为129s和113s。即,玩家角色在开启后约1分钟开始死亡,并在2分钟内达到战斗/角色死亡。高发期。

从第一个玩家角色死亡之日起,选择60秒钟内的两个地图的死亡记录,并根据坐标绘制热图,以模拟游戏开始后玩家对跳伞位置的选择,如图5所示:

图5跳伞点的热图

从图5可以看出,Erangel Island地图上玩家最重要的两个跳伞区域是P City和Airport。这也是此地图上两个资源最丰富的位置。除了6个其他地点显然是跳伞的热门地点。相比之下,MIRAMAR沙漠地图玩家则更专注于跳伞。除拳击场和别墅外,在其他地点跳伞的数量相对较少。没有岛屿地图,玩家可以选择各种跳伞方案。这可能是由于MIRAMAR沙漠。地图的资源刷新相对集中。

3.3毒药环的最后位置

PUBG建立了“毒药圈”机制,以加快游戏进程。在毒药圈内是一个安全区域,玩家在安全区域外将遭受持续的伤害。游戏开始后,安全区域将越来越小,这种机制迫使所有玩家进入同一区域来决定获胜者。此部分使用每个游戏结束时玩家角色死亡的坐标来模拟毒药圈最后刷新位置的偏好。

根据官方的PUBG数据,最后两个有毒圆圈的持续时间为195s,因此选择了最后的死亡时间点以反转195s时期的数据,以及角色死亡地点的相应热图可以绘制以模拟最终毒药圈的刷新位置偏好。由于过去195年代的死亡记录相对较小,因此在100,000个样本的情况下,从这两个地图中只能获得65和13个观测值。因此,扩大了采样率,并从数据集2重新提取了1000万条记录以进行最终确定。毒物循环热图的计算和绘制。

图6最终安全区域刷新的热图

比较图5和图6,可以发现热图显然放错了位置,也就是说,最终安全区刷新频率较高的区域并不是跳伞的热门场所。这可能反映了动态刷新PUBG中毒圈的重要原则:安全区域经常在玩家很少的地方刷新,以充分动员玩家的移动活动。

3.4枪支特征

该部分根据被杀死的武器将角色的死亡记录数据分为几个不同的部分,并统计分析与武器各部分相对应的杀死数据,以反映不同枪支的战斗特性。

3.4.1人气排名

图7枪械排名

计算数据2中各种武器的使用频率,将它们转换成百分比进行排序,然后选择10个杀死最多敌人的枪支进行显示。结果如图7所示。这10个枪支可分为四种类型:步枪(M416 / SCAR_L / M164A / AKM),冲锋枪(UMP9),狙击步枪(Mini14 / Kar98k / SKS)和shot弹枪(S1897 / S686)。

步枪:高射速,远射程和大型弹药使该步枪具有平衡的性能,可以很好地应对近距离和远距离瞄准。这是几乎所有玩家都必须具备的功能,在人气排名中中老牢牢占据前四名。其中,分为5.56毫米小口径步枪和7.62毫米大口径步枪。凭借其出色的处理性能和更轻的弹匣,5.56毫米更容易被玩家(尤其是新手玩家)选择,并占据排名前三位。冲锋枪:高射速和低后坐力的特点使冲锋枪在近战中具有极高的爆破伤害,但中程和严重弹道下降的特点使冲锋枪仅适用于近战。但是,冲锋枪中的UMP9具有良好的可扩展性(可以配备瞄准镜,握把,弹匣和枪口),并且有效射程得到了显着提高。它是接近步枪性能的枪支,在玩家中也很受欢迎。爱已经成为步入热门名单的第二大步枪。gun弹枪:射程极短,只能在近距离战斗中使用,但是一旦击中,将会造成极高的伤害。当每个人在游戏开始时都保持密切联系时,这是最佳选择之一。冲锋枪UMP9之后是同样常见的S1897 shot弹枪。狙击步枪:射程很高,通常用于精确杀死远处的敌人。它需要在大功率示波器上使用。与步枪,冲锋枪等相比,狙击步枪的资源刷新率不高。玩家通常有机会在游戏的中后期获得它们,并且很难使用。新手玩家很难熟练地使用狙击步枪杀死敌人。因此,将热量的使用布置在较低的位置,例如图片中的Mini14和Kar98k。

3.4.2杀死距离

图8不同类型枪械箱图的杀伤距离

图9不同类型枪支的杀伤距离密度图

进一步将狙击步枪分为两种类型:狙击步枪和连续狙击手。狙击步枪由Kar98k代表。每次射击后,需要在下次射击之前重新拉动螺栓。而狙击步枪则以SKS为代表。以杂志的身份连续射击,更类似于步枪。Shuan的后坐力更高,射程更长,功率更大,而Lian的射程更弱,以考虑射速。

本节绘制了不同类型枪支击杀距离的箱形图和密度分布图,如图8和图9所示。从图8可以清楚地看到,射击距离从短到远的顺序是:shot弹枪-冲锋枪-步枪-连续狙击-螺栓狙击,这与各种枪支的特性非常吻合。图9进一步显示了各种枪支的击杀距离的详细分布。该步枪用作比较左右图片的参考。在左图中,冲锋枪和shot弹枪适合近战,但冲锋枪更接近步枪;在右图中,联狙击枪和螺栓狙击枪更适合长距离作战,但即使狙击枪也更接近步枪。

3.4.3使用位置

图11步枪,冲锋枪,shot弹枪使用位置的热图

图12连续和螺栓使用位置的热图

本节绘制了五个枪支(步枪,冲锋枪,shot弹枪,连续狙击手和螺栓狙击手)的使用位置的热量图,如图11和图12所示。可以清楚地看到,狙击步枪的使用更加均匀和分散,这与在人口稠密的地区(例如建筑物和市区)更经常使用的其他枪支不同。这可能是由于狙击步枪的视野好且射程远。射程更容易在空旷地区找到并杀死远处的敌人。这也可能是由于狙击步枪(尤其是螺栓)的补给点分散。

3.5生存分析

在数据1中为玩家的生存时间建立生存分析模型,并探索团队规模以及是否驾驶车辆对玩家生存时间的影响。

3.5.1团队规模

图13球队规模-球员生存曲线

从图13可以清楚地看出,竞赛团队规模越大,同一时间点上玩家的生存率越高。这可能是由于以下事实:当玩家在多人游戏中相互合作并互相帮助时,他们在游戏中会更多。为了安全起见,杀死敌人并不容易。同时,可以看出,多人团队游戏中所有玩家的总游戏时间(与曲线下的面积成比例)更长,也就是说,玩家的整体参与度更高。

3.5.2驾驶车辆

图14驾驶车辆玩家生存曲线

从图14可以看出,在驾驶车辆的情况下,玩家在同一时间点的生存率显着高于没有车辆的情况。这可能是由于车辆行驶得更快,并且更容易避免敌人的子弹或逃脱战场。其次,更容易将车辆驶入安全区域并远离毒药环的威胁。

3.6多元回归

在本节中,“ team_placement”(球员团队的最终排名)用作因变量以拟合多元回归模型,以探索多种因素对球员最终得分的影响。本节将分为两个部分。第一部分将变量作为连续变量进行处理,以拟合简单的线性回归模型。第二部分将变量处理为01变量(是否吃鸡肉),并拟合Logit回归模型。

3.6.1线性回归

这部分使用球员团队的最终排名作为因变量,以拟合多元线性回归模型,以探索哪些因素与球员的最终得分相关以及相关性如何。由于不能统一比较不同规模的球队的排名,因此计算排名百分比变量“ team_per_rank”。团队的最终排名除以团队总数即可表明团队的表现。此变量介于01之间。值越小,性能越高。。用7个独立变量来拟合排名性能相关变量,例如“ player_assists”(救援队友的数量),“ player_dbno”(玩家被击倒的次数)等,在R语言环境中的结果为如下:

模型拟合结果表明,该模型可以解释74.36%的样本数据方差,并且7个自变量中的6个已通过t检验显着性检验。用方差展开因子检验多重共线性,结果如下。

方差扩展因子均小于10,可以认为没有严重的多重共线性问题。接下来,消除无关紧要的自变量“ player_assists”(辅助玩家的数量),并重新拟合模型。结果如下。

拟合模型可以解释74.36%的样本方差,所有变量均通过t检验显着性检验。自变量之间没有严重的多重共线性,因此该模型被视为最终模型。表3列出模型中涉及的变量的名称和含义。该方程式如方程式(1)所示。

表3等式(1)中涉及的变量

公式的因变量是“玩家表现指数”,该值介于0-1之间,表示该游戏得分最高的百分比。变量越小,播放器性能越好。从这个等式可以看出,每当一名球员被击倒时,表现指数平均下降2.08%;播放器行驶距离每增加100m,性能指标将平均增加4.36%,步行距离将平均增加1.24%;每增加100点损坏,性能指标将平均增加0.64%;每杀死一名额外的敌人,绩效指标将平均提高0.96%;每增加100个幸存者,性能指标将平均提高4.2%。一系列型号得出的结论与直觉是一致的。

3.6.2Logit回归

根据“ team_placement”(球员队伍的最终排名)计算0-1变量“鸡”,(如果排名为1,则鸡取1,表示鸡成功,否则取0) )。但是,数据1中鸡为1的样本仅占样本总数的2.86%,属于类别不平衡的问题。因此,随机抽取0份鸡的样本,以使阳性和阴性样本的数量相等。在该数据处理的基础上进行Logit回归,回归结果如下。

显示变量“ player_dbno”(玩家被击倒的次数)尚未通过t检验显着性检验。如果没有明显的多重共线性,则删除此变量以适合新模型。结果如下。

模型通过了显着性检验,没有明显的多重共线性问题。该方程式如方程式(2)所示。

表4等式(2)中涉及的变量

从等式(2)可以看出,被杀死的敌人数量和玩家的生存时间与是否吃鸡呈正相关。对于每杀死一名额外的敌人,吃鸡的几率平均乘以exp(0.33)= 1.39,每增加100s生存时间,吃鸡的优势比平均乘以exp(0.523)= 1.69,这基本上与公式(1)一致。

,但其他变量

“ player_dist_ride”,“ player_dist_walk”和“ player_dmg”与食用鸡肉和方程(1)的效果相反。原因可能是有很多吃鸡的方法。例如,具有攻击性的比赛风格和长距离的球员以及具有保守的比赛风格和较小移动范围的球员很可能会吃鸡。移动距离和它们是否最终吃鸡不一定与正相关。,但总的来说,它与最终排名呈正相关。换句话说,吃鸡的运气要素更高,数据波动更大,反映排名的数据更可靠,符合我们的直觉。

04▶

参考资料

[1]“祝您好运,如何在今晚用Python解锁“吃鸡”的正确姿势”

[2]维基百科:PlayerUnknown的战场

[3]“ PUBG Xbox One版本在两天内售出了超过一百万套”

05▶

代码附录

在末尾

本文是“今晚好运的Python如何解锁”鸡的“正确姿势”(作者:胡萝卜酱,个人公众号:SEM人们学习数据分析)的模仿,尤其是考虑到热量和生存分析这部分有很多参考。

注意:热图的上述部分是由Python制作的

评论