数据分析实战之EM聚类（对王者荣耀英雄分类）

本文主要是王者荣耀的英雄数据进行分类，数据源来源 https://github.com/cystanford/EM_data

1、数据加载

import pandas as pd
data = pd.read_csv(r'C:\Users\hzjy\Desktop\heros.csv',encoding='gb18030')  #设置参数encoding，是为了防止中文乱码问题

数据比较完整，虽“次要定位”有缺失值，但不是关键属性，可以不做处理。

2、特征选择，对于相关性大的属性，进行降维

features = [u'最大生命',u'生命成长',u'初始生命',u'最大法力',u'法力成长',u'初始法力',u'最高物攻',u'物攻成长',u'初始物攻',u'最大物防',u'物防成长',u'初始物防',u'最大每5秒回血',u'每5秒回血成长',u'初始每5秒回血',u'最大每5秒回蓝',u'每5秒回蓝成长',u'初始每5秒回蓝',u'最大攻速',u'攻击范围']
data1 = data[features]

1）对英雄属性的相关性用热力图进行可视化分析

import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False   #用来正常显示负号


import seaborn as sns
corr = data1[features].corr() #各个特征属性的相关性
plt.figure(figsize=(14,14))
sns.heatmap(corr,annot =True)  #annot =True 显示每个方格的数据

中间的数据代表两个属性之间的关系系数，最大值为1，代表完全正相关。可以看到，“最大生命”，“生命成长”这两个属性的相关性大，相关性大的属性只需保留其中一个属性即可。同理，可以对其他相关性大的属性进行筛选，保留一个。

features_remain = [u'生命成长',u'初始生命',u'法力成长',u'物攻成长',u'初始物攻',u'物防成长',u'初始物防',u'每5秒回血成长',u'每5秒回蓝成长',u'初始每5秒回蓝',u'最大攻速',u'攻击范围']
data2 = data[features_remain]

2）数据规范化

• “最大攻速”属性值是百分数，不适合做矩阵运算，需要将百分数转化为小数。
• “攻击范围”的取值为远程或近战，是非数值型，不适合做矩阵，所以将取值做个映射，用1代表远程，用0代表近战。
• 采用Z-Score规范化数据，保证每个特征维度的数据均值为0，方差为1。

data2[u'最大攻速'] = data2[u'最大攻速'].apply(lambda x:float(x.strip('%'))/100)
data2[u'攻击范围'] = data2[u'攻击范围'].map({'远程':1,'近战':0})

from sklearn.preprocessing import StandardScaler
ss = StandardScaler()                      #Z-Score规范化数据
data2 = ss.fit_transform(data2)

3、GMM聚类分析

from sklearn.mixture import GaussianMixture
gmm = GaussianMixture(n_components = 30,covariance_type = 'full')   #构造GMM聚类
gmm.fit(data2)                                                      #训练数据
prediction = gmm.predict(data2)
prediction

 

将分组结果导出：

data.insert(0,'分组',prediction)
data.to_csv(r'C:\Users\hzjy\Desktop\heros1.csv',index = False,sep = ',',encoding='gb18030')

4、聚类结果的评估：

采用 Calinski-Harabaz 指标

 

指标分数越高，代表聚类效果越好，即相同类中的差异性越小，不同类之间的差异性越大。