推荐|用 Python 分析了 1982 场英雄联盟数据，开局前预测游戏对局胜负！

640?wx_fmt=gif

640?wx_fmt=jpeg

前言

如今，只要随便进入一个网吧，都会发现玩《英雄联盟》的人是最多的，可以这么说，《英雄联盟》已经是当之无愧的端游一哥。而在拥有如此基数玩家的《英雄联盟》，已经不仅仅是一个电竞游戏这么简单了，它还带给了我们无数的欢乐。

问君能有几多愁，辅助闪现抢人头；问君能有几多愁，卡牌千里送人头。问君能有几多愁，皇子开大关队友；清明时节雨纷纷,各种队友各种坑。别人笑我不买眼,我笑别人浪费钱；孤帆远影碧空尽,草丛惊现蛮易信。相见时难别亦难，碰见赵信菊花残；我自横刀向天笑,剁人只需用三刀。苦练盲僧千百次, 盲目对战 N 多次；战输不下五十次, 砸得鼠标要出事；举杯邀明月,草丛遇盖伦。

前几天写了一篇关于吃鸡游戏的分析用 Python 分析了 1w 场吃鸡数据，原来吃鸡要这么玩！帮助小胖提升了吃鸡率。鉴于“二百斤灵魂”小胖舍友不仅痴迷于吃鸡类游戏，还非常喜欢 LOL，所以为了帮助他每天尽快拿到首胜，爬取并分析了 1982 余场 LOL 数据。非常神奇的是，在开局之前能够高概率的预测本局的胜负！让你提前做好心理准备。

假设

假设没有王者等大神代玩小号
假设没有代练
假设没有因为半途被媳妇抓到而挂机的行为

游戏对战数据获取

国服：腾讯游戏平台非官方 API —— http://www.games-cube.com/

640?wx_fmt=png

外服：Riot 开发者平台 API —— https://developer.riotgames.com/

640?wx_fmt=png

连接数据库：

import numpy as npimport pymysql, random, jsondef connect_db(database): try:   conn = pymysql.connect(host='localhost', port=3306, user='root', password='zandaoguang', db=database, charset='utf8')   return conn except:   print ('Exception: MySQL Connection')   return None

分析和训练数据

利用神经网络（neural_network）、随机森林（random_forest）和支持向量机（support_vector）等若干智能算法进行训练和回归，最终进行比较效果。

下面为神经网络部分代码：

from __future__ import print_functionimport numpy as np#np.random.seed(1337)  # for reproducibilityfrom keras.datasets import mnistfrom keras.models import Sequential, load_modelfrom keras.layers import Dense, Dropout, Activation, Flattenfrom keras.layers import Convolution2D, MaxPooling2Dfrom keras.utils import np_utilsfrom keras import backend as Kfrom keras.optimizers import SGD, Adam, RMSpropimport gzipimport sysfrom six.moves import cPicklefrom fetcher import *batch_size = 256nb_classes = 2nb_epoch = 100champion_dict = fetch_champion_dict("champion136.json")champion_num = len(champion_dict)X_train = X_train.astype('int8')X_test = X_test.astype('int8')print('X_train shape:', X_train.shape)print(X_train.shape[0], 'train samples')print(X_test.shape[0], 'test samples')Y_train = np_utils.to_categorical(y_train, nb_classes)Y_test = np_utils.to_categorical(y_test, nb_classes)model = Sequential()model.add(Dense(1500, input_dim = champion_num, init='uniform'))model.add(Activation('sigmoid'))model.add(Dense(2))model.add(Activation('softmax'))model.summary()model.compile(loss='categorical_crossentropy',             optimizer=RMSprop(),             metrics=['accuracy'])history = model.fit(X_train, Y_train,                   batch_size=batch_size, nb_epoch=nb_epoch,                   verbose=1, validation_data=(X_test, Y_test))score = model.evaluate(X_test, Y_test, verbose=0)print('Test score:', score[0])print('Test accuracy:', score[1])

随机森林代码：

from sklearn.ensemble import RandomForestClassifierfrom sklearn.externals import joblibfrom fetcher import *champion_dict = fetch_champion_dict("champion136.json")champion_num = len(champion_dict)X_train, y_train, X_test, y_test = fetch_one_side_riot('12', 'MATCHED_GAME', 'KING_PORO', 'KINGPORO', ('1492660800000', '1493740800000'), champion_dict)clf = RandomForestClassifier(n_estimators=500, n_jobs=2)clf.fit(X_train, y_train)train_score = clf.score(X_train, y_train)print ("Train Score = "+str(train_score))test_score = clf.score(X_test, y_test)print ("Test Score = "+str(test_score))

支持向量机代码：

from sklearn.externals import joblibfrom sklearn import svmfrom fetcher import *champion_dict = fetch_champion_dict("champion136.json")champion_num = len(champion_dict)X_train, y_train, X_test, y_test = fetch_one_side_riot('12', 'MATCHED_GAME', 'ARAM_UNRANKED_5x5', 'ARAM', ('1492660800000', '1493740800000'), champion_dict)clf = svm.SVC()clf.fit(X_train, y_train)train_score = clf.score(X_train, y_train)print ("Train Score = "+str(train_score))test_score = clf.score(X_test, y_test)print ("Test Score = "+str(test_score))