《野蛮时代》运营数据分析

1. 游戏介绍

• 游戏名称：野蛮时代
• 开发商：Pocket Rage Ltd
• 游戏介绍：一款拥有皮克斯画风的MMO策略类经营战争游戏，在游戏中，建造城市据点，不断扩张领土，从原始到壮大的真实过程，通过不断的狩猎和围捕，和其他玩家一同竞争，打造一个强大的部落。
• 游戏特色： 自由扩张领土，在战斗中烧毁敌方的城镇；全景高比例缩放地图，支持玩家查看地图全景至每一个细节；选择部落并获得独特的部落技能，与盟友一起加入原始人的激烈战斗；训练15种不同技能的兵种，强大军队，选择不同的战斗策略；改造领土地形，改变资源获取策略；
  捕猎史前野兽，获得丰厚奖励；和部落一起，征服遗迹，成为最高荣誉的大酋长数据：用户注册后前7日数据，且很可能是开服数据

2. 游戏数据分析基本指标

花费一番时间，整理一些游戏运营工作中，数据分析常遇到的数据指标，要想从数据中得出什么结果，对指标的认识是必不可少的。

• DAU

1. 日活跃用户，在当天登录过游戏的用户 （有效反映和衡量一款游戏核心用户数）

• DAU分类：

1. 新用户：当天注册的用户

2. 7天活跃用户：7天内登录过的用户。如7月10日DAU中的7天活跃用户是指7月10日登录过游戏，并且在7月3日至7月9日曾经登录过游戏的用户。

3. 回归僵尸用户：7天前没有登录过游戏的用户（不包括新用户）。如7月10日DAU中的回归僵尸用户指的是7月10日登录过游戏，但是在7月3日至7月9日没有登录过游戏的用户。

4. DAU/MAU：日活/月活，得到每月访问游戏的平均天数是多少（最低极限0.2，与社交游戏成败息息相关）

5. 每日流失用户：当天登录，后续7天内不登录游戏

• 新用户
  1.次日留存（率）：注册后第二天登录游戏的用户。如7月10日的新用户中，在7月11日登录游戏的人数。

2. 三日留存（率）：两种方式：

1.点三日留存：注册后第三天登录游戏的用户。如7月10日的新用户在7月12日登录游戏的用户。

2.区间三日留存：注册后三天内登录过的用户。如7月10号的新用户在7月11号-13号登录过的用户

3. 新手引导转化率：新手引导每一步的转化率=进行本步的用户除以进行上一步的用户

4. 新手无操作（率）= 新手无操作率=无操作的新用户数/总的新用户数。（具体定义由各平台确定）

• WAU

1. WAU：周活跃用户(Weekly Active User)：周活跃用户，在一周之内登录过游戏的

2. WAU细分（依据具体情况而定，仅作参考）

1.忠实用户：连续三周登录的用户

2.回归僵尸用户：本周登录过，上周没有登录过的用户

3.留存僵尸用户：WAU-回归僵尸用户-新用户-本周新用户

4.新用户：本周注册的用户

5.留存新用户：上周注册且本周登录的用户

3. WAU细分（登录频次：登录次数是1次/天）（依据具体情况而定，仅作参考）

轻度用户：每周登录1~2次的用户。

中度用户：每周登录3~5次的用户。

重度用户：每周登录6~7次的用户。

4. 周流失率：本周登陆下周不再继续登陆的用户

5. 忠诚用户数量：本周登陆3次以上（当天重复登陆算一次），最高角色等级超过15级，在线时长超过14小时的用户

6. 忠诚度：忠诚用户数量/WAU

7. 忠诚流失率：本周忠诚用户下周未继续登陆的用户/本周忠诚用户

8. 转化率：本周登陆的用户在下周转化为忠诚用户的比例

• 用户在线

1. CCU：实时在线曲线

2. 平均在线时长 = 总的在线时长/总登录人数

3. 每小时在线人数 ：每个小时登录的用户数

4. 每小时注册用户：每个小时注册的用户数

5. 最高在线人数（PCU每日峰值）：同时在线人数的最高峰

• 病毒性

1. 发送邀请人数：时间段内，成功发送邀请的用户数

2. 接受邀请人数：时间段内，收到邀请信的用户，点击了接受邀请

3. 发送率：发送邀请人数/活跃用户数

4. 接受率：接受邀请的用户/收到邀请的用户；点击接受的信数/接受到邀请的信数

5. k因子：k-Factor（感染率）X（转化率）。用于衡量产品的病毒传播率。感染率是形容某个用户向其他用户传播游戏的程度。转化率是指将感染用户转化成新注册用户的比例。

6. 被邀请用户比例:每天新用户中，被邀请来的用户占新用户的比例

• 付费/充值

1. 付费率：指定时间内，付费用户除以活跃用户数

2. 付费额：指定时间内,付费用户消费总额

3. ARPU值：指定时间内，消费额除以活跃用户数

4. ARPPU值：指定时间内，消费额处于付费用户数

5. LTV：新用户后续付费能力指标。例如：14日LTV是指今天注册的新用户在后续14天内付费额除以注册的新用户数

6. 用户终生价值：Kontegent公式：用户终生价值=1/（1-K）X日ARPU X用户寿命（用户平均生命周期：累计，非连续）。

3. 确定指标

• 用户黏度（DAU，MAU，DAU/MAU，留存分析）

• 用户在线（平均在线时长）

• 付费/充值（付费额、ARPU、ARPPU、付费率）

• 游戏指标：
  1.PVP、PVE、战斗力、资源（科研、建筑、人物、物品）使用等等

• 流失定义：
  (wood_reduce_value == 0 & meat_reduce_value==0 & avg_online_minutes <=2 & pay_count ==0) 假设符合条件则定义为流失用户

• 氪金定义：
  零氪金：pay_price = 0，
  低氪金：pay_price <=68，
  中氪金：pay_price > 68 and pay_price <= 202,
  高氪金：pay_price > 202

4. 实现方式

实现方式一：做数据分层。依据业务需求分成不同的层次，如果本项目采用方式一做数据分层，细分为：

1. 数据运营层ODS层：存放接入的原始数据，对数据装载。
2. 数据仓库层DW层：分为DWD和DWS层，其中DWD层是对DOS层作一定的清洗工作，也就是特征工程，数据筛选；DWS层对用户统计，付费用户划分、游戏指标等；
3. 数据应用层APP层：监控相关指标（注册、流失、平均在线时长等）

实现方式二：如果说原始数据不是很大（个人电脑内存可承载可操作），可考虑使用Python做数据分析以及可视化。

本文实现方式采取：第二种方式来完成。第一种方式后面有时间再补上

5. 结论先行

* 新用户：

• 平均每天新用户注册数为57200人，统计表明共有40天，总共2288007条记录；

• 其中2018年2月19日这一天注册用户数最多有117311人，2018年3月01日这一天注册用户数最小有36226人；

• 注册人数最多的月份是2月，约占总人数的71%；

• 在线时长：

  • 在228万条数据中，新用户平均在线时长在10.2分钟，中位数在1.83分钟，最大在线时长2049分钟；

  • 以新用户平均在线时长分界活跃用户，即平均在线时长大于10.2分钟定义为活跃用户，共有313108个活跃用户，占比13.68%

• 流失用户：

  • 平均每天流失用户数15718人，与平均每天用户注册数占比27.48%，其中2月19日这一天来的新用户多，流失的也多，19号这一天为年后第四天，猜测可能为某个运营活动已接近尾声。

• 氪金人群：

  • 不同的氪金人群在使用app的时长不同，氪金程度越高在线时长越高；
  • 高氪金人群数与活跃用户数只有0.33%占比；零氪金占据大壁江山约有87.8%；

• 付费/充值

  • 付费率：付费用户数除以活跃用户数 = 13.23%；
  • 付费额：45日付费用户消费总额 = 3916936.；
  • ARPU值：45日消费额除以活跃用户数 = 12.51；
  • ARPPU值：45日消费额处于付费用户数 = 94.52；

• 游戏指标分析：

  • 氪金程度越高，玩PVP场次就越多，从低氪金等级开始，随着氪金等级每升一级，PVP场次几乎翻0.5倍，另外在PVE模式中，高氪金与中氪金玩的场次相差不大，对比PVP模式，PVE模式对于高氪金玩家来说吸引力并没有其它氪金等级的玩家强烈；
  • 氪金程度越高，游戏物品数越会越多，玩家从中氪金到高氪金阶段游戏物品翻了约3倍，这表明高氪金玩家在资源上会比其它氪金等级玩家多很多；
  • 氪金程度越高，科研等级也会越高，但数据显示，中氪金和高氪金玩家大多数类型的科研等级几乎持平（比如有：科研_侦擦等级、科研_勇士等级、科研_领土采集等级等）；

在数据集有限情况下，本文展开对这款游戏数据分析，仅作为学习记录下来

6. 认识数据

import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
import seaborn as sns

plt.rcParams['font.sans-serif'] = ['Simhei']
plt.rcParams['axes.unicode_minus']= False

data = pd.read_csv(r'./tap_fun_train.csv')

data.head()

data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2288007 entries, 0 to 2288006
Columns: 109 entries, user_id to prediction_pay_price
dtypes: float64(13), int64(95), object(1)
memory usage: 1.9+ GB

# 检查缺失值
data.isnull().sum()

user_id                 0
register_time           0
wood_add_value          0
wood_reduce_value       0
stone_add_value         0
                       ..
pve_win_count           0
avg_online_minutes      0
pay_price               0
pay_count               0
prediction_pay_price    0
Length: 109, dtype: int64

• 整理数据：
  1.日期时间拆分
  2.重命名部分列名

# 新增3列
data['date']= pd.to_datetime(data['register_time'],format='%Y-%m-%d %H:%M:%S').dt.date
data['hour']= pd.to_datetime(data['register_time'],format='%Y-%m-%d %H:%M:%S').dt.hour
data['month']= pd.to_datetime(data['register_time'],format='%Y-%m-%d %H:%M:%S').dt.month

# 后文着重分析的字段如下
A = {'wood_add_value':'木头获取数量','stone_add_value': '石头获取数量','ivory_add_value':'象牙获取数量','meat_add_value': '肉获取数量','magic_add_value':'魔法获取数量'}
B = {'infantry_add_value':'勇士招募数量','cavalry_add_value':'驯兽师招募数量','shaman_add_value':'萨满招募数量','wound_infantry_add_value':'勇士伤兵产生数量','wound_cavalry_add_value':'驯兽师伤兵产生数量','wound_shaman_add_value':'萨满伤兵产生数量'}
C = {'general_acceleration_add_value':'通用加速卷获取数量','building_acceleration_add_value':'建筑加速卷获取数量','reaserch_acceleration_add_value':'科研加速卷获取数量','training_acceleration_add_value':'训练加速卷获取数量','treatment_acceleraion_add_value':'治疗加速卷获取数量'}
D = {'general_acceleration_reduce_value':'通用加速卷使用数量','building_acceleration_reduce_value':'建筑加速卷使用数量','reaserch_acceleration_reduce_value':'科研加速卷使用数量','training_acceleration_reduce_value':'训练加速卷使用数量','treatment_acceleration_reduce_value':'治疗加速卷使用数量'}
E = {'bd_training_hut_level':'建筑_士兵小屋等级','bd_healing_lodge_level':'建筑_治疗小井等级','bd_stronghold_level':'建筑_要塞等级','bd_outpost_portal_level':'建筑_据点传送门等级'}
F = {'sr_scout_level':'科研_侦察等级','sr_training_speed_level':'科研_训练速度等级','sr_infantry_tier_2_level':'科研_勇士等级','sr_gathering_hunter_buff_level':'科研_领土采集等级','sr_rss_help_bonus_level':'科研_资源帮助容量等级'}
G = {'pvp_battle_count':'PVP次数','pvp_lanch_count':'主动发起PVP次数','pvp_win_count':'PVP胜利次数','pve_battle_count':'PVE次数','pve_lanch_count':'主动发起PVE次数','pve_win_count':'PVE 胜利次数'}

# 替换列名
col = [A,B,C,D,E,F,G]
for co in col:
    data.rename(columns=co,inplace=True)

data.head()

7. 运营指标分析

7.1 每日用户流失数

# 过滤定义为流失的用户
filter_leave = 'wood_reduce_value == 0 & meat_reduce_value==0 & avg_online_minutes <=2 & pay_count ==0'
leave = data.query(filter_leave)

plt.figure(figsize=(9,6))
leave_u = leave.groupby(by=['date']).user_id.agg([pd.Series.count])
plt.plot(leave_u,marker='*',color='seagreen')
# leave.groupby(by=['date']).user_id.nunique().plot(marker='*', color='r')
plt.title('每日流失用户数')
plt.xlabel('日期')
plt.ylabel('流失数量')
leave_u.describe()

​

​

print('平均每日流失用户数与平均每日注册用户数占比:%.2f%%'%(15718/57200*100))

平均每日流失用户数与平均每日注册用户数占比:27.48%

7.2 新用户在线时长

data.avg_online_minutes.describe()

count    2.288007e+06
mean     1.020749e+01
std      3.895946e+01
min      0.000000e+00
25%      5.000000e-01
50%      1.833333e+00
75%      4.833333e+00
max      2.049667e+03
Name: avg_online_minutes, dtype: float64

在228万条数据下，新用户平均在线时长在10.2分钟，中位数在1.83分钟，最大在线时长2049分钟
假设以平均在线时长大于10.2分钟定义为活跃用户，新增一列，区分是否为活跃用户，区分条件：
非活跃用户：0<=avg_online_minutes <=10.2
活跃用户：avg_online_minutes>=10.2

• 划分是否活跃

data['是否活跃用户'] = pd.cut(data.avg_online_minutes,bins=[0,10.2,100000],labels=[0,1],right=False)
data[['是否活跃用户']].describe()

print('共有活跃用户数:%.0f'% (2288007-1974899),'占比%.2f%%' % ((2288007-1974899)/2288007*100))

共有活跃用户数:313108 占比13.68%

7.3 新用户数

7.3.1 每日新用户数

dau = data.groupby(by=['date']).user_id.nunique()
plt.figure(figsize=(9,6))
plt.plot(dau,marker='*', color='r')
plt.title('每日新用户数')
plt.xlabel('日期')
plt.ylabel('注册数')
dau.describe()

count        40.000000
mean      57200.175000
std       16347.806529
min       36226.000000
25%       44703.250000
50%       52876.000000
75%       61699.250000
max      117311.000000
Name: user_id, dtype: float64

​

​

7.3.2 平均每日新用户数

avg_reg = data.groupby(by=['date']).user_id.nunique().mean()
print('平均每日新用户数:%.0f'%avg_reg)

平均每日新用户数:57200

7.3.3 每月新用户数

mau = data.groupby(by=['month']).user_id.nunique()
mau = mau.to_frame()
plt.figure(figsize=(9,6))
rects = plt.bar(mau.index, mau.user_id, color='c')
plt.title('每月新用户数')
plt.xlabel('月份')
plt.ylabel('注册数')
plt.xticks(np.arange(1,4), mau.index)

# 添加注释
def set_label(rects):
    for rect in rects:
        height = rect.get_height() # 获取⾼度
        plt.text(x = rect.get_x() + rect.get_width()/2, # ⽔平坐标
        y = height + 0.5, # 竖直坐标
        s = height, # ⽂本
        ha = 'center') # ⽔平居中
set_label(rects)

# 占比
mau['user_id'].map(lambda x:(x/mau['user_id'].sum())).to_frame()

​

​

7.4 每日活跃用户平均在线时长

plt.figure(figsize=(9,6))
avg_ac_online = data[data['是否活跃用户'] == 1].groupby(by=['date']).avg_online_minutes.mean().round(2)
plt.plot(avg_ac_online,marker='*', color='g')
plt.title('每日活跃用户平均在线时长')
plt.xlabel('日期')
plt.ylabel('活跃用户在线时长')
avg_ac_online.describe().to_frame()

​

​

7.5 氪金人群划分

• 新增一列，以不同的付费额作为划分不同氪金人群

labels = ['零氪金','低氪金','中氪金','高氪金']
bins = [0,0.001,68,202,100000]
data['氪金人群'] = pd.cut(data.pay_price,bins=bins,labels=labels,right=False)

7.5.1 all用户与活跃用户平均在线时长

plt.figure(figsize=(9,6))
all_m = data.groupby(by=['date']).avg_online_minutes.mean().round(2)
ac_m = data[data['是否活跃用户'] == 1].groupby(by=['date']).avg_online_minutes.mean().round(2)
ac_all_m = pd.merge(all_m, ac_m, on='date')
ac_all_m.columns = ['all用户平均在线时长','活跃用户平均在线时长']
sns.lineplot(data=ac_all_m)
plt.title('all用户与活跃用户平均在线时长')
plt.xlabel('日期')
plt.ylabel('在线时长')

Text(0, 0.5, '在线时长')

​

​

7.5.2 all用户与活跃用户在不同氪金人群平均在线时长

plt.figure(figsize=(9,6))
all_m = data.groupby(by=['氪金人群']).avg_online_minutes.mean().round(2).to_frame()
all_m['用户群'] = 'all用户'
ac_m = data[data['是否活跃用户'] == 1].groupby(by=['氪金人群']).avg_online_minutes.mean().round(2).to_frame()
ac_m['用户群'] = '活跃用户'
ac_all_m = pd.concat([all_m, ac_m], axis=0)
ac_all = ac_all_m.reset_index()
ac_all.rename(columns={'avg_online_minutes':'平均在线时长'},inplace=True)
# barplot主要用来描述样本的均值和置信区间
rects = sns.barplot(data=ac_all,hue='氪金人群',x='用户群',y='平均在线时长') # 黑线默认情况则标识了95%的置信区间
plt.title('all用户与活跃用户在不同氪金人群平均在线时长')
plt.xlabel('日期')
plt.ylabel('用户类型')

Text(0, 0.5, '在线时长')

​

​

7.5.3 氪金人群数量分布

plt.figure(figsize=(9,6))
all_m = data.groupby(by=['氪金人群']).user_id.nunique().to_frame()
all_m['用户群'] = 'all用户'
ac_m = data[data['是否活跃用户'] == 1].groupby(by=['氪金人群']).user_id.nunique().to_frame()
ac_m['用户群'] = '活跃用户'
ac_all_m = pd.concat([all_m, ac_m], axis=0)
ac_all = ac_all_m.reset_index()
ac_all.rename(columns={'user_id':'用户数'},inplace=True)
rects = sns.barplot(data=ac_all,hue='氪金人群',x='用户群',y='用户数')
plt.title('all用户与活跃用户氪金人群数量分布')
plt.xlabel('用户群')
plt.ylabel('用户数')
ac_all

​

​

7.5.4 氪金人群分布占比

ac_all_num = ac_all.groupby('用户群')['用户数'].sum().to_frame().reset_index()
acal = pd.merge(ac_all_num,ac_all,on='用户群')
acal.columns=['用户群','总用户数','氪金人群','用户数']
acal['氪金人群用户数与总用户数占比(%)'] = round(acal['用户数']/acal['总用户数']*100,2)
acal

7.6 付费/充值

       付费率：指定时间内，付费用户除以活跃用户数
       付费额：指定时间内,付费用户消费总额
       ARPU值：指定时间内，消费额除以活跃用户数
       ARPPU值：指定时间内，消费额处于付费用户数
       LTV：用户生命周期价值

7.6.1 付费率

order_user_num = data[data.pay_count>0].shape[0] # 付费用户
ac_user_num = data[data['是否活跃用户'] == 1].shape[0] # 活跃用户数
print('付费率：%.2f%%' % (order_user_num/ac_user_num * 100))

付费率：13.23%

7.6.2 付费额

# 45日付费金额
day45_order = data[data.pay_count>0]['prediction_pay_price'].sum()
print('45日付费额：%.2f' % (day45_order))
# 40日付费金额
daynull_order = data[data.pay_count>0]['pay_price'].sum()
print('未知时间付费额：%.2f' % (daynull_order))

45日付费额：3916936.11
40日付费额：1223326.66

7.6.3 ARPU值

# 指定时间内，消费额除以活跃用户数
# 45日的ARPU
print('45日的ARPU：%.2f' % (day45_order/ac_user_num))
# 40日付费金额
print('未知时间的ARPU：%.2f' % (daynull_order/ac_user_num))

45日的ARPU：12.51
40日的ARPU：3.91

7.6.4 ARPPU值

# 指定时间内，消费额处于付费用户数
# 45日的ARPU
print('45日的ARPPU：%.2f' % (day45_order/order_user_num))
# 40日付费金额
print('未知时间的ARPPU：%.2f' % (daynull_order/order_user_num))

45日的ARPPU：94.52
40日ARPPU：29.52

8. 游戏指标分析

8.1 氪金人群PVP平均场次

G

{'pvp_battle_count': 'PVP次数',
 'pvp_lanch_count': '主动发起PVP次数',
 'pvp_win_count': 'PVP胜利次数',
 'pve_battle_count': 'PVE次数',
 'pve_lanch_count': '主动发起PVE次数',
 'pve_win_count': 'PVE 胜利次数'}

pvp_num = pd.pivot_table(data,values=['PVP次数', '主动发起PVP次数', 'PVP胜利次数'],index=['氪金人群'], aggfunc='mean')
pvp_num.head()

plt.figure(figsize=(9,6))
sns.lineplot(data=pvp_num, marker='*',sizes=20)
plt.title('氪金人群PVP平均场次')
plt.xlabel('氪金人群')
plt.ylabel('PVP次数')

Text(0, 0.5, 'PVP次数')

​

​

list(zip(range(len(pvp_num)),pvp_num['PVP次数']))

[(0, 1.723228497868749),
 (1, 22.610458056682255),
 (2, 54.78978622327791),
 (3, 73.05057251908397)]

pvp_num.plot(kind='bar', stacked='True',figsize=(10,8),colormap='tab10')
for a,b in zip(range(len(pvp_num)),pvp_num['PVP次数']):
    plt.text(a,b/2,f'{b:.2f}', ha='center', va='bottom', size=12)
plt.title('氪金人群PVP平均场次')
plt.xlabel('氪金人群')
plt.ylabel('PVP次数')

Text(0, 0.5, 'PVP次数')

​

​

8.2 氪金人群PVE平均场次

pvp_num = pd.pivot_table(data,values=['PVE次数', '主动发起PVE次数', 'PVE 胜利次数'],index=['氪金人群'], aggfunc='mean')
plt.figure(figsize=(9,6))
sns.lineplot(data=pvp_num, marker='*',sizes=20)
plt.title('氪金人群PVE平均场次')
plt.xlabel('氪金人群')
plt.ylabel('PVE次数')
pvp_num

​

​

8.3 氪金人群人均物品数

A

{'wood_add_value': '木头获取数量',
 'stone_add_value': '石头获取数量',
 'ivory_add_value': '象牙获取数量',
 'meat_add_value': '肉获取数量',
 'magic_add_value': '魔法获取数量'}

pvp_num = pd.pivot_table(data,values=A.values(),index=['氪金人群'], aggfunc='mean')
plt.figure(figsize=(9,6))
sns.lineplot(data=pvp_num, marker='*',sizes=20)
plt.title('氪金人群人均物品数')
plt.xlabel('氪金人群')
plt.ylabel('物品数')

Text(0, 0.5, '物品数')

​

​

8.4 氪金人群人均人物数

B

{'infantry_add_value': '勇士招募数量',
 'cavalry_add_value': '驯兽师招募数量',
 'shaman_add_value': '萨满招募数量',
 'wound_infantry_add_value': '勇士伤兵产生数量',
 'wound_cavalry_add_value': '驯兽师伤兵产生数量',
 'wound_shaman_add_value': '萨满伤兵产生数量'}

pvp_num = pd.pivot_table(data,values=B.values(),index=['氪金人群'], aggfunc='mean')
plt.figure(figsize=(9,6))
sns.lineplot(data=pvp_num, marker='*',sizes=20)
plt.title('氪金人群人均人物数')
plt.xlabel('氪金人群')
plt.ylabel('人物数')

Text(0, 0.5, '人物数')

​

​

8.5 氪金人群人均功能数

8.5.1 氪金人群人均加速卷获取情况

C

{'general_acceleration_add_value': '通用加速卷获取数量',
 'building_acceleration_add_value': '建筑加速卷获取数量',
 'reaserch_acceleration_add_value': '科研加速卷获取数量',
 'training_acceleration_add_value': '训练加速卷获取数量',
 'treatment_acceleraion_add_value': '治疗加速卷获取数量'}

pvp_num = pd.pivot_table(data,values=C.values(),index=['氪金人群'], aggfunc='mean')
pvp_num
plt.figure(figsize=(9,6))
sns.lineplot(data=pvp_num, marker='*',sizes=20)
plt.title('氪金人群人均加速卷获取情况')
plt.xlabel('氪金人群')
plt.ylabel('加速卷获取数')

Text(0, 0.5, '加速卷获取数')

​

​

8.5.2 氪金人群人均加速卷使用情况

D

{'general_acceleration_reduce_value': '通用加速卷使用数量',
 'building_acceleration_reduce_value': '建筑加速卷使用数量',
 'reaserch_acceleration_reduce_value': '科研加速卷使用数量',
 'training_acceleration_reduce_value': '训练加速卷使用数量',
 'treatment_acceleration_reduce_value': '治疗加速卷使用数量'}

pvp_num = pd.pivot_table(data,values=D.values(),index=['氪金人群'], aggfunc='mean')
plt.figure(figsize=(9,6))
sns.lineplot(data=pvp_num, marker='*',sizes=20)
plt.title('氪金人群人均加速卷使用情况')
plt.xlabel('氪金人群')
plt.ylabel('加速卷数')

Text(0, 0.5, '加速卷数')

​

​

8.6 氪金人群人均建筑数

E

{'bd_training_hut_level': '建筑_士兵小屋等级',
 'bd_healing_lodge_level': '建筑_治疗小井等级',
 'bd_stronghold_level': '建筑_要塞等级',
 'bd_outpost_portal_level': '建筑_据点传送门等级'}

pvp_num = pd.pivot_table(data,values=E.values(),index=['氪金人群'], aggfunc='mean')
plt.figure(figsize=(9,6))
sns.lineplot(data=pvp_num, marker='*',sizes=20)
plt.title('氪金人群人均建筑数')
plt.xlabel('氪金人群')
plt.ylabel('建筑数')

Text(0, 0.5, '建筑数')

​

​

8.7 氪金人均科研等级

F

{'sr_scout_level': '科研_侦察等级',
 'sr_training_speed_level': '科研_训练速度等级',
 'sr_infantry_tier_2_level': '科研_勇士等级',
 'sr_gathering_hunter_buff_level': '科研_领土采集等级',
 'sr_rss_help_bonus_level': '科研_资源帮助容量等级'}

pvp_num = pd.pivot_table(data,values=F.values(),index=['氪金人群'], aggfunc='mean')
plt.figure(figsize=(9,6))
sns.lineplot(data=pvp_num, marker='*',sizes=20)
plt.title('氪金人均科研等级')
plt.xlabel('氪金人群')
plt.ylabel('科研等级')

Text(0, 0.5, '科研等级')

​

【数据如有侵权，请联系删除】