[D+27][프로젝트 #2-1] 롤(LoL) 오브젝트, 킬/데스와 승패의 상관 관계

*출처. League of Legends

📊 INDEX 

01. 사용할 데이터 확인 
02. 필요한 컬럼 생성 
03. 담당 분석 주제 선정 및 1차 EDA
- 오브젝트와 승패의 상관관계 분석
- 킬, 데스와 승패의 관계 분석

 

 

 

📌 프로젝트 개요 

 

 

 

 

01. 사용할 데이터 확인 

---

• info(), describe() 를 활용해 데이터를 빠르게 확인.
• 총 180928개의 데이터로 49개 컬럼으로 구성되어 있음. 
• 결측치는 없었으나, 900초 이전에 게임이 끝난 경기들이 존재(9496건)
  • 게임 규칙상 15분(900초) 이전에 기권을 진행할 수 없기 때문에, 특이 플레이로 간주
  • 추후 게임 플레이 시간별로 집단을 나누어 확인하는 것으로 논의. 
• 각 플레이어의 킬 수, 데스 수, 데미지 피해량, 골드 총량, 시야 점수, 군중 제어 시간(초)을 알 수 있었으나, 챔피언은 파악할 수 없었음. 플레이어 또한 1~5로 랜덤 하게 들어가 있어서 챔피언을 유추하기 어려웠던 데이터. 

 

 

 

02. 필요한 컬럼 생성

---

•  데이터 분석에 필요한 컬럼 추가 생성
  *팀원들끼리 동일한 변수와 컬럼을 유지할 수 있도록 구글 스프레드 시트를 활용해 코드를 공유했어요. 

 

 

 

03.  담당 분석 주제 선정 및 EDA 

---

✅ 오브젝트와 승패의 상관관계 분석 - 히트맵(Heatmap)

• 각 요인 간의 상관계수를 구하고 히트맵으로 시각화 해주었습니다. 
  히트맵을 통해서 알게 된 내용은 노션에 정리해서 팀원들에게 공유했어요! 
• sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm')
  
  • annot=True 히트맵 셀에 값 표시 여부 
  • cmap='coolwarm' 히트맵 색상 팔레트 지정 

# 첫 번째 오브젝트 획득 여부와 승패 상관관계 - 히트맵 

first_object_win_df = df[['win','firstTower', 'firstInhibitor', 'firstBaron', 'firstDragon', 'firstRiftHerald']]
correlation_matrix = first_object_win_df.corr()

plt.figure(figsize=(10, 8))
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm')
plt.title('First object and Win correlation Matrix Heatmap')
plt.show()

# 오브젝트와 승패의 상관관계 히트맵 

object_win_df = df[['win','firstTower', 'firstInhibitor', 'firstBaron', 'firstDragon', 'firstRiftHerald', 'towerKills', 'inhibitorKills', 'baronKills', 'dragonKills', 'riftHeraldKills']]
object_correlation_matrix = item_win_df.corr()

plt.figure(figsize=(10, 8))
sns.heatmap(object_correlation_matrix, annot=True, cmap='coolwarm')
plt.title('Object and Win correlation Matrix Heatmap')
plt.show()

 

✅ 킬, 데스와 승패의 관계 분석 - 데이터 시각화

• 킬, 데스와 승패 관계는 다양한 방식으로 시각화하면서 데이터를 파악했어요. 
• 박스 플롯 - 킬, 데스의 이상치가 확 튀는 것이 아닌 줄 지어져 있어 별도 삭제 X 
• 히스토그램 - 킬 수와 데스 수 모두 10~30 구간에 가장 많이 분포하고 있으며, 약간 치우친 정규 분포 모양을 따름.
• 히트맵 & 막대 그래프 - 킬 수는 0.51 양의 상관관계, 데스 수는 - 0.5 음의 상관관계를 갖음을 확인 
• 피벗 테이블 
  • 전체 킬 수(`total_kills`)가 20 이하인 구간에서는 승리할 확률이 32%로 낮음.
    특히, 킬 수가 10 미만인 경우엔 승리할 확률이 0.09%로 굉장히 낮아짐.
  • 반면, 특이했던 점은 전체 킬수(`total_kills`) 31 이상 구간부터는 이길 확률이 80% 대로 크게 차이 나지 않음. 

# 박스플롯 - 이상치 확인

sns.boxplot(y='total_kills', data=df)
plt.title('Total kills box plot')

sns.boxplot(y='total_deaths', data=df, color='green')
plt.title('Total deaths box plot')

# 히스토그램 - 분포 확인 

sns.histplot(x='total_kills', data=df)
plt.title('Total kills histogram')

sns.histplot(x='total_deaths', data=df, color='green')
plt.title('Total deaths histogram')

# 킬수와 승패 막대 그래프 (파란색 그래프)
sns.barplot(x='total_kills', y='win', data=df)
plt.title('Total kills and win barplot')
plt.xticks(rotation=45)  # x축 라벨을 45도 회전
plt.show()

sns.barplot(x='win', y='total_kills', data=df)
plt.title('Total kills and win barplot')
plt.show()

# 데스 수와 승패 막대 그래프 (초록색) 
sns.barplot(x='total_deaths', y='win', data=df, color='green')
plt.title('total_deaths and win barplot')
plt.show()

sns.barplot(x='win', y='total_deaths', data=df, color='green')
plt.title('total_deaths and win barplot')
plt.show()

# 전체 킬수와 데스 수, 승패 간의 상관관계 분석 
kill_death_win_df = df[['win','total_kills', 'total_deaths']]
correlation_matrix = kill_death_win_df.corr()

plt.figure(figsize=(10, 8))
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm')
plt.title('Kill, Death and Win correlation Matrix Heatmap')
plt.show()

# total_kills 수에 따른 클래스 분류 함수 생성 
def assign_class(kills):
    if kills <= 10:
        return '00-10 구간'
    elif kills <= 20:
        return '11-20 구간'
    elif kills <= 30:
        return '21-30 구간'
    elif kills <= 40:
        return '31-40 구간'
    elif kills <= 50:
        return '41-50 구간'
    elif kills <= 60:
        return '51-60 구간'
    else:
        return '70 이상 구간'

# 킬 수에 따른 클래스 할당 칼럼 생성 및 피벗 테이블 제작 
df['kills_class'] = df['total_kills'].apply(assign_class)
df.pivot_table(index='kills_class', values=['win','total_deaths'], aggfunc={'count', 'mean'}).sort_index().round(2)

---

 

[ Today I Learned ] 

 

팀원들과 선택한 두번째 프로젝트 주제는 <리그 오브 레전드(LOL) 밸런스 분석>입니다! 

데이터 분석을 기반으로 승패 예측 분류 모델을 구축하는 것이 이번 프로젝트 목표 입니다. 

사실 전 <꿈의 정원>과 같은 모바일 퍼즐 게임만 즐기는 라이트 유저이기 때문에 롤은 전혀 모릅니다.

하지만, 롤은 몰라도 페이커 선수를 매우 좋아하고, 지금 기회가 아니면 게임 주제의 데이터 분석을 해볼 수 있는 기회가 없을 것 같아 설레는 마음으로 해당 주제를 선택하게 됐습니다. 사실 민주주의 국가 다수결 원칙에 의해 해당 주제를  첫째 날은 프로젝트 주제를 선정하고 분석 방향에 대해 이야기 나누고, 각자 세부 주제를 맡아 EDA를 진행했는데요! 확실히 게임 데이터라서 그런지 그 과정이 되게 재밌긴 했습니다 ㅎㅎ 팀원 분들이 친절하셔서 써렌이나 넥서스 같은 게임 용어와 규칙도 설명해 주셔서 정말 재미있었어요! '주말에 시간되면 PC방 가서 한번 해볼까? '도 생각했지만 하지만 저는 트롤이 될 게 분명하기에 다른 유저 분들을 위해 참겠습니다. 정신없어서 TIL 작성이 조금 늦어졌지만 이번 프로젝트도 꼼꼼히 기록해 보겠습니다.

 

(tmi) 새로 바꾼 ZEP 아바타가 너무 귀여워yo!

 

*<스파르타코딩클럽> 데이터 분석 부트캠프 2기 프로젝트 진행 관련 자발적 포스팅입니다.