当前位置: 首页 手游资讯 手游资讯

野蛮时代手游魔法

利用python进行《野蛮时代》游戏数据分析

数据包含近229万条记录,109个字段,以下取较重要的字段进行说明。

字段说明:user_id:用户编码,用户唯一标识

          bd_stronghold_level:要塞等级,相当于游戏账号等级

          wood_reduce_value:木头消耗数量

           stone_reduce_value:石头消耗数量

           ivory_reduce_value:象牙消耗数量

           meat_reduce_value:肉消耗数量

           magic_reduce_value:魔法消耗数量

           general_acceleration_reduce_value:通用加速消耗数量

           building_acceleration_reduce_value:建筑加速消耗数量

           reaserch_acceleration_reduce_value:科研加速消耗数量

           training_acceleration_reduce_value:训练加速消耗数量

           treatment_acceleration_reduce_value:治疗加速消耗数量

           pvp_battle_count:玩家对玩家次数

           pve_battle_count:玩家对机器次数

           avg_online_minutes:日均在线时间

           pay_price:消费金额

           pay_count:消费次数

分析思路:用户注册时间分布情况?

          用户的付费情况(付费率,ARPU,ARPPU)?

          各等级用户的付费情况?

          用户的消费习惯?

          可视化数据

分析过程:

①导入数据

import numpy as np

import pandas as pd

from pandas import read_csv

from sklearn.cluster import KMeans

import matplotlib.pyplotas plt

import pylab as pl

from matplotlib.font_managerimport FontManager, FontProperties

pd.set_option('display.max_columns',None)

#为了数据安全,copy一份数据

df=df0

#检查是否有空值

print(df.isnull().any().any())

#观察数据构成

print(df.head())

②清洗数据

#以user_id为维度,删除重复数据,并查看用户总数

df=df.drop_duplicates(subset='user_id')

print('用户总数:',len(df['user_id']))

→用户总数:2288007

③计算用户注册时间分布

#首先将注册时间精确到天

register_date=[]

for i in df['register_time']:

    date=i[5:10]

    register_date.append(date)

df['register_time']=register_date

#计算每天的注册人数

df_register=df.groupby('register_time').size()

df_register.columns=['日期','注册人数']

print(df_register)

(可视化)

plt.plot(df_register)

plt.grid(True)

pl.xticks(rotation=90)

font=FontProperties(fname='/System/Library/Fonts/PingFang.ttc')

plt.title('用户注册分布图',fontproperties=font)

plt.show()

△可以看出,用户注册数在2月19日有一次的大的高峰,其他时间也分别有几次小高峰,且高峰的持续时间很短,可以推测是因为游戏推出一些奖励活动或公司对游戏的推广取得了效果进而使注册用户激增。

④用户的付费情况(付费率,ARPU,ARPPU)

#付费率(付费人数/活跃人数)

df_pay_user=df[(df['pay_price']>0)]

pay_rate=df_pay_user['user_id'].count()/df_active_user['user_id'].count()

print('付费率:%.2f'%(pay_rate))

#ARPU(总付费金额/活跃人数)

arpu=df_pay_user['pay_price'].sum()/df_active_user['user_id'].count()

print('ARPU:%.2f'%(arpu))

#ARPPU(总付费金额/付费人数)

arppu=df_pay_user['pay_price'].sum()/df_pay_user['user_id'].count()

print('ARPPU:%.2f'%(arppu))

△目前盈利较好的手游的ARPU超过5元,一般手游在3~5元之间,盈利较差的低于3元,该游戏的ARPU为8.55元,说明盈利水平较高。

⑤不同等级用户的付费情况

df_user=df[['user_id','bd_stronghold_level','pay_price','pay_count']]

df_table=pd.pivot_table(df_user,index=['bd_stronghold_level'],

values=['user_id','pay_price','pay_count'],

aggfunc={'user_id':'count','pay_price':'sum','pay_count':'sum'})

df_stronghold_pay=pd.DataFrame(df_table.to_records())

#各等级付费人数

df_stronghold_pay['pay_num']=df_user[(df_user['pay_price']>0)].groupby('bd_stronghold_level').user_id.count()

#各等级付费转化率

df_stronghold_pay['pay_rate']=df_stronghold_pay['pay_num']/df_stronghold_pay['user_id']

#各等级平均付费金额

df_stronghold_pay['avg_pay_price']=df_stronghold_pay['pay_price']/df_stronghold_pay['user_id']

#各等级平均付费次数

df_stronghold_pay['avg_pay_count']=df_stronghold_pay['pay_count']/df_stronghold_pay['user_id']

#重命名列名

df_stronghold_pay.columns=['要塞等级','总付费次数','总付费金额','总人数',

'付费人数','付费转化率','人均付费金额','人均付费次数']

df_stronghold_pay=df_stronghold_pay[['要塞等级','总人数','付费人数','付费转化率',

'总付费金额','人均付费金额','总付费次数','人均付费次数']]

df_stronghold_pay=df_stronghold_pay.round(2)

print(df_stronghold_pay)

(可视化)

#要塞等级—付费转化率

x=df_stronghold_pay['要塞等级']

y=df_stronghold_pay['付费转化率']

plt.xticks(x,range(0,len(x),1))

plt.plot(x,y)

plt.grid(True)

plt.title('不同等级用户付费转化率',fontproperties=font)

plt.show()

#要塞等级-人均付费金额

x=df_stronghold_pay['要塞等级']

y=df_stronghold_pay['人均付费金额']

plt.xticks(x,range(0,len(x),1))

plt.plot(x,y)

plt.grid(True)

plt.title('不同等级用户人均付费jine',fontproperties=font)

plt.show()

x=df_stronghold_pay['要塞等级']

y=df_stronghold_pay['人均付费金额']

plt.xticks(x,range(0,len(x),1))

plt.plot(x,y)

plt.grid(True)

plt.title('不同等级用户人均付费jine',fontproperties=font)

plt.show()

#要塞等级-人均付费次数

x=df_stronghold_pay['要塞等级']

y=df_stronghold_pay['人均付费次数']

plt.xticks(x,range(0,len(x),1))

plt.plot(x,y)

plt.grid(True)

plt.title('不同等级用户人均付费次数',fontproperties=font)

plt.show()

△用户等级到达10级时,付费率接近60%,等级到达13级时,付费率接近100%,且人均付费金额和次数两项指标也在用户达到10级后增长迅速,因此可以认定10级以上用户为游戏的核心用户。

△但是观察用户等级分布,发现绝大部分用户还是处在10级以下的水平,因此如何使用户达到10级是游戏运营接下来需要考虑的事。

⑥不同玩家的消费习惯

该游戏充值主要可以获得道具类(木头、石头、象牙、肉、魔法)和加速券类(通用、建筑、科研、训练、医疗)。根据用户的充值金额大小,分别分析两类消费品的消耗情况。

#将等级>=10级的玩家划分为:消费>=500为高消费玩家,<500为普通玩家

df_eli_user=df[(df['pay_price']>=500)&(df['bd_stronghold_level']>=10)]

df_nor_user=df[(df['pay_price']<500)&(df['bd_stronghold_level']>10)]

#不同玩家的道具消耗情况

wood_avg=[df_eli_user['wood_reduce_value'].mean(),df_nor_user['wood_reduce_value'].mean()]

stone_avg=[df_eli_user['stone_reduce_value'].mean(),df_nor_user['stone_reduce_value'].mean()]

ivory_avg=[df_eli_user['ivory_reduce_value'].mean(),df_nor_user['ivory_reduce_value'].mean()]

meat_avg=[df_eli_user['meat_reduce_value'].mean(),df_nor_user['meat_reduce_value'].mean()]

magic_avg=[df_eli_user['magic_reduce_value'].mean(),df_nor_user['magic_reduce_value'].mean()]

props_data={'high_value_player':[wood_avg[0],stone_avg[0],ivory_avg[0],meat_avg[0],magic_avg[0]],

                  'normal_player':[wood_avg[1],stone_avg[1],ivory_avg[1],meat_avg[1],magic_avg[1]]}

df_props=pd.DataFrame(props_data,index=['wood','stone','ivory','meat','magic'])

df_props=df_props.round(2)

print(df_props)

#可视化

ax=df_props.plot(kind='bar',title='Props Reduce',

         grid=True,legend=True)

plt.show()

△普通玩家和高消费玩家对木头、石头、肉的消耗都较大,魔法的消耗都较小,而在象牙的消耗上,高消费玩家和普通玩家的消耗差距较大。

#不同玩家的加速券消耗情况

general_avg=[df_eli_user['general_acceleration_reduce_value'].mean(),

       df_nor_user['general_acceleration_reduce_value'].mean()]

building_avg=[df_eli_user['building_acceleration_reduce_value'].mean(),

        df_nor_user['building_acceleration_reduce_value'].mean()]

research_avg=[df_eli_user['reaserch_acceleration_reduce_value'].mean(),

        df_nor_user['reaserch_acceleration_reduce_value'].mean()]

training_avg=[df_eli_user['training_acceleration_reduce_value'].mean(),

        df_nor_user['training_acceleration_reduce_value'].mean()]

treatment_avg=[df_eli_user['treatment_acceleration_reduce_value'].mean(),

        df_nor_user['treatment_acceleration_reduce_value'].mean()]

acceleration_data={'high_value_player':[general_avg[0],building_avg[0],research_avg[0],

              training_avg[0],treatment_avg[0]],

         'normal_player':[general_avg[1],building_avg[1],research_avg[1],

              training_avg[1],treatment_avg[1]]}

df_acceleration=pd.DataFrame(acceleration_data,index=['general','building','researching','training','treatment'])

print(df_acceleration.round(2))

#可视化

ax=df_acceleration.plot(kind='bar',title='Acceleration Reduce',

         grid=True,legend=True)

plt.show()

△两类玩家对对治疗加速券消耗都很小,对通用加速券的消耗差异较大,其他三种加速券消耗差别不大。

结论:1.该游戏具有较大的用户基数,且新用户注册受游戏活动、新版本等因素影响较大。

       2.该游戏的ARPU为8.55,说明该游戏的盈利能力较高。

       3.用户等级达到10级后,付费意愿明显上升,且达到13级时付费率将近100%。但是绝大多数用户仍然停留在10级以下,如何使用户平滑升至10级尤为重要。

       4.消费习惯上,高消费玩家对象牙和通用加速券的需求远多于一般玩家。

野蛮时代手游怎么玩 新手入门攻略指南

实力发展篇

1.实力发展的重点为科研,优先发展战斗版块,核心为解锁更高级兵种;

2.前期目标为要塞升至15级并解锁T3兵种;

3.低级士兵不需要训练太多,够打6级野怪就可以了;

4.升级建筑也可以提升战斗力,但最好是达到升级要求即可而不必特意升级;

5.前期发展需求大量资源,尽量把资源用到你急需升级的建筑或解锁的科研上;

6.通过攻打其他玩家进行掠夺比自己采集获得资源的速度更快;

7.升级仓库保护资源,只要你的资源数量在仓库保护范围内,即使被打也不会被抢资源;

8.请尽快将要塞升级到8级,开启“怪物猎人”活动,通过每日免费攻击次数获得宝贵资源和加速道具;

9.每日记得签到、许愿、领取松鼠奖励、领取联盟宝藏奖励,勤快的将工作间任务做起来,通过这些途径你可以获得大量资源和部分加速道具等;

10.将在工作间完成联盟任务获得的联盟币利用起来,到联盟商店兑换你想要的道具;

11.士兵会消耗你的肉类;若肉类的库存低于仓库保护容量,则部队不会消耗肉类,所以请把控好肉类的存量;

12.不在线的时候一定记得开保护罩,开保护罩!!以防您的成就功亏一篑!!

战斗策略篇

1.集结策略:加入联盟后将开启集结功能,集结联盟成员进攻敌人有更大几率获胜;

2.领土玩法:请记住当士兵处于自己部落领地时,受到攻击会优先进入治疗之泉治疗;而在领地外则会直接死亡;

3.暗夜奇袭:趁敌方玩家在其领地外资源点进行采集时,偷袭并直接杀死对方士兵;

4.肉盾打法:解锁 T3及以上兵种后,战斗时可派出出T3及以上士兵作为主力部队,并以一定比例(如25%)T1、T2士兵作为肉盾来保护主力;

5.目标扩展:如果想尝试攻打同一部落不同联盟玩家,请在野蛮人战争活动期间发动攻击;

6.据点分布:为兼顾进攻与支援,可将据点分别传送至联盟成员的聚集地块,遗迹外围部落成员的聚集点,以及地图的任意角落;

7.兵种克制:由于三类兵种相互克制,战前请先侦查了解敌方的部队构成再安排士兵阵容。

加成运用篇

1.天赋提升战斗力:

平衡天赋:若拥有的三类士兵数量相当,战斗天赋点请平均分布在三类兵种上以平衡部队的战力;

单一天赋策略:若某类士兵为您部队的主力,请分配绝对多的战斗天赋点给该兵种,来主要提升单一兵种的战力,以最快解锁最后一层对全兵种加成的天赋;

2.天赋有效分配:运用“天赋重置”道具,在战争时期与发展时期,分别在战斗与发展两个板块配给天赋点,达到不同时期获得最大化的加成效果;

3.符文之语加成策略:查看符文加成效果,根据不同需求重新进行搭配,激活符文之语来获取所需的加成效果。

求养成类手游排行榜,有哪些比较推荐的

养成类手游排行榜:《奇迹暖暖》、《全民小镇》、《甜甜萌物语》、《超强口径》、《梦想城镇》。比较推荐的是《奇迹暖暖》,该游戏制作精良,可玩性极高,深受大众喜爱。

《奇迹暖暖》,一款非常适合女生玩的换装游戏,继承前作《暖暖环游世界》的换装主旨,画师绘制的精美的全新服装,新增服装制作功能。

《奇迹暖暖》由《暖暖环游世界》制作厂商Mars Xu推出的另一个创新的换装手游,奇迹暖暖将会在画风上更加的细腻、全新的剧情、全新的地图,画面精度再次飞跃,成千上万的衣服及部件都以绝高精度绘制,将为暖粉们带来更高的品质体验。

游戏中,故事的舞台将会是七个崇尚不同搭配风格的国家。连贯厚重的故事和扎实的细节叙述将带来小说般的体验,全新的场景风格与场景任务将带来更强的代入感。

玩法更加多样化,福利系统更加成熟,再加上美术人员从谏如流改了内八的站姿,奇迹暖暖破解版还是非常值得一试的!更贺宽,没有赶在暖暖环游世界第一时间进入游戏的玩家,错过了很多绝版衣服的玩家,也可以成为老玩家了。

标签: 手游

声明:

1、本文来源于互联网,所有内容仅代表作者本人的观点,与本网站立场无关,作者文责自负。

2、本网站部份内容来自互联网收集整理,对于不当转载或引用而引起的民事纷争、行政处理或其他损失,本网不承担责任。

3、如果有侵权内容、不妥之处,请第一时间联系我们删除,请联系

  1. 权力与纷争QQ微信登录版VS数字归位
  2. 战龙在野邪龙苏醒手游VS虎王超变传奇
  3. 完美组织者VS马车模拟器
  4. 鸿蒙主宰VS立方体魔方
  5. 凌云176传奇VS升龙界应用宝版
  6. 天龙八部2飞龙战天手游VS银河奇迹
  7. 加菲猫健康日记手游(暂未上线)VS少侠里面请手机版
  8. 道极玄空手VS天骄神途
  9. 三国跑跑重置版VS游族女神联盟登陆器
  10. 鱼丸捕鱼大作战vivo客户端VS我的仙门抖音版
  11. 逆剑之痕手游VS新刀锋传奇安卓版
  12. 诛神传说VS文字江湖手机版
友情链接