fcarlosmonteiro / moba-data-analysis-players

Filtragem de Dados de Partidas de League of Legends

Filtragem de Dados de Partidas de League of Legends

Introdução

Este projeto compara duas abordagens para filtrar dados de partidas de um jogador em League of Legends, com o objetivo de obter um conjunto de dados mais homogêneo. As duas abordagens são:

1. Filtragem baseada no Desvio Padrão
2. Filtragem baseada no K-means Clustering

Dados

Os dados consistem em registros de partidas de League of Legends, incluindo informações como data, campeão jogado, número de abates, mortes, assistências, entre outros.

Abordagens de Filtragem

1. Filtragem baseada no Desvio Padrão

Nesta abordagem, calculamos a média e o desvio padrão do KDA (abates + assistências / mortes) e filtramos os dados para manter apenas os valores dentro de uma faixa de desvio padrão definida em torno da média.

Resultados

• Número de linhas antes da filtragem: 30
• Média do KDA: 5.6681
• Desvio padrão do KDA: 7.1074
• Número de linhas depois da filtragem: 8

date               champion  kills  deaths  assists  KDA
2023-11-16 05:35:36.539  Jhin        20     5       13      6.600000
2023-11-16 04:24:53.256  Jhin         4     4       12      4.000000
2023-11-16 03:29:44.830  TwistedFate  2     4       18      5.000000
2023-11-16 02:35:01.656  KogMaw      10     6       21      5.166667
2023-11-15 23:39:30.830  TwistedFate  4     4       13      4.250000
2023-11-15 23:11:49.646  Nami         0     5       20      4.000000
2023-11-15 22:39:35.486  Jhin         6     3       15      7.000000
2023-11-15 19:19:32.776  Nami         3     5       18      4.200000

2. Filtragem baseada em K-means Clustering

Nesta abordagem, aplicamos o algoritmo K-means para identificar clusters de valores de KDA e filtramos os dados para manter apenas o cluster principal, seguido de uma filtragem adicional baseada no desvio padrão dentro do cluster principal.

Resultados

• Número de linhas antes da filtragem: 30
• Número de linhas depois da filtragem: 13

date               champion  kills  deaths  assists  KDA
2024-02-11 18:26:36.425  Yasuo       12     4        2      3.500000
2023-11-16 04:53:41.714  Brand       10     9       18      3.111111
2023-11-16 04:24:53.256  Jhin         4     4       12      4.000000
2023-11-16 03:29:44.830  TwistedFate  2     4       18      5.000000
2023-11-16 02:35:01.656  KogMaw      10     6       21      5.166667
2023-11-16 00:07:06.784  Jhin         5     4        7      3.000000
2023-11-15 23:39:30.830  TwistedFate  4     4       13      4.250000
2023-11-15 23:11:49.646  Nami         0     5       20      4.000000
2023-11-15 22:16:44.482  Jhin         2     3        7      3.000000
2023-11-15 21:43:21.713  TwistedFate  4     5       14      3.600000
2023-11-15 21:17:38.538  Jhin         7     5       10      3.400000
2023-11-15 20:14:54.764  Jhin         9     7       18      3.857143
2023-11-15 19:19:32.776  Nami         3     5       18      4.200000

Conclusão

• Desvio Padrão: Eficaz, mas pode manter partidas com KDAs extremos, especialmente quando o desvio padrão é alto.
• K-means: Proporciona uma melhor homogeneidade, mantendo partidas com KDAs mais próximos entre si.

A abordagem baseada em K-means parece ser mais apropriada para obter um conjunto de dados mais consistente e homogêneo.

Execução do Projeto

Requisitos

• Python 3.x
• Pandas
• Scikit-learn

Instalação

1. Crie um ambiente virtual:

   python3 -m venv venv

2. Ative o ambiente virtual:

   • No Windows:

     venv\Scripts\activate

   • No macOS/Linux:

     source venv/bin/activate

3. Instale as dependências:

   pip install pandas scikit-learn

Execução

1. Execute os scripts:

   python lol-sd.py
   python lol-kmeans.py