はじめに

最近，Dota2を始めましたが全く勝てません
ハードボットにボコボコにされます．

色々と調べても「死ぬな」くらいのことしか分らず苦戦しています．

データサイエンスでDota2強くなるかも説

そこで，データサイエンスの力を借りて，どのような状況なら勝っているか？や前回に比べてどのように振舞ったから勝てたのか？ということを数値化して分析していけば強くなるのでは！と考えました．本企画はその仮説を検証していく企画です．

前回までのあらすじ

Dota2の情報をPythonで取得できるような環境を作成し^*1，データを取得＋定期的に保存する機構を作りました^*2．

今回の概要

保存したデータを一部可視化して，試合の内容を振り返り分析してみました．

Dota2 解析プログラム

使用データセット

bot戦（ミディアム）：Chaos Knight
bot戦（ミディアム）：Chaos Knight

2試合のデータセットを使います．2つともChaos Knightを使用しました．
僕的にはこいつが使いやすいかなと初心者ながら感じでいます．

Import package

必要パッケージをインポートします．

import dota2gsi
import glob
import pandas as pd

import seaborn as sns
from matplotlib import pyplot as plt
import matplotlib as mpl

figure style

スタイルはfivethirtyeightでいきます．


#sns.palplot(sns.color_palette("RdBu_r", 24))
#sns.set_palette("RdBu_r")
#sns.set(style='darkgrid')
#sns.set_style('whitegrid')
mpl.style.use('fivethirtyeight')

Read csv file

今回は2試合のデータを指定します．

target_log_file_list = ["log_20220901-160140.csv", "log_20220901-204148.csv"]

リストに入れます．

df_list = []
for file_path in target_log_file_list:
    df_list.append(pd.read_csv(file_path))

中身はこんな感じ

df_list[0].head(5)

	alive	break	buyback_cost	buyback_cooldown	disarmed	has_debuff	health	health_percent	hexed	...	kills	last_hits	net_worth	pro_name	runes_activated	support_gold_spent	wards_destroyed	wards_placed	wards_purchased	xpm
0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
1	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	...	0.0	0.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0
2	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	...	0.0	0.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0
3	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	...	0.0	0.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0
4	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	...	0.0	0.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0

5 rows × 67 columns

取得したデータの種類はこんな感じです．

df_list[0].columns

    Index(['Unnamed: 0', 'alive', 'break', 'buyback_cost', 'buyback_cooldown',
           'disarmed', 'has_debuff', 'health', 'health_percent', 'hexed', 'id',
           'level', 'magicimmune', 'mana', 'mana_percent', 'max_health',
           'max_mana', 'muted', 'name', 'respawn_seconds', 'selected_unit',
           'silenced', 'stunned', 'talent_1', 'talent_2', 'talent_3', 'talent_4',
           'talent_5', 'talent_6', 'talent_7', 'talent_8', 'xpos', 'ypos',
           'clock_time', 'daytime', 'dire_ward_purchase_cooldown', 'game_state',
           'game_time', 'name.1', 'matchid', 'radiant_ward_purchase_cooldown',
           'nightstalker_night', 'roshan_state', 'roshan_state_end_seconds',
           'win_team', 'customgamename', 'assists', 'camps_stacked', 'deaths',
           'denies', 'gold', 'gold_reliable', 'gold_unreliable', 'gpm',
           'hero_damage', 'kill_list:victimid_#', 'kill_streak', 'kills',
           'last_hits', 'net_worth', 'pro_name', 'runes_activated',
           'support_gold_spent', 'wards_destroyed', 'wards_placed',
           'wards_purchased', 'xpm'],
          dtype='object')

Plot level section

ここから描画していきます．

Extract level data

levelのデータのみを抽出し描画用のdfに入れます．

df_ex_data_list = []
for i, df in enumerate(df_list):
    target_name = 'level'
    plot_name = '{}_try{}'.format(target_name, i)
    df[plot_name] = df[target_name]
    df_ex_data_list.append(df[plot_name])

df_ex_merge = pd.concat(df_ex_data_list, axis=1)

データの中身はこんな感じ．

df_ex_merge

	level_try0	level_try1
0	NaN	NaN
1	NaN	NaN
2	NaN	NaN
3	NaN	NaN
4	NaN	NaN
...	...	...
29396	18.0	NaN
29397	18.0	NaN
29398	18.0	NaN
29399	18.0	NaN
29400	18.0	NaN

29401 rows × 2 columns

Plot level data

結果はこちら．

plt.figure(figsize=(20,5))
sns.lineplot(data=df_ex_merge, lw=2)
#sns.lineplot(data=df_data, x='clock_time', y='level', lw=2)

2試合目の方が後半のレベルの伸びが悪いですね．後述する体力を見ればわかりますが，後半では集団で結構負けてしまったので，その分の経験値が入っていないためレベルが低迷していると思われます．

Plot health section

Extract health data

df_ex_data_list = []
for i, df in enumerate(df_list):
    target_name = 'health'
    plot_name = '{}_try{}'.format(target_name, i)
    df[plot_name] = df[target_name]
    df_ex_data_list.append(df[plot_name])

df_ex_merge = pd.concat(df_ex_data_list, axis=1)

Plot health data

plt.figure(figsize=(20,5))
sns.lineplot(data=df_ex_merge, lw=2)

後半には，集団戦で負けまくっていたので，体力の下降が激しいですね．．．

Plot gold data

Extract gold data

df_ex_data_list = []
for i, df in enumerate(df_list):
    target_name = 'gold'
    plot_name = '{}_try{}'.format(target_name, i)
    df[plot_name] = df[target_name]
    df_ex_data_list.append(df[plot_name])

df_ex_merge = pd.concat(df_ex_data_list, axis=1)

Plot gold data

plt.figure(figsize=(20,5))
sns.lineplot(data=df_ex_merge, lw=2)

１試合目は集団戦で勝ちまくっていたのでジャブジャブお金が増えていることが分かります．

プログラム

コードはこちらです．

おわりに

今回のデータを見たところ，集団戦で勝てないことを考慮に入れて，最前線よりも少し後方で様子見しながら振舞った方がよさそうですね．
勝てそうならグイグイ行って，雲行きが怪しければ速攻退去する構えでいきます．
こんな感じでデータを活用しつつDota2の経験値を貯めていこうと思います．

参考サイト

最新情報

速報はTwitterやブログにて