600族ドラゴンとトレードオフ

600族ドラゴンまとめ

― Dragon-Type Pseudo Legendary Pokémon ―

世代	ポケモン	タイプ	種族値 (H/A/B/C/D/S)	合計
I	カイリュー	ドラゴン / ひこう	91 / 134 / 95 / 100 / 100 / 80	600
III	ボーマンダ	ドラゴン / ひこう	95 / 135 / 80 / 110 / 80 / 100	600
IV	ガブリアス	ドラゴン / じめん	108 / 130 / 95 / 80 / 85 / 102	600
V	サザンドラ	あく / ドラゴン	92 / 105 / 90 / 125 / 90 / 98	600
VI	ヌメルゴン	ドラゴン	90 / 100 / 70 / 110 / 150 / 80	600
VII	ジャラランガ	かくとう / ドラゴン	75 / 110 / 125 / 100 / 105 / 85	600
VIII	ドラパルト	ドラゴン / ゴースト	88 / 120 / 75 / 100 / 75 / 142	600
IX	セグレイブ	こおり / ドラゴン	115 / 145 / 92 / 75 / 86 / 87	600

---

数値モデル解析

(1) 耐久係数

( R = \sqrt{B \times D} )

ポケモン	計算結果
カイリュー	97.5
ボーマンダ	80.0
ガブリアス	89.9
サザンドラ	90.0
ヌメルゴン	102.5
ジャラランガ	114.5
ドラパルト	75.0
セグレイブ	89.2

---

(2) 攻撃効率指数

( E_{atk} = \frac{A + C}{2} )

ポケモン	計算結果
カイリュー	117.0
ボーマンダ	122.5
ガブリアス	105.0
サザンドラ	115.0
ヌメルゴン	105.0
ジャラランガ	105.0
ドラパルト	110.0
セグレイブ	110.0

---

(3) 機動力（速度比）

( v_{eff} = \frac{S}{600} \times 100% )

ポケモン	計算結果
カイリュー	13.3%
ボーマンダ	16.7%
ガブリアス	17.0%
サザンドラ	16.3%
ヌメルゴン	13.3%
ジャラランガ	14.2%
ドラパルト	23.7%
セグレイブ	14.5%

---

分類

カテゴリ	ポケモン
バランス型	カイリュー・ガブリアス
攻撃型	ボーマンダ・セグレイブ
特攻型	サザンドラ
防御型	ヌメルゴン・ジャラランガ
高速型	ドラパルト

---

# =====================================
# Attack × Speed Tradeoff Analysis (Full Version)
# =====================================

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import minimize_scalar

# --- Dataset ---
data = {
    "Generation": ["I", "III", "IV", "V", "VI", "VII", "VIII", "IX"],
    "Pokemon": ["Dragonite", "Salamence", "Garchomp", "Hydreigon",
                "Goodra", "Kommo-o", "Dragapult", "Baxcalibur"],
    "Attack": [134, 135, 130, 105, 100, 110, 120, 145],
    "Speed": [80, 100, 102, 98, 80, 85, 142, 87]
}

df = pd.DataFrame(data)

# --- 1. Attack×Speed 計算 ---
df["Atk×Spd"] = df["Attack"] * df["Speed"]
mean_value = df["Atk×Spd"].mean()
a = mean_value  # 反比例線 y = a/x のパラメータ

# =====================================
# 2. Attack×Speed 棒グラフ
# =====================================
plt.figure(figsize=(9, 5))
bars = plt.bar(df["Pokemon"], df["Atk×Spd"], color="royalblue", edgecolor="black")
plt.axhline(mean_value, color="red", linestyle="--", linewidth=1.5,
            label=f"Average = {mean_value:.1f}")
for bar in bars:
    yval = bar.get_height()
    plt.text(bar.get_x() + bar.get_width()/2, yval + 1000, f"{int(yval)}",
             ha="center", va="bottom", fontsize=9)
plt.title("Attack × Speed of Pseudo Legendary Dragons", fontsize=13)
plt.xlabel("Pokémon")
plt.ylabel("Attack × Speed Value")
plt.legend()
plt.tight_layout()
plt.show()

# =====================================
# 3. Attack–Speed 反比例関係の描画
# =====================================
plt.figure(figsize=(8, 5))
plt.scatter(df["Speed"], df["Attack"], color="royalblue", label="Pokémon Data")
x = np.linspace(min(df["Speed"]) - 10, max(df["Speed"]) + 10, 200)
y = mean_value / x
plt.plot(x, y, color="red", linestyle="--", label="y = mean_value/x")

for i, txt in enumerate(df["Pokemon"]):
    plt.text(df["Speed"][i] + 1, df["Attack"][i] + 0.5, txt, fontsize=8)
plt.title("Attack–Speed Tradeoff (Inverse Relation)", fontsize=13)
plt.xlabel("Speed")
plt.ylabel("Attack")
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

# =====================================
# 4. 縦距離（近似的距離）解析
# =====================================
df["Attack_ideal"] = mean_value / df["Speed"]
df["Vertical_Diff"] = df["Attack"] - df["Attack_ideal"]
df["Distance_to_Curve"] = abs(df["Vertical_Diff"])

plt.figure(figsize=(8, 5))
plt.scatter(df["Speed"], df["Attack"], color="royalblue", label="Pokémon")
plt.plot(x, y, color="red", linestyle="--", label="y = mean_value/x")

# 垂線描画（近似）
for i in range(len(df)):
    plt.plot([df["Speed"][i], df["Speed"][i]],
             [df["Attack"][i], df["Attack_ideal"][i]],
             color="gray", linestyle=":", linewidth=1)
for i, txt in enumerate(df["Pokemon"]):
    plt.text(df["Speed"][i] + 1, df["Attack"][i] + 0.5, txt, fontsize=8)
plt.title("Vertical Distance from Tradeoff Curve", fontsize=13)
plt.xlabel("Speed")
plt.ylabel("Attack")
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

print("=== Vertical Distance Table ===")
print(df[["Pokemon", "Speed", "Attack", "Attack_ideal", "Vertical_Diff", "Distance_to_Curve"]].round(2))

# =====================================
# 5. 最短距離（厳密計算）
# =====================================

def distance_to_curve(x, x0, y0, a):
    y = a / x
    return np.sqrt((x - x0)**2 + (y - y0)**2)

shortest_dist = []
x_foot = []
y_foot = []

for i in range(len(df)):
    x0, y0 = df["Speed"][i], df["Attack"][i]
    res = minimize_scalar(distance_to_curve, bounds=(1, 300),
                          args=(x0, y0, a), method="bounded")
    x1 = res.x
    y1 = a / x1
    dmin = distance_to_curve(x1, x0, y0, a)
    shortest_dist.append(dmin)
    x_foot.append(x1)
    y_foot.append(y1)

df["x_foot"] = x_foot
df["y_foot"] = y_foot
df["Shortest_Dist"] = shortest_dist

# --- 最短距離プロット ---
plt.figure(figsize=(9, 6))
x = np.linspace(50, 160, 400)
y = a / x
plt.plot(x, y, "r--", label="Inverse Tradeoff: y = a/x")

plt.scatter(df["Speed"], df["Attack"], color="royalblue", label="Pokémon")
plt.scatter(df["x_foot"], df["y_foot"], color="orange", s=30, label="Foot of Perpendicular")

# 垂線を描画（最短距離）
for i in range(len(df)):
    plt.plot([df["Speed"][i], df["x_foot"][i]],
             [df["Attack"][i], df["y_foot"][i]], color="gray", linestyle=":")

for i, txt in enumerate(df["Pokemon"]):
    plt.text(df["Speed"][i] + 1, df["Attack"][i] + 1, txt, fontsize=8)

plt.title("Shortest Distance from Inverse Tradeoff Curve", fontsize=13)
plt.xlabel("Speed")
plt.ylabel("Attack")
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

print("=== Shortest Distance to Tradeoff Curve ===")
print(df[["Pokemon", "Speed", "Attack", "Shortest_Dist"]].round(3))

出力内容

1. 棒グラフ：Attack×Speedの比較
2. 散布図：Speed–Attack関係＋反比例曲線 ( y = \frac{\text{平均}}{x} )
3. 表：Attack・Speed・積および平均値