Recherche affinée des valeurs de race Pokemon à l'aide de Python

Je voulais trouver un Pokémon qui pourrait utiliser la salle des tours dans un match Pokémon, mais je me demandais quel Pokémon utiliser. Tout d'abord, lors de l'utilisation de la salle des tours, j'ai pensé qu'un Pokémon qui pourrait résister à l'attaque de l'adversaire serait bon car ce serait un adepte, alors je voulais trouver un Pokémon avec une valeur de course faible et une défense élevée et une défense spéciale. .. J'ai donc eu l'idée de restreindre la recherche à partir des données csv en utilisant le langage de programmation Python.

Préparez-vous à l'avance

· Installez Excel ou Numbers ・ Installation d'Anaconda -Installation de Python et Pandas

procédure

① Téléchargez et créez un fichier csv Le fichier csv de la valeur de course de Pokemon peut être téléchargé à partir de l'URL suivante. https://www.kaggle.com/abcsds/pokemon Ce fichier csv ne contient pas de données pour les Pokémon de 7 à 8 générations. De plus, comme il est écrit en anglais, le nom de Pokemon est également un nom anglais, il peut donc être un peu difficile à gérer.

Le Pokémon de 8e génération (Pokémon apparaissant dans le bouclier de l'épée) a mis un certain temps à copier les données de l'URL suivante, mais j'ai organisé le tableau sur Excel et en ai fait un fichier csv. https://wiki.ポケモン.com/wiki/種族値一覧_(第八世代)

② Réduisez la valeur de la race avec Python Tout d'abord, essayez de lire les données du fichier csv. Faites glisser l'icône du fichier csv installé pour le mettre dans la liste des fichiers sur le côté gauche de l'écran. Ensuite, entrez le code suivant dans Jupyter Lab d'Anacoda.

import pandas as pd
df = pd.read_csv("Pokemon.csv")
df

Ensuite, la liste sera affichée à l'écran comme indiqué dans la figure ci-dessous.

Ensuite, je voudrais affiner le Pokémon de type Esper à l'exclusion de la légende. Essayez d'entrer le code suivant.

df.loc[(df.Legendary == False) & (df["Type 1"] == "Psychic")]

Ensuite, je pense qu'une liste de Pokémon de type Esper non légendaires est affichée comme indiqué dans l'écran ci-dessous.

Ensuite, reprenez les résultats de la liste restreints plus tôt et entrez le code suivant pour rechercher des Pokémon avec une valeur de course de défense de 60 ou plus et une agilité de 65 ou moins.

df = df.loc[(df.Legendary == False) & (df["Type 1"] == "Psychic")]
df.loc[(df.Defense >= 60) & (df.Speed <= 65)]

À la suite de l'entrée, je pense qu'il a été considérablement réduit.

Enfin, entrez le code suivant pour trier les valeurs de course de défense par ordre décroissant et vous avez terminé.

df = df.loc[(df.Defense >= 60) & (df.Speed <= 65)]
df.sort_values(by = ['Defense'], ascending = False)

En résumé, vous pouvez facilement obtenir le résultat en entrant le code suivant.

import pandas as pd
df = pd.read_csv("Pokemon.csv")
df = df.loc[(df.Legendary == False) & (df["Type 1"] == "Psychic")]
df = df.loc[(df.Defense >= 60) & (df.Speed <= 65)]
df.sort_values(by = ['Defense'], ascending = False)

finalement

Comme il était difficile de comprendre Pokemon avec des noms anglais, j'ai également lu le fichier csv avec des noms japonais créés à partir de la liste copiée à partir de l'URL et je l'ai réduit de la même manière. Nommez le fichier Pokemon_data.csv et entrez le code ci-dessous pour obtenir les résultats.

import pandas as pd
df = pd.read_csv("Pokemon_data.csv")
df = df.loc[(df.Légende== False) & (df["Type 1"] == "Esper")]
df = df.loc[(df.la défense>= 60) & (df.Agilité<= 65)]
df.sort_values(by = ['la défense'], ascending = False)

Ce que j'ai trouvé, c'est que Brimon et Mushana étaient tout aussi faibles en rapidité et élevés en défense et en défense spéciale, alors je les ai interprétés comme des candidats pour que Pokémon utilise la salle des tours.

Il existe d'autres Pokémon qui sont de type fantôme et peuvent utiliser des salles de tours, il peut donc être bon d'entrer le code et de les rechercher également.

Épilogue

Vous pouvez pratiquer le code à l'aide de Pandas à l'URL suivante. Je pense que c'est une bonne référence pour étudier la programmation.

https://www.kaggle.com/learn/pandas