高级可视化图表分析实践——以《大侠立志传》武器系统为例

引言

引言：当武侠世界遇见数据可视化
在开放世界武侠游戏《大侠立志传》中，武器系统是构建角色成长体系的重要模块。本文将以游戏内192件武器数据为样本，通过5种高级可视化图表（矩形树图、蜂群图、桑基图、词云图、离散热力图），深入解析武器系统的设计逻辑，同时熟悉高级可视化图表的制作（python）和作用。

武器类型分布

矩形树图

所有品级武器数量分布

甲级武器数量分布

乙级武器数量分布

丙级武器数量分布

丁级武器数量分布

结论

• 剑和刀是最常见的武器，剑和刀各有24个，是图中数量最多的两种武器类型。
• 锤、长弓、火焰令和笑傲江湖的数量非常少。锤有2个，长弓有1个，火焰令有1个，笑傲江湖有1个。
• 整体分布不均匀，少数几种武器占据了较大的比例，而其他类型的武器则相对较少。

不同品质/类别武器的攻击力分布情况

蜂群图

分析结论

• 品质越高，攻击力普遍越高。
• 丁级武器攻击力整体偏低。
• 武器类型对攻击力分布的影响不大，相同品质下攻击力整体相同。

武器来源

桑基图

分析结论

• 品级越高（甲、乙），获取方式越依赖 任务/事件 或 战斗掉落，符合高风险高回报机制。
• 品级越低（丙、丁），获取方式越依赖 合成 或 商店，可能为普通或基础装备。

武器附加属性

词云图

分析结论

多个攻击类词汇集中在中心且字号较大，说明攻击强化是武器属性的主要设计方向。

不同品级武器装备熟练度要求/特质要求

离散热力图

结论

品质与熟练度的正相关性

• 趋势：品质等级（丁→丙→乙→甲）与所需熟练度呈显著正相关。
• 丁级：熟练度普遍为 0-5。
• 丙级：熟练度提升至 5-10。
• 乙级：熟练度显著提高至 40-50。
• 甲级：熟练度达到 80-150。

品质与熟练度的非线性关系

• 跃升式增长：从丁到丙、乙到甲的熟练度增幅更大（如丁→丙：+5；乙→甲：+30-110），说明高品质装备对熟练度要求陡增。

装备品质与需求特质的正相关性

• 随着装备品质从 丁→甲 升级，需求特质值显著增加
• 丁级、丙级装备：普遍无需求特质。
• 乙级装备：开始有需求特质值，大多数装备需求特质值要求3，少数要求5。
• 甲级装备：大多数装备需求特质值达到10，少数装备要求8或15。

不同装备类型对需求特质的类型要求

1.物理近战武器（拳掌/剑/刀/枪/棍）​：
​核心特质​：臂力、体质、敏捷。
​具体分布​：

• ​拳掌类​：以臂力为主（3/6），其次是体质（2/6）和敏捷（1/6）。
• ​剑类​：臂力（4/8）和体质（3/8）并重，敏捷次之（2/8）。
• ​刀类​：体质需求最高（4/7），臂力（2/7）和敏捷（2/7）均衡。
• ​枪类​：臂力（2/4）为主，体质（1/4）和敏捷（1/4）辅助。
• ​棍类​：完全依赖臂力（4/4），无其他特质需求。 ​

规律​：
物理武器普遍需要臂力​（力量型输出），部分依赖体质​（生存能力）或敏捷​（灵活性）。棍类因高力量需求成为臂力特化武器。

2.轻型武器（匕首/扇子/短兵）：​​
​核心特质​：敏捷主导。
​具体分布​：

• ​匕首类​：敏捷占比最高（3/5），臂力（1/5）和体质（1/5）次要。
• ​扇子类​：特质分布较均衡（臂力、体质、敏捷各1/3）。
• ​火焰令/飞雪寒霜刃​：全部需求敏捷。

​规律​：
轻型武器更依赖敏捷​（快速攻击或闪避），部分兼顾臂力或体质。

其他武器（毛笔/琴/箫笛/琵琶）​​

• ​核心特质​：悟性、福缘。

• ​具体分布​： ​毛笔​：悟性和福缘各占一半。 ​琴/琵琶​：悟性（3/5）为主，敏捷（2/5）次之。

​规律​：
毛笔/琴/箫笛/琵琶需求的特质更依赖与悟性与福源。

使用python制作上述图表

矩形树图

import squarify
import matplotlib.pyplot as plt
import matplotlib.cm as cm
from pylab import *
mpl.rcParams['font.sans-serif']=['SimHei']
# 示例数据（类别名称和对应的值）
data = [10, 20, 30, 40]
labels = ['A', 'B', 'C', 'D']# 生成颜色（根据值的大小映射到viridis色系）
colors = cm.viridis([x / max(data) for x in data])# 创建标签（显示名称和数值）
labels_with_values = [f"{label}\n{val}" for label, val in zip(labels, data)]# 绘制矩形树图
plt.figure(figsize=(10, 6))
squarify.plot(sizes=data,label=labels_with_values,color=colors,alpha=0.6,     # 透明度pad=True       # 矩形间留空隙
)
plt.axis('off')    # 关闭坐标轴
plt.title('矩形树图示例')
plt.show()

蜂群图

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np# 设置中文字体（Windows用SimHei，macOS用STHeiti）
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 生成示例数据
np.random.seed(42)
data = {'类别': np.repeat(['A组', 'B组', 'C组'], 50),'数值': np.concatenate([np.random.normal(90, 10, 50),np.random.normal(60, 15, 50),np.random.normal(75, 5, 50)])
}# 创建画布
plt.figure(figsize=(10, 6))# 绘制蜂群图
sns.swarmplot(x='类别',y='数值',data=data,size=6,          # 点的大小palette='Set2',  # 颜色方案edgecolor='black',  # 点边缘颜色linewidth=0.5     # 边缘线宽
)# 添加标题和标签
plt.title('不同组别的数值分布蜂群图', fontsize=14)
plt.xlabel('实验组别', fontsize=12)
plt.ylabel('测量数值', fontsize=12)# 显示图形
plt.show()

桑基图

import plotly.graph_objects as go# 定义节点（资金流动的所有端点）
labels = ["销售收入",   # 0"投资收益",   # 1"政府补贴",   # 2"研发支出",   # 3"人力成本",   # 4"税费",      # 5"股东分红",   # 6"运营储备"    # 7
]# 定义资金流动关系 (source -> target)
source = [0, 0, 1, 1, 2, 3, 4, 5, 7]
target = [3, 4, 4, 7, 7, 5, 5, 6, 6]
value = [120, 80, 50, 30, 20, 90, 70, 60, 40]  # 单位：百万元# 创建桑基图
fig = go.Figure(go.Sankey(node={"label": labels,"pad": 20,"thickness": 15,"color": "#1F77B4",  # 统一节点颜色（蓝色系）"line": {"color": "black", "width": 0.5}  # 节点边框},link={"source": source,"target": target,"value": value,"color": "rgba(255, 165, 0, 0.4)",  # 橙色半透明流线"hoverinfo": "all"  # 悬停显示数值和端点}
))# 设置布局
fig.update_layout(title={"text": "企业年度资金流动分析（单位：百万元）","x": 0.5,"font": {"size": 18}},font_family="Arial",plot_bgcolor="white",height=600
)# 显示图表
fig.show()# 可选：保存为HTML文件
# fig.write_html("corporate_cash_flow.html")

词云图

from wordcloud import WordCloud
import matplotlib.pyplot as plt# 示例文本
text = """
Python is an interpreted, high-level, general-purpose programming language.
Created by Guido van Rossum and first released in 1991, Python's design philosophy emphasizes code readability with its notable use of significant whitespace.
"""# 生成词云对象
wordcloud = WordCloud(width=800, height=400, background_color='white',max_words=100
).generate(text)# 显示词云
plt.figure(figsize=(10, 5))
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")
plt.show()# 保存图片
wordcloud.to_file("wordcloud_english.png")

离散热点图

import pandas as pd
import plotly.express as px
import numpy as np# 1. 创建数据框架（基于你提供的完整数据样例）
data = {"类型": ["拳掌"]*21 + ["剑"]*22 + ["刀"]*22 + ["枪"]*14 + ["棍"]*16 + ["锤"]*2 + ["扇子"]*15 + ["匕首"]*16 + ["火焰令"]*1 + ["毛笔"]*11 + ["琴"]*11 + ["箫笛"]*11 + ["笑傲江湖"]*1 + ["琵琶"]*17,"品质": ["丁","丁","丁","丁","丙","丙","丙","丙","乙","乙","乙","乙","乙","乙","甲","甲","甲","甲","甲","甲","甲"] + ["丁","丁","丙","丙","丙","丙","乙","乙","乙","乙","乙","乙","乙","甲","甲","甲","甲","甲","甲","甲","甲","甲"] + ["丁","丁","丙","丙","丙","丙","乙","乙","乙","乙","乙","乙","乙","乙","甲","甲","甲","甲","甲","甲","甲","甲"] + ["丁","丁","丙","丙","丙","丙","乙","乙","乙","乙","甲","甲","甲","甲"] + ["丁","丁","丁","丙","丙","丙","丙","乙","乙","乙","乙","乙","乙","甲","甲","甲"] + ["乙","乙"] + ["丁","丁","丁","丙","丙","丙","乙","乙","乙","乙","乙","乙","甲","甲","甲"] + ["丁","丁","丁","丙","丙","丙","丙","乙","乙","乙","乙","乙","乙","甲","甲","甲"] + ["甲"] + ["丁","丁","丙","丙","丙","乙","乙","乙","乙","甲","甲"] + ["丁","丁","丁","丙","丙","丙","乙","乙","乙","甲","甲"] + ["丁","丁","丁","丙","丙","丙","乙","乙","乙","甲","甲"] + ["甲"] + ["丁","丁","丙","丙","丙","丙","乙","乙","乙","乙","甲","甲","丙","丙","乙","乙","甲"],"熟练度": [0,5,5,5,10,10,10,10,40,40,40,40,40,50,80,80,80,80,80,100,100] + [5,5,10,10,10,10,40,50,40,40,40,40,50,60,80,80,80,100,100,80,80,100] + [5,5,10,10,10,10,40,40,40,50,40,40,40,40,80,80,80,100,80,100,80,80] + [5,5,10,10,10,10,40,40,50,40,80,80,100,80] + [5,5,5,10,10,10,10,40,40,40,50,50,50,100,150,150] + [40,40] + [5,5,5,10,10,10,40,40,40,40,40,40,100,100,80] + [5,5,5,10,10,10,10,40,40,40,40,40,50,100,100,100] + [100] + [5,5,10,10,20,40,40,40,40,100,100] + [5,5,5,10,10,10,40,40,40,100,100] + [5,5,5,10,10,10,40,40,40,100,100] + [100] + [5,5,10,10,10,10,40,40,40,40,100,100,10,10,40,40,100]
}df = pd.DataFrame(data)# 2. 创建离散热力图
fig = px.scatter(df,x="品质",y="类型",color="类型",text="熟练度",category_orders={  # 强制指定分类顺序"品质": ["丁", "丙", "乙", "甲"],"类型": ["刀", "剑", "匕首", "扇子", "拳掌", "枪", "棍","毛笔", "火焰令", "琴", "琵琶", "笑傲江湖", "箫笛", "锤"]},color_discrete_sequence=px.colors.qualitative.Pastel,title="武器类型熟练度分布图"
)# 3. 自定义样式
fig.update_traces(marker=dict(size=35, line=dict(width=1, color="Gray")),textfont=dict(color="black", size=12),textposition="middle center"
)fig.update_layout(height=800,width=1000,xaxis=dict(title="武器品质", showgrid=False),yaxis=dict(title="武器类型", categoryorder="array"),plot_bgcolor="white",legend=dict(orientation="h", yanchor="bottom", y=1.02),uniformtext=dict(minsize=10, mode="show")
)# 4. 处理重叠点（添加水平抖动）
# 为每个品质等级添加微小的水平位置偏移
df["x_jitter"] = df.groupby(["类型", "品质"]).cumcount().apply(lambda x: x * 0.08 - 0.12  # 在X轴方向添加±0.12的偏移
)fig.update_traces(x=pd.Categorical(df["品质"]).codes + 1 + df["x_jitter"]  # 将分类转换为数值坐标
)# 保持X轴标签正确显示
fig.update_xaxes(tickvals=[0, 1, 2, 3],ticktext=["丁", "丙", "乙", "甲"]
)# 显示图表
fig.show()