Анализ экосистемы покемонов

Роль: Аналитик данных (GameDev)
Задача: Проверить баланс экосистемы покемонов для предстоящего игрового обновления
Датасет: Pokemon with stats (721 покемон, поколения 1–6)

Содержание

• Описание проекта
• Ключевые находки
• Структура репозитория
• Установка и запуск
• Методология
• Результаты моделирования
• Рекомендации для бизнеса
• Автор

---

Описание проекта

Исследование направлено на анализ баланса игровой экосистемы покемонов. Проверены 4 ключевых гипотезы геймдизайна:

1. Дисбаланс типов: Какие типы доминируют по общей силе?
2. Легендарные vs обычные: Статистически значимо ли легендарные сильнее?
3. Эволюция по поколениям: Есть ли «инфляция силы» (power creep)?
4. Предсказание легендарности: Можно ли по характеристикам предсказать легендарность?

---

Ключевые находки

Находка	Значение	P-value
Дисбаланс типов: Dragon сильнее Bug на	45%	—
Легендарные сильнее обычных на	53%	< 0.001
Двойной тип даёт преимущество	+44 пункта	< 0.001
Точность модели Random Forest	94%	ROC-AUC = 0.970

• Главный предиктор легендарности: атакующий потенциал (offense = attack + sp_atk)
• Инфляции силы между поколениями нет, но 4-е поколение требует проверки (+8% к средней)

---

Структура репозитория

pokemon-analysis/
├── README.md                 # Описание проекта
├── requirements.txt          # Зависимости
├── .gitignore               # Исключения Git
├── data/
│   ├── pokemon_cleaned.csv  # Чистый исходный датасет
│   └── Pokemon.csv          # Исходный датасет
├── notebooks/
│   └── pokemon_analysis.ipynb   # Основной ноутбук с анализом
└── visuals/                 # Сохранённые визуализации
    ├── type_strength_boxplot.png
    ├── type_strength_barplot.png
    ├── legendary_violin.png
    ├── generation_trend.png
    ├── learning_curve_rf.png
    ├── gen_legendary_split.png
    ├── legendary_by_gen.png
    └── roc_curves.png

---

Установка и запуск

1. Клонирование репозитория

git clone https://github.com/ВАШ_НИК/pokemon-analysis.git
cd pokemon-analysis

2. Создание виртуального окружения

python -m venv venv

# Windows
venv\Scripts\activate

# macOS / Linux
source venv/bin/activate

3. Установка зависимостей

pip install -r requirements.txt

4. Запуск ноутбука

jupyter notebook notebooks/pokemon_analysis.ipynb

---

Методология

Используемые библиотеки

• pandas, numpy — обработка данных
• matplotlib, seaborn — визуализация
• scipy — статистические тесты (t-test, Mann-Whitney, χ²)
• scikit-learn — машинное обучение (Logistic Regression, Random Forest)

Статистические тесты

Тест	Гипотеза	Результат
Независимый T-test	Легендарные > Обычные	Подтверждено (p = 9.36e-47)
Независимый T-test	Двойной тип > Одинарный	Подтверждено (p < 0.001)
χ²-test	Распределение типов по поколениям равномерно	Подтверждено (p = 0.89)

Моделирование

Признаки для моделей:

• Базовые характеристики: hp, attack, defense, sp_atk, sp_def, speed
• Агрегаты: offense, defense_total, bulk
• Категориальные: type_1 (One-Hot Encoding), has_second_type

Разделение: 80% train / 20% test (stratified)

---

Результаты моделирования

Сравнение моделей

Модель	Accuracy	ROC-AUC	Precision (лег.)	Recall (лег.)
Logistic Regression	92%	0.953	0.50	0.92
Random Forest	94%	0.970	0.64	0.69

Важность признаков (Random Forest)

Признак	Важность	Интерпретация
offense (attack + sp_atk)	0.187	Главный фактор — атакующий потенциал
sp_atk	0.147	Специальная атака
speed	0.128	Скорость
sp_def	0.119	Специальная защита
hp	0.092	Живучесть

Бизнес-инсайт: offense > 200 — маркер высокого риска при создании нового покемона.

---

Рекомендации для бизнеса

Для геймдизайнера

1. Усилить слабые типы (Bug, Normal, Poison) — добавить уникальные способности или пересмотреть базовые характеристики
2. Следить за offense — значение > 200 резко повышает вероятность легендарности
3. Второй тип можно давать свободно — он практически не влияет на баланс легендарности

Для продюсера

1. Контролировать долю легендарных — не превышать 10–12% в новых поколениях
2. Сохранять среднюю силу — ориентир 420–440 для обычных покемонов
3. Использовать модель RF как инструмент пре-модерации новых покемонов (порог 0.5–0.6)

---

Автор

Аналитик данных — Леонид
Проект выполнен в рамках портфолио по анализу данных.

---

Дата: Август 2026