用扑克牌演示 Python 数据分析

Original 林骥林骥 2022-10-26

收录于合集 #林骥·工具 46个

1. 序言

扑克牌是我们常见一种娱乐工具，玩法千变万化，为了提高学习 Python 知识的趣味性，我构建了一个扑克牌的数据框，将用它来演示一些 Python 数据分析的功能。

畅想一下，假设利用人工智能的算法，让机器人学会各种扑克牌的玩法，比如说，德州扑克、桥牌、斗地主等等，把机器人训练成玩扑克牌游戏的高手，最终能否实现无人能敌？就像 Alpha Go 战胜人类围棋冠军一样。

说明一下，理解下面的文章，需要你先学习一些 Python 语言的基础知识，我先是看了《利用 Python 进行数据分析》这本书，并把学到的知识应用到了实际的工作中。为了让文章尽可能更加通俗易懂，我下面用一个扑克牌游戏来进行演示。

首先，安装好 Python 的运行环境，建议安装最新版本的 Anaconda，其中默认包含了数据分析所需的大部分库。

为了方便演示和分析，我安装了最新版本的 Jupyter Lab，在命令行输入：jupyter lab，就可以在浏览器中打开和新建 Notebook 文件。

2. 构建一副扑克牌的数据框

在 Jupyter Notebook 中输入以下代码，其中有比较详细的解释说明，如果有不懂或发现不对的地方，欢迎在文章下面留言。

# 导入相关 Python 库
import numpy as np
import pandas as pd
import datetime
from datetime import datetime
import matplotlib
import matplotlib.pyplot as plt
import seaborn as sns

# 设置最大行列数
pd.set_option('max_rows', 20)
pd.set_option('max_columns', 10)

# 显示两位小数
pd.set_option('display.float_format', lambda x: '%.2f' % x)

# 在 Jupyter Notebook 中显示图形
%matplotlib inline

# 构建扑克牌的数据框
nums = list(range(2, 11))
faces = DataFrame(['A'] + nums + ['J', 'Q', 'K'])
values = DataFrame([np.arange(1, 14)] * 4).T

# 定义列名
faces.columns = ['牌面']
values.columns = ['红心♥️', '黑桃♠️', '梅花♣️', '方块♦️']

# 合并两个数据框
poker = pd.merge(faces, values,
left_index=True, right_index=True)

# 定义大小王
poker.loc[13] = ['小王'] + [np.NaN]*4
poker.loc[14] = ['大王'] + [np.NaN]*4

poker

运行结果如下：

3. 描述性数据分析

我们用一行代码，对扑克牌数据框做一个简单的数据分析：

# 描述性数据分析
poker.describe()

运行结果如下：

从上面的结果可以看出，大小王的缺失值 nan 没有统计在内，每种花色有 13 张扑克牌，平均值为 7，标准差为 3.89，最小值为 1，最大值为 13。其中 25% 代表第一个四分位数，50% 代表第二个四分位数，其实就是中位数，75% 代表第三个四分位数。

这里稍微解释一下四分位数的概念，就是在数据排序后，处于某个位置上的值，比如说，中位数的位置在 1/2 的地方，去掉大小王之后，每种花色有 13 张牌，7 刚好处于正中间，它的前面和后面都有 6 张牌。

好好理解四分位数，这对我们做数据分析非常重要。

4. 数据可视化

我以前写过一篇《Python编程实践（2）：数据可视化》，其中用的画图库是 pyecharts，在 Python 语言下，数据可视化的库有很多，是一个比较热门的领域，如果你有兴趣，可以试着去探索更多数据可视化的生态系统。

本文将使用的数据可视化库是 matplotlib 和 seaborn，具体代码如下：

# 先设置字体格式，防止中文乱码
sns.set_style("whitegrid",
{"font.sans-serif": ['simhei', 'Arial']})
matplotlib.rcParams.update({'font.size': 16})

# 绘制箱形图，设置标题和标签的字体大小
poker.plot.box(title='扑克牌点数的箱形图')

# 显示网格线并设置样式
plt.grid(linestyle='--', alpha=0.5)

运行得到的下面这个图形，它把四分位数比较直观地展现了出来，让人对数据的整体分布状况有个整体的把握，如果其中有异常值，那么能够快速地发现。

接下来，我们进一步探索，看看数据的相关性和分布情况：

# 绘制成对的散点图矩阵，在对角线上显示密度估计值
sns.pairplot(poker.iloc[:13],
diag_kind='kde',
markers='+',
height=2,
plot_kws=dict(edgecolor="b"),
diag_kws=dict(shade=True))

运行结果如下：

5. 一个诈金花小游戏

诈金花，又叫三张牌，是一种比较流行的多人纸牌游戏，具有独特的规则，需要考验玩家的胆略和智慧。

从表面上看，诈金花是一种自己可以掌握自己命运的游戏。如果你的牌不好，那么你可以跑，但是别人的牌可能比你更不好，你可能因此懊恼不已。相反，你可能以为自己的牌很好，但是别人的牌可能更好。就像古龙小说《七杀手》中描述的那样，有一个叫杜七的武林高手，一只手长了七根手指，他出现后不久杀了几个人，但转眼就被人灭了，这就叫人外有人，天外有天。

我用 Python 写了一段代码，实现了简单的发牌功能。假设有两个人，去掉扑克牌中的大小王后，每个人随机发 3 张牌，将两个人拿到的牌分别保存到 Excel 文件中，具体代码如下：

# 去掉大小王
poker_no_joker = poker.iloc[:13, 1:].unstack().reset_index()

# 把数据框变成只有 1 列
poker_no_joker = pd.DataFrame(poker_no_joker)

# 设置列名
poker_no_joker.columns = ['花色', '索引', '点数']

# 删除不用的列
del poker_no_joker['索引']

# 总共 52 张牌的索引
poker_index = np.r_[0:52]
person_num = 2
poker_num = 3
poker_choice = None

# 循环发牌
for i in range(person_num):
for j in range(poker_num):
# 随机选 1 张牌
num = np.random.choice(poker_index, 1)

# 刚开始没有牌
if poker_choice is None:
poker_choice = poker_no_joker.iloc[num]
else:
poker_choice = poker_choice.append(poker_no_joker.iloc[num])

# 排除已发过的牌
poker_index = poker_index[poker_index != num[0]]

# 第 1、3、5 张牌给第一个人
person1 = poker_choice.iloc[list(np.arange(0, 6, 2))]

# 第 2、4、6 张牌给第二个人
person2 = poker_choice.iloc[list(np.arange(1, 6, 2))]

# 将两个人拿到的牌分别保存到 Excel 文件中
dt_now = datetime.now().strftime('%Y-%m-%d %H%M%S')
person1.to_excel('第一个人的三张牌-' + dt_now + '.xlsx')
person2.to_excel('第二个人的三张牌-' + dt_now + '.xlsx')