《原神》抽卡数据集分析：从数据清洗到玩家行为模式挖掘-编程实验室

简介：本资源是面向游戏数据分析、概率建模与用户行为研究者的《原神》抽卡记录数据集，聚焦祈愿系统的真实运行数据，可用于验证抽卡概率分布、分析玩家消费习惯、构建用户留存预测模型及支撑游戏经济系统研究。压缩包共717个文件，主体为691个CSV格式的抽卡日志（含时间戳、祈愿类型、角色/武器星级与名称、用户ID等关键字段），辅以8个Python脚本（用于数据清洗、统计可视化与保底机制模拟）、4个Markdown说明文档（含字段定义与版本变更记录）及少量JSON元数据与SVG图表，整体大小145.42MB，结构清晰、开箱即用。已有283人学习下载，数据覆盖多版本周期与多种祈愿类型，包含分片归档文件（.001/.002/.003）与玩家索引表（player_index.csv），便于开展大规模时间序列分析与跨用户对比实验，是开展游戏计量研究与实战建模的高质量基础数据支撑。

1. 项目概述：一份来自提瓦特的“大数据”

如果你玩《原神》，并且对抽卡这个“玄学”环节又爱又恨，那你肯定不止一次想过：我到底有多“非”？我的抽卡规律是什么？保底机制在我身上真的准时触发了吗？这些问题，光靠记忆和感觉是说不清的，数据才是硬道理。今天要聊的这个“原神抽卡记录数据集-GenshinImpactgachadata.zip”，就是一份由真实玩家贡献的、经过整理的抽卡历史记录集合。它不是一个游戏外挂，也不是什么破解工具，而是一个纯粹的数据资源包，旨在为玩家、数据分析爱好者乃至游戏研究者提供一个观察和分析《原神》抽卡行为的真实样本。

简单来说，这个数据集就像一份匿名的、海量的抽卡日记。它记录了成千上万次祈愿行为，包括抽卡的时间、抽的是哪个卡池、获得了什么物品（是金光闪闪的五星角色，还是“痛苦”的武器，或是常见的四星物品和三星武器）。对于普通玩家，你可以用它来验证自己的“欧非”体质是否属于普遍现象；对于数据分析师或学生，它是一个绝佳的练手项目，可以练习数据清洗、可视化、概率统计甚至简单的预测模型；对于游戏机制研究者，它则是观察游戏内经济系统、玩家行为模式的一扇窗口。接下来，我们就从数据本身出发，一步步拆解这个数据集的来龙去脉、能怎么用，以及处理过程中会遇到哪些“坑”。

2. 数据集来源与结构深度解析

2.1 数据从何而来：非官方的玩家共创

首先要明确一点，米哈游官方并未公开提供此类详细的玩家抽卡日志。因此，当前网络上流通的《原神》抽卡数据集，基本都来源于玩家社区的集体贡献。其核心获取途径是通过游戏内嵌的“祈愿历史记录”功能。游戏会保存最近六个月的祈愿记录，玩家可以通过第三方工具（如“UIGF抽卡记录导出”工具，这是一个遵循统一标准、方便数据交换的格式）将自己的记录导出为JSON格式的文件。

“GenshinImpactgachadata.zip”这类整合数据集，通常就是由项目发起者或社区在征得同意后，收集大量玩家自愿提交的导出文件，经过清洗、去敏（移除UID等个人唯一标识）、格式统一后打包而成。数据集的授权协议（如相关热词中提到的Apache License 2.0）明确了其使用、修改和分发的权利与限制，保证了数据在合规范围内的流通性。

注意：使用任何第三方工具导出数据都存在一定风险，务必从可信的社区或开源项目获取工具，并了解其工作原理（通常是通过模拟网络请求获取本地或米哈游服务器上已存在的数据，不涉及修改游戏客户端或破解）。自行承担风险，并绝对不要用于任何破坏游戏公平性或违反用户协议的行为。

2.2 解压与初窥：文件结构探秘

拿到“GenshinImpactgachadata.zip”后，第一步自然是解压。一个组织良好的数据集，其内部结构清晰与否，直接决定了后续使用的便利性。

典型的文件结构可能如下：

GenshinImpactgachadata/ ├── README.md ├── LICENSE ├── data/ │ ├── raw/ # 原始玩家提交的JSON文件 │ ├── processed/ # 清洗合并后的统一格式文件（如CSV） │ └── aggregated/ # 按卡池、物品等维度聚合的统计文件 ├── scripts/ │ ├── data_cleaner.py # 数据清洗脚本 │ └── analysis_demo.ipynb # 数据分析示例 └── docs/ └── data_dictionary.csv # 数据字典，解释每个字段含义

核心数据文件（例如processed/gacha_records.csv）很可能包含以下字段：

uid_hash: 用户UID的哈希值（用于匿名化区分不同用户，但无法反推真实UID）。
gacha_type: 卡池类型代码（如：301-角色活动祈愿，302-武器活动祈愿，200-常驻祈愿）。
item_id: 物品唯一ID。
item_type: 物品类型（如：“Character”-角色，“Weapon”-武器）。
item_name: 物品名称（如：“刻晴”、“狼的末路”）。
item_rarity: 物品稀有度（3，4，5）。
time: 抽卡时间戳（ISO 8601格式，如“2023-08-15T14:30:22Z”）。
id: 单次祈愿的唯一记录ID（通常按时间顺序递增）。
count: 在当前保底计数器中的位置（这个字段有时需要根据原始数据计算得出，并非直接提供）。

理解这个结构是第一步。gacha_type映射到具体的卡池名称，item_rarity是分析概率的核心，time字段则能用于分析抽卡的时间规律（比如版本更新初期是否是抽卡高峰）。

2.3 数据质量评估与常见问题

玩家自发贡献的数据集，其质量参差不齐。在投入分析前，必须进行严格的数据质量评估（Data Quality Assessment）。

完整性检查：是否有大量缺失值？特别是item_id,item_rarity,gacha_type这些关键字段。如果缺失严重，相关记录可能需要剔除。
一致性检查：item_rarity为5的物品，其item_type是否合理（五星武器和角色）？同一个item_id对应的item_name是否始终一致？这需要对照游戏内的真实物品列表进行校验。
准确性检查：这是最大的挑战。保底计数逻辑是否正确？例如，在角色活动祈愿中，是否连续90抽内必出五星？出五星后计数器是否重置？出的是否是当期UP角色？这需要编写逻辑脚本进行验证。常见的数据错误包括：记录跨保底周期不完整、因导出工具版本问题导致的计数偏差、甚至极少数恶意提交的伪造数据。
唯一性与匿名性：检查uid_hash是否真正匿名化，有无可能泄露个人信息。同时，检查是否有完全重复的记录（id、uid_hash、time、item_id全部相同）。

我的经验是，对于这类数据集，不要假设它是完美的。先做探索性数据分析（EDA），绘制一些基本的分布图（如稀有度分布、物品出现频率），与官方公布的概率（如五星综合概率0.6%，含保底）进行粗略对比，如果偏差在合理范围内（考虑到样本量和保底机制），则数据可信度较高。

3. 核心分析场景与实操方法

有了干净的数据，我们就可以大展拳脚了。下面介绍几个最核心、也最有趣的分析场景，并附上使用Python（Pandas, Matplotlib/Seaborn）的实操代码片段。

3.1 场景一：验证“保底机制”与概率统计

这是所有玩家最关心的问题。我们能否用数据证明保底机制的存在？实际出货概率是否符合官方公示？

实操步骤：

数据准备：筛选特定卡池类型（如gacha_type == 301）的数据，并按uid_hash和time排序。

保底计数器重建：为每个用户在该卡池的记录，计算距离上一次出五星的抽数。这是一个关键步骤。

import pandas as pd # 假设 df 是包含‘uid_hash’, ‘time’, ‘item_rarity’, ‘gacha_type’的DataFrame df_role = df[df['gacha_type'] == 301].sort_values(['uid_hash', 'time']).copy() df_role['pity_counter'] = df_role.groupby('uid_hash')['item_rarity'].apply( lambda x: (x != 5).cumsum().shift(fill_value=0) + 1 ) # 当抽到五星时，计数器在下一抽重置为1。更精确的做法需要标记五星出现的位置。 df_role['is_5star'] = (df_role['item_rarity'] == 5).astype(int) df_role['pity_to_5star'] = df_role.groupby('uid_hash')['is_5star'].cumsum().shift(fill_value=0) # 然后根据‘is_5star’和‘pity_to_5star’分组计算真正的保底计数，逻辑稍复杂，此处略。

概率计算：统计五星物品出现的频率。更深入的是，计算“软保底”（通常70抽后概率提升）前后的概率变化。你可以绘制“抽数-出五星概率”的曲线图。

import matplotlib.pyplot as plt import seaborn as sns # 计算每个保底计数位置出现五星的比率 pity_analysis = df_role.groupby('pity_counter')['is_5star'].mean().reset_index() pity_analysis.columns = ['pity_count', '五星出货率'] plt.figure(figsize=(12,6)) plt.plot(pity_analysis['pity_count'], pity_analysis['五星出货率']*100, marker='o', linestyle='-', linewidth=2) plt.axhline(y=0.6, color='r', linestyle='--', label='官方综合概率(0.6%)') # 参考线 plt.axvline(x=74, color='g', linestyle='--', label='软保底起始(经验值)') plt.xlabel('保底计数（距上次五星的抽数）') plt.ylabel('五星出货率 (%)') plt.title('角色活动祈愿保底计数与五星出货率关系') plt.legend() plt.grid(True, alpha=0.3) plt.show()

实操心得：计算保底计数器时，要特别注意分组边界（用户切换）和五星出现那一刻的计数归零逻辑。一个常见的错误是直接用cumcount()，而没有正确处理五星重置。建议先用小样本数据手动验证计算逻辑。

3.2 场景二：玩家抽卡行为模式分析

不同玩家的抽卡策略千差万别。我们可以尝试对玩家进行分群。

基础画像：计算每个玩家的总抽数、五星总数、五星占比、平均出五星的抽数（平均出货期望）、最大保底数（最非的一次）、主要抽的卡池类型等。
行为聚类：使用无监督学习算法（如K-Means）对上述特征进行聚类。你可能会发现：“重氪大佬”（总抽数极高，五星占比接近期望）、“囤囤鼠”（集中大量抽数在某个卡池）、“月卡党”（抽数稳定增长，五星率波动）、“真·欧皇”（平均出货期望远低于70）等不同群体。
时间序列分析：分析抽卡行为在一天内（小时）、一周内（星期几）、版本周期内的分布。是不是晚上抽卡的人更多？新版本上线当天是不是抽卡高峰？

from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler # 构建玩家特征矩阵 player_features = df.groupby('uid_hash').agg( total_pulls=('id', 'count'), num_5stars=('item_rarity', lambda x: (x==5).sum()), avg_pity=('pity_counter', 'mean'), # 需要先计算好pity_counter # ... 其他特征 ).reset_index() # 标准化特征 scaler = StandardScaler() features_scaled = scaler.fit_transform(player_features[['total_pulls', 'num_5stars', 'avg_pity']]) # 使用肘部法则或轮廓系数确定K值，这里假设K=4 kmeans = KMeans(n_clusters=4, random_state=42) player_features['cluster'] = kmeans.fit_predict(features_scaled) # 可视化聚类结果（例如，通过降维PCA） from sklearn.decomposition import PCA pca = PCA(n_components=2) features_pca = pca.fit_transform(features_scaled) plt.scatter(features_pca[:,0], features_pca[:,1], c=player_features['cluster'], cmap='viridis', alpha=0.6) plt.xlabel('PCA Component 1') plt.ylabel('PCA Component 2') plt.title('玩家抽卡行为聚类') plt.colorbar(label='Cluster ID') plt.show()

3.3 场景三：卡池与物品热度分析

哪些角色或武器最受欢迎？哪些卡池流水（以抽数模拟）最高？

物品频率统计：直接统计每个五星、四星物品的出现次数。注意，要区分卡池类型，因为UP池会极大影响特定物品的出现频率。
卡池吸引力分析：对比不同角色活动祈愿的总抽数。可以结合卡池开放时间（需要额外元数据）计算日均抽数，以公平比较不同持续时间的卡池。
“仓检”玄学验证：这是一个有趣的民间假说——“仓库检测”，即系统会根据你已有的角色/武器来调整出货。我们可以做一个非常粗略的检验：分析玩家在获得某个特定五星角色前后，其武器池或相关角色池的抽卡行为是否有变化？但这需要非常精细的用户序列数据，且混杂因素极多，很难得出因果结论，更多是相关性探索。

# 统计五星角色出现频次 five_star_chars = df[(df['item_rarity']==5) & (df['item_type']=='Character')] char_popularity = five_star_chars['item_name'].value_counts().reset_index() char_popularity.columns = ['角色名', '出现次数'] plt.figure(figsize=(14,8)) sns.barplot(data=char_popularity.head(15), x='出现次数', y='角色名', palette='rocket') plt.title('五星角色出现频次Top 15（全卡池）') plt.xlabel('出现次数') plt.tight_layout() plt.show()

4. 数据处理中的“坑”与应对策略

处理真实世界的数据，尤其是玩家生成内容（PGC），一定会遇到各种问题。下面是我在多次分析类似数据集后总结的“避坑指南”。

4.1 数据清洗的典型挑战

挑战一：时间戳格式混乱。原始数据可能来自不同工具，时间戳格式可能是Unix时间戳（毫秒或秒）、ISO 8601字符串，甚至带有时区信息。必须统一转换为Python的datetime对象，并决定是否统一为UTC或某个时区。

# 统一处理时间戳 def parse_time(t): try: # 尝试多种格式 return pd.to_datetime(t, utc=True) # 假设原始数据含时区或为UTC except: # 如果是Unix时间戳（毫秒） if isinstance(t, (int, float)) and t > 1e10: return pd.to_datetime(t/1000, unit='s', utc=True) else: return pd.NaT df['time_parsed'] = df['time'].apply(parse_time) df = df.dropna(subset=['time_parsed']).sort_values('time_parsed')

挑战二：物品名称与ID映射缺失或不一致。数据集可能只提供item_id，而没有item_name，或者名称是英文、日文、中文混杂的。你需要一个独立的、准确的物品映射表。可以尝试从游戏Wiki、API或开源项目（如genshin-db）获取。没有映射表，很多分析就无法进行。
挑战三：记录不完整与边界情况。最常见的是一份记录只包含一个玩家最近六个月的部分数据，可能刚好截断在一个保底周期中间。这会导致计算的保底计数器在起始位置就不准确。对于整体概率统计，大样本下影响较小，但对于单个用户的行为分析，影响可能是致命的。对策：在分析中明确说明数据的时间范围限制，对于涉及用户序列的分析（如保底），考虑过滤掉记录数过少或首条记录就是五星（无法知道前面抽数）的用户。

4.2 分析逻辑的常见误区

误区一：混淆“概率”与“期望”。官方公布的“综合概率（含保底）0.6%”是一个期望值，即长期来看平均每100抽大约有0.6个五星。但你的数据集中，直接计算（五星数/总抽数）得到的值可能略高于或低于0.6%，这取决于样本中处于保底前期和后期的抽数比例。更科学的做法是计算每个保底计数位置的条件概率，然后进行加权平均。
误区二：忽略“定轨”机制（仅限武器池）。《原神》的武器池有“神铸定轨”机制，这彻底改变了其概率结构。分析武器池数据时，必须考虑定轨目标、命定值积累和重置。原始数据中通常不直接包含“命定值”字段，需要根据“是否获得定轨武器”的记录来反向推断，逻辑非常复杂，极易出错。建议：除非数据明确包含定轨信息，否则尽量避免对武器池做深入的保底概率推断，转而做更宏观的抽数分布和物品热度分析。
误区三：将相关性误认为因果。这是数据分析的老生常谈。例如，发现“在凌晨抽卡出五星的比例更高”，这可能是由于深夜在线的玩家本身就是更核心、抽卡更多的群体，而非时间点本身带来的运气加成。任何结论都要考虑潜在的混杂变量。

4.3 工程化与可复现性建议

如果你想严肃地使用或贡献于这类数据集，以下几点至关重要：

使用版本控制：用Git管理你的数据清洗和分析脚本。原始数据文件很大，可以放在.gitignore里，但处理流程的代码必须版本化。
编写数据流水线（Pipeline）：将数据加载、清洗、转换、分析的步骤模块化。例如，使用dvc（Data Version Control）来管理数据和流水线，确保每一步都可复现。
文档化一切：在代码中写清注释，在README中说明数据来源、处理步骤、已知问题、字段含义。特别是你对保底计数器的计算逻辑，必须详细说明，这是最容易产生歧义的地方。
结果可视化与交互：使用Plotly、Dash或Streamlit构建简单的交互式看板。这不仅便于自己探索数据，也方便向他人展示你的发现。例如，做一个可以筛选用户、卡池，动态显示概率曲线和物品分布的应用。

5. 从数据到价值：项目延伸思考

处理完这个数据集，你得到的不仅仅是一堆图表和数字。它可以成为更多有价值项目的起点。

延伸方向一：个人抽卡分析器你可以以这个数据集为训练集（学习普遍的出货分布），然后结合你自己的抽卡记录，打造一个个人专属的分析仪表盘。用Streamlit快速搭建一个本地应用，输入你的祈愿记录JSON，就能看到你与全网平均水平的对比、你的抽卡习惯分析、未来抽卡规划模拟（计算获得某个目标角色的大致原石需求）等。这比单纯看第三方网站更有成就感，也更能保护隐私。

延伸方向二：游戏经济与机制研究对于学术或深度兴趣，可以探讨更宏观的议题。例如：

沉没成本效应：分析玩家在接近保底（如70抽后）时，抽卡频率是否会加快？这可以从抽卡时间间隔的变化中窥见一二。
“欧非”感知与现实：设计调查问卷，收集玩家自我感知的“欧非”程度，再与其实际抽卡数据关联，研究认知偏差。
卡池设计策略：分析双UP角色池中，两个角色的抽取比例，探讨米哈游的卡池搭配策略对流水的影响。

延伸方向三：贡献回馈社区如果你改进了数据清洗脚本、发现了数据中的系统性错误、或者构建了更准确的物品映射表，强烈建议你回馈给开源社区。在GitHub上发起Pull Request，或者撰写详细的教程和分析报告。开源协作是这类项目生命力所在。

最后，我想分享一个最深的体会：处理玩家行为数据，尤其是涉及随机性和概率时，尊重数据的不完美性至关重要。我们是在用有限的数据样本，去逼近一个复杂的黑盒系统。所有的分析结论都应加上“基于当前样本”、“在统计意义上”等限定词。避免陷入“数据全能”的幻觉，更要警惕用数据去强化所谓的“玄学”和“节奏”。保持理性、好奇和严谨，这份来自提瓦特的数据集，才能真正成为我们理解游戏、练习技能的宝贵矿藏。

本文还有配套的精品资源，点击获取