你TM写成论文了是吧！

一、前言

音乐游戏（Music Games）是电子游戏的一种，玩家配合音乐的节奏做出游戏动作，并主要以游戏动作与节奏的吻合程度进行评判。音乐游戏相对于射击类电子游戏（如FPS），其游戏画面和内容更加绿色健康。通过游玩音乐游戏，不但可以起到放松身心的作用，还能锻炼玩家的乐感、提升反应能力和肢体协调能力，因此是比较受欢迎的游戏类型。

osu!是由Dean Herbert于2007年开发的一款PC端音乐游戏，经数年的发展，游戏已具有四种模式，其中osu!std（以下简称osu!）为最早开发的游戏模式，游戏画面主要由圆圈和其外周逐渐缩小的渐近环构成，玩家需要配合音乐节奏，当圆圈与渐近环重合当用游标点击。点击精准度将作为判定依据。osu!的谱面难度主要与圆圈大小（Circle Size，简称CS）、渐近速度（Approach Rate，简称AR）、判定难度（Overall Difficulty，简称OD）、生命值排放量（HP drain rate，简称HP）四个量化参数以及物件排列方式有关。在osu!中存在两套排名系统用来评价玩家的游戏水平，一套是基于谱面得分的排名系统，谱面得分主要与最大连打数相关（近似呈二次方正比），每张谱面的成绩会采用该系统进行排序。另外一套为基于表现点数（Performance Point，简称PP）的排名系统。PP系统为了更能体现玩家的真实水平，以与分数排名系统类似的参数但不同的算法计算一张谱面的PP值，而玩家的综合PP值则主要由最高PP的100张谱面的成绩加权求和得到，该综合PP值也作为玩家全球排名的依据。

游戏水平的提升一直是玩家的重要目标。通过对历史游玩记录进行分析，有助于玩家更为精准地掌握自己的游戏水平，更能通过大数据分析了解技术的瓶颈，以更高的效率提升游戏能力。本文以一位osu玩家（我）作为样本，对各种渠道获得的海量的据进行了尽可能全面的数据分析，从基本情况、游戏行为、游戏水平和成绩四个方面对该玩家的osu!成长历程进行系统性的盘点。

二、研究方法

2.1 数据源

1. osu!官网。从osu!官网可获得的信息主要包括（1）用户的基本信息（2）谱面基本信息和排名列表，这些信息除了用户的全球排名和游玩次数显示一段时间的历史记录，多只显示当前值且实时更新。若为osu!Supporter，还可获得用户玩过的谱面列表和谱面的国内/区内排名列表。osu!官网是所有第三方站点获取数据的数据源。

2. osudaily。osudaily是由osu玩家Adri创建的用于记录玩家游戏基本统计信息的网站，每天更新并存档玩家的排名、pp、游玩次数等信息。

3. osutrack。osutrack是由osu玩家Ameo创建的用于记录玩家BP更新的网站，在访问/刷新页面时更新并存档玩家的bp信息，因此可以从此站点获得历史bp信息。

4. pp+。pp+是由osu玩家Syrin开发的pp算法，该算法能够分别计算玩家在瞄准、打击准度、手速等多个方面的pp值，旨在更为精确地反映玩家在各个技巧上的水平。

5. 本地replay存档。本地replay留存了自注册账号以来的所有replay数据（不包含failed），可通过分析replay数据获得按键次数数据、打击偏差标准差（Unstable Rate，UR）和miss数据等，是十分关键的第一手资料。

2.2 分析工具

本工作采用python进行数据获取、清洗、整理、分析和可视化工作。主要引用库如下：

• request、urllib等爬虫相关库

• pandas、numpy、matplotlib：数据分析三件套

• osuparse：用于处理replay文件

• circleguard：用于计算replay的UR，分析miss情况等。

• 其他依赖库，包括时间序列分析所用到的time、datetime，数据读取/写入所用json等。

2.3 数据爬取

谱面成绩信息的爬取于2021年12月2日21时开始，3日2时结束。对osudaily中osu!std玩家的所有数据的爬取于2021年12月3日9时开始，11时结束。osutrack和pp+数据获取于达到2021年12月2日19时48分（即达到100K后立即获取）。数据爬取过程中该玩家没有进行任何游玩。数据分析所用数据截至以上爬虫结束时间。

2.4 部分数据分析方法

本节简述涉及到“同分段玩家平均水平”和本地数据的分析方法。

1. ”同分段玩家平均水平“数据的获得：采用osudaily注册用户中pp值在3780±100pp的505位用户的各项指标数据作为”同分段玩家“的样本进行分析。

2. UR分析：要进行UR分析，replay数据（osr文件）是必要的。通过将各BP成绩对应的成绩提交时间和谱面hash值与本地replay文件信息相匹配，匹配出671个replay，通过python的circleguard库对replay的UR进行计算即得所需数据。

3. 按键模式分析：按键模式的分析同样需要replay数据。使用python的osrparse库解析replay文件，获得每张replay的各按键次数即得所需数据。

三、数据分析

3.1 基本情况

用户名：JaSpirit，uid：20309693

注册时间：2021年1月11日

游玩方式：左键右板，以食指为主指的强双，普通握笔手法，牵拉型（drag）笔势，屏幕宽高比1.5:1，映射大小45mmx36mm

达到100K时间：2021年12月2日 19时48分

从注册到达100K：

• 所用时间：325天（近11个月），其中14天21小时（357小时）游戏时间，平均每天66分钟，占每天的4.6%

• 游戏次数：15916，平均每天49次，每小时游戏时间44.6次，每次81秒

• 共pass了827个谱面集的1313个谱面（仅包含可提交成绩谱面）

达到100K时的PP：3779.43，平均每天11.6pp，每小时游戏时间10.6pp

达到100K时的准确率：98.39%

达到100K时的总命中次数：4338775

3.2 游戏行为分析

3.2.1 每月游玩次数

自1月注册以来，共进行15916次游玩，平均每月1447次，除3月外，其余每月的游戏次数均在约1000以上。

3月是该玩家遇到的第一个瓶颈期，实在没有玩下去的动力而于3月10日主动锁定了1个月的osu账户。不过之后的瓶颈期再无类似情况发生。

3.2.2 每天的游玩时间分布

通过对本机电脑存档的replay的时间戳进行分析，获得每天游玩时间的分布，可见，游玩时间主要集中于深夜（22-24时），其次是晚上（17-20时）及上午（11-12时）。

3.2.3 BP更新频率

5月-11月这六个月，平均的BP更新频率为：18天更新1次bp1，6天更新1次bp前5，3天更新1次bp前10，0.9天更新一次bp前50，0.5天更新一次bp前100。

在这六个月中，以10月份的表现最为出色，平均每3天更新1次bp前5。

3.3 游戏水平分析

3.3.1 全球排名与PP历史记录

虽说osu的pp系统一直被人诟病，但其确实能够在很大程度上反映玩家的游戏水平。一些重要的时间节点如下：

• 1000pp：2021.2.7

• 2000pp：2021.6.7

• 3000pp：2021.10.5

可见，1000-3000pp期间，约每4个月增长1000pp。

3000pp之后经历一次排名影响较大的pp系统改动（Xexxar's rework，2021年11月11日生效。增长约85pp，该分段pp平均变化值为-110pp，排名变化约25000名）。

3.3.2 PP与游玩时间的关系

从此图中看出该玩家的进步情况比平均水平略快。

3.3.3 准确率与游玩时间的关系

由于该玩家对准确率要求较严，因此相比于平均水平，准确率达到较高的值（98%）较早。

3.3.4 历史BP记录（PP）

此图展示的是以pp为纵轴的历史BP记录，并以不同颜色和形状的图案标记成绩评级，可见BP主要由S评级构成，其次为A，其他评级较少。关于成绩评级分布的详细分析见下文。

3.3.5 历史BP记录（UR）

对BP成绩的UR分析属于本工作的创新点之一，由图中可见，UR总体上呈现降低的趋势（平均每天降低0.36），但与时间的相关性不如PP高。同时，UR也与游戏模式有关，如某些mod对AR的改变会对读图有影响，进而影响打击准确率。对最近100个BP的分析表明，NM成绩的UR均值为170.9±38.2，对DT成绩的UR均值为250.0±40.1。

3.3.6 按键模式变化

对按键模式的分析同属本工作创新点。从图中可见，该玩家注册游戏之后立即由单戳改为强双，但4月份开始逐渐偏离强双，直至9月初强制改回。但目前按键模式也并非严格强双，而是在连打时具有主指（食指，x），且在~100bpm重叠物件时存在倾向于中指（z）单点的一种混合按键模式。此两种特征导致综合的按键比率十分接近于50%（50.4%）。

3.3.7 pp+数据

pp+数据显示该玩家在串瞄准度（flow aim）和打击准度（accuracy）上具有明显优势，而在跳瞄准度（jump aim）和游标准度（precision）方面较差，这意味着该玩家对按键手的控制较游标手的控制更好，擅长打串图但不擅于跳图。

3.4 成绩分析

3.4.1 成绩评级历史记录

3.4.2 A评级比率

此图展现的是该玩家（红色五角星）和同分段玩家的A评级占A及以上评级的成绩比率，可见该玩家的A评级比率处于较低水平（29.4%），这意味着该玩家更倾向于把谱面da到S。

3.4.3 谱面成绩评级分布

3.4.4 谱面星级分布

上图呈现了不同成绩分布谱面星级分布（KDE），可发现S评级谱面分布较宽，但于5星开始密度急剧下降；A和B评级的谱面则集中于5星左右，这也与该玩家打图习惯吻合，此后，S评级谱面分布将继续展宽，其右边界继续右移，而A和B评级的谱面分布仍将保持正态分布之形状，继续右移。

3.4.5 AR和CS与成绩评级的关系

此图展现的是谱面的AR和CS两个参数与谱面成绩评级的关系，可见，无论何评级，谱面的AR和CS都分别集中于9.0和4.0，其中A评级分布更加密集，且有向更高CS移动的趋势。

3.4.6 AR和谱面长度与成绩评级的关系

此图展现的是谱面的AR和谱面长度两个参数与谱面成绩评级的关系，其中谱面长度用谱面最大连击数表征，可见S评级和A评级的谱面分布具有明显差异，最显著的差异在于谱面长度，S评级长度基本处于1000以下，明显少于A评级，这意味着该玩家在长图上的耐力不足，有待提升。

3.4.7 按mod BP PP序列

上图展现的是按mod分类、按PP排序的的BP序列，从此图中可明显看出该玩家以NM为主（仅NM pp加权总值=3691），另外，该玩家在DT上也有一定水平（含DT pp加权总值=2938），但并不特别擅长HD和HR（仅HD pp加权总值=1680，含HR pp加权总值=867）

3.4.8 成绩排名分析

在1313张玩过的谱面当中，有9张谱面的成绩进入全球前50，且23张谱面的成绩为国榜第1。约16%的谱面成绩处于国榜前10名、全球前150名和全球排名比率前1%（排名比率为全球排名与谱面总通过次数之比值），可谓成绩喜人。

四、总结与展望

本工作对该玩家的osu!游戏历史和游戏水平进行了系统性的回顾和科学全面的分析，对该玩家今后的游戏技术提升具有指导意义。今后一段时间，该玩家将主要致力于游标瞄准度的提升，并且锻炼低AR（AR≤8）以及高AR（AR≥9.6）的读图能力。希望该玩家借助知识的力量，通过osu!获得多方面能力的提升。