有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
CS:GO Pro Matches Comprehensive Dataset|电子竞技数据集|数据分析数据集
收藏github2024-02-01 更新2024-05-31 收录
下载链接：
https://github.com/tedtay/CS-GO-Pro-Matches-Comprehensive-Dataset
下载链接
链接失效反馈资源简介：
包含2012年至2023年所有CS:GO职业比赛的最大公共数据集，记录了126872场比赛，每场比赛有155个不同的数据点。
This dataset represents the largest publicly available collection of professional CS:GO matches from 2012 to 2023, documenting 126,872 matches, each with 155 distinct data points.
创建时间：
2024-02-01
原始信息汇总
数据集概述
数据集名称
CS:GO Pro Matches Comprehensive Dataset
数据集描述
该数据集包含自2012年至2023年的专业CS:GO游戏数据，是目前最大的公开CS:GO专业比赛数据集。
数据集大小
- 数据形状：(126872, 155)
- 文件大小：约87Mb
数据内容
- 包含126872场比赛的详细数据，每场比赛记录了155个不同的数据点（特征）。
数据收集
- 数据通过Python脚本从HLTV网站上使用Selenium和BeautifulSoup进行抓取。
- 抓取过程在Google Cloud Platform (GCP) VM上运行了12天。
- 生成了三个CSV文件：
- historic_games_list.csv: 包含游戏列表及其对应的网页和基本游戏信息。
- game_data.csv: 从单个游戏网页获取的详细游戏数据。
- exception_data: 记录了在数据抓取过程中发生的所有异常情况。
数据处理
- 将historic_games_list.csv和game_data.csv合并，并进行了清洗和特征提取，最终生成了csgp_pro_games_data.csv文件。
技术栈
- 数据处理和分析工具：Jupyter Notebook, Python
- 数据库：MySQL
- 云服务：Google Cloud
- 网络抓取工具：Selenium
数据使用
鼓励数据分析师、科学家、机器学习工程师、数据工程师和爱好者使用此数据集进行模型创建、分析和研究，并与电竞和数据社区分享发现。
联系方式
- 项目链接：CS:GO Pro Matches Comprehensive Dataset
- 联系人：@tedtay
AI搜集汇总
数据集介绍
构建方式
CS:GO Pro Matches Comprehensive Dataset的构建过程采用了自动化数据采集技术，主要依托于Selenium和BeautifulSoup工具在Python环境下运行。数据采集脚本在Google Cloud Platform（GCP）的虚拟机上连续运行了12天，从HLTV.org网站上抓取了几乎所有职业CS:GO比赛的数据。采集过程中生成了三个CSV文件，分别是historic_games_list.csv、game_data.csv和exception_data.csv，最终通过合并和清洗这些文件，生成了包含126,872场比赛和155个特征的csgp_pro_games_data.csv文件。
使用方法
用户可以通过下载csgp_pro_games_data.csv文件直接访问数据集，并使用Python、Jupyter Notebook等工具进行数据分析和建模。数据集的结构清晰，适合用于机器学习模型的训练、比赛结果的预测以及电竞领域的深入研究。用户还可以参考SWEETVIZ_REPORT.html文件，快速了解数据特征，并根据需求进行进一步的数据探索和可视化分析。
背景与挑战
背景概述
CS:GO Pro Matches Comprehensive Dataset 是一个涵盖2012年至2023年期间几乎所有职业CS:GO比赛的大型公开数据集。该数据集由研究人员tedtay创建，旨在通过提供详细的比赛数据，进一步推动对FPS电子竞技的理解。数据集包含126,872场比赛，每场比赛记录了155个不同的数据点，涵盖了从比赛结果到具体游戏内事件的广泛信息。该数据集为数据分析师、机器学习工程师以及电子竞技爱好者提供了一个宝贵的资源，帮助他们进行模型构建、特定领域分析以及知识共享。
当前挑战
该数据集在构建过程中面临了多方面的挑战。首先，数据采集依赖于从HLTV网站进行大规模的网络爬取，这一过程不仅耗时长达12天，还遇到了约452场比赛页面无法加载的技术问题。其次，数据的清洗与整合需要高度的精确性，以确保最终数据集的一致性和完整性。此外，由于CS:GO比赛的复杂性，如何有效地提取和记录155个数据点，同时保持数据的可解释性和实用性，也是一个重要的技术难题。这些挑战不仅考验了数据采集与处理的技术能力，也对后续的数据分析与应用提出了更高的要求。
常用场景
经典使用场景
CS:GO Pro Matches Comprehensive Dataset 作为电子竞技领域的重要数据资源，广泛应用于职业比赛的分析与预测。该数据集涵盖了2012年至2023年间几乎所有CS:GO职业比赛的数据，为数据科学家、机器学习工程师以及电竞爱好者提供了丰富的素材。通过分析比赛中的战术选择、选手表现以及团队协作，研究者能够深入理解职业电竞的竞技模式与策略演变。
解决学术问题
该数据集为电竞研究提供了前所未有的数据支持，解决了传统研究中数据稀缺的问题。通过分析比赛中的155个数据点，研究者能够探讨职业选手的决策模式、团队协作的效率以及比赛结果的预测模型。这些研究不仅推动了电竞领域的学术进展，还为电竞产业的职业化与科学化管理提供了理论依据。
实际应用
在实际应用中，CS:GO Pro Matches Comprehensive Dataset 被广泛用于电竞俱乐部的战术分析与选手训练。教练团队可以通过数据挖掘技术，识别对手的战术弱点，优化己方的比赛策略。此外，电竞博彩平台也利用该数据集开发预测模型，为用户提供更精准的赛事预测服务，从而提升用户体验与平台竞争力。
数据集最近研究
最新研究方向
在电子竞技领域，特别是第一人称射击游戏（FPS）如《反恐精英：全球攻势》（CS:GO）中，数据驱动的分析正逐渐成为提升竞技水平和战术理解的关键。CS:GO Pro Matches Comprehensive Dataset作为目前最全面的职业比赛数据集，涵盖了从2012年至2023年的12万余场比赛，每场比赛记录155个不同的数据点。这一数据集为数据科学家、机器学习工程师以及电竞分析师提供了丰富的素材，用于探索职业选手的行为模式、团队战术的演变以及比赛结果的预测。近年来，基于该数据集的研究方向主要集中在利用机器学习算法进行比赛结果预测、选手表现评估以及战术策略优化。此外，随着电竞产业的蓬勃发展，该数据集的应用也扩展至电竞教育、职业选手训练以及赛事组织优化等多个领域，为电竞行业的科学化发展提供了有力支持。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国知识产权局专利数据库
该数据集包含了中国知识产权局发布的专利信息，涵盖了专利的申请、授权、转让等详细记录。数据内容包括专利号、申请人、发明人、申请日期、授权日期、专利摘要等。
www.cnipa.gov.cn 收录
btc
该数据集可能包含金融市场交易数据，具体包括时间戳、开盘价、最高价、最低价、收盘价和交易量等信息。数据集分为训练集，包含2465个样本，总大小为175324字节。
huggingface 收录
Global Livestock Geo-Wiki
Global Livestock Geo-Wiki是一个全球牲畜分布数据集，旨在提供全球范围内牲畜分布的详细信息。该数据集包括不同类型的牲畜（如牛、羊、猪等）的分布情况，以及相关的环境和社会经济数据。
livestock.geo-wiki.org 收录
中国高分辨率高质量PM2.5数据集（2000-2023）
ChinaHighPM2.5数据集是中国高分辨率高质量近地表空气污染物数据集（ChinaHighAirPollutants, CHAP）中PM2.5数据集。该数据集利用人工智能技术，使用模式资料填补了卫星MODIS MAIAC AOD产品的空间缺失值，结合地基观测、大气再分析和排放清单等大数据生产得到2000年至今全国无缝隙地面PM2.5数据。数据十折交叉验证决定系数R2为0.92，均方根误差RMSE为10.76 µg/m3。主要范围为整个中国地区，空间分辨率为1 km，时间分辨率为日、月、年，单位为µg/m3。注意：该数据集持续更新，如需要更多数据，请发邮件联系作者（weijing_rs@163.com; weijing@umd.edu）。 数据文件中包含NC转GeoTiff的四种代码（Python、Matlab、IDL和R语言）nc2geotiff codes。
国家青藏高原科学数据中心 收录
中国区域地面气象要素驱动数据集 v2.0（1951-2020）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 70 年（1951~2020 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 70 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。CMFD 2.0 的数据内容与此前宣传的 CMFD 1.7 基本一致，仅对 1983 年 7 月以后的向下短/长波辐射通量数据进行了更新，以修正其长期趋势存在的问题。2021 年至 2024 年的 CMFD 数据正在制作中，计划于 2025 年上半年发布，从而使 CMFD 2.0 延伸至 2024 年底。
国家青藏高原科学数据中心 收录