カテゴリー: Web制作

要望

投手起用と代打について
現状自分は投手起用を
こんな感じにしていて

代打は6回以降にしたいのですが
投手の数の関係で9回以降に代打
を起用された場合に
野手が登板することになり
困っています。
代打起用を何回以降何回まで
と制限するか
控えの投手がいない場合に
代打を出さない設定がほしいです pic.twitter.com/yMhe7D8OpY

— hage (@hage88983544) 2019年1月29日

作者の考え

確かに・・・。
野手が登板して試合壊れるとツマランしね。

1・交代投手がいるか？→いれば交代（代打・代走）可能
2・野手が登板しそう！→とりあえず普通の登板を実施。居なければ誰でもいいから投手出せい。
1、2はそれぞれ補完関係にあるから、どっちかだけの実装はマズいね。

解決策

投手交代のアルゴリズムを変更しました。
この変更で、野手が登板することは基本的になくなりました。
[詳細]
・投手への代打・代走は、投手の交代要員が一人以上居る場合のみ可能に。
・打者(type=B)が投手として登板しようとするとき、もし継投設定上誰も登板しない場合は、ベンチ登録済みで登板していない投手をランダムで登板させる。

コメント

実装しました。

はまったのは、投手の交代要員数の出力。
表と裏の選手Arrayを勘違いして同じように扱ってました。／(^o^)＼
動くわけがない。

「監督の指導能力が上がらない」という情報が入ったので、
・バグの修正
・SQLでバグっているIDの方を検索→チケットプレゼント
を行います。

該当能力：
　指導能力（体力）
　・・・ちなみに投手以外でも使ってます。試合でのHPもね(‘A`)
　上げると連戦でも疲れなくなる。強い。

コード：

SELECT
	team_name,
	PM
FROM (SELECT
	id,
	team_name,
    lv,
    point_st,
	(mn_b_mt+mn_b_pw+mn_b_sp+mn_b_sf+mn_b_df+mn_b_er+mn_b_ss+mn_p_sp+mn_p_co+mn_p_st+mn_p_bbn)/3 MN,
    (lv-1-(point_st+(mn_b_mt+mn_b_pw+mn_b_sp+mn_b_sf+mn_b_df+mn_b_er+mn_b_ss+mn_p_sp+mn_p_co+mn_p_st+mn_p_bbn)/3)) PM
FROM ids) AS account
WHERE PM > 0

lv = 監督lv
point_st = 指導P
mn_～ = 実際の指導能力追加（*3倍される）
MN = 指揮能力追加の合計値
PM = 正常なら0
バグってる人は「PM」が0以外になります。

さてやってみよー。

該当：
・私立双葉学園
・私立月虹学園高校
・国立らんらんるー魔苦怒亡流怒
・県立三本木第二高校
・私立ジャガ畑高校
・国立私立高校
・私立蒼天学園高校
・私立紫月高校
・国立品菜高校
・県立三本木高校
・県立ワンワン高校
・都立山の手高校
・国立帝都第一高校
・県立橋本高校

多い・・・！
対象者の方にはチケットをもう1枚お送りいたしました。

ご迷惑をおかけして申し訳ありません。
また何かあればご連絡ください！

模擬戦（NPC勝ち抜き戦）を追加しました！

模擬戦のコンセプトは「甲子園歴代優勝校と戦える場を」です。
経験値高め。もらえるアイテムも多いです。
挑戦には練習試合で7日に1回くらい拾える「試合チケット」が必要です。

・・・というわけで大阪桐蔭と戦ってみました！

勝てる気がしない！！

ファー／(^o^)＼

1週間に1回くらいチケットが拾えるので再挑戦しますかね。

野手起用法設定の導入を行いました。

この変更で、
「勝ってる時だけ守備固めを出したい」
「負けてるから投手に代打してチャンスを作りたい」
という要望にお答えしました。

発想は野手起用法設定の導入検討のコメントより。
メールありがとうございました！

コメントいただきました。
面白いなこれは・・・一人で開発してもいいもんじゃないですね。ありがたいです。
導入は時間が出来たらします！

Meisyoのアップデートを行いました。
メインはアイテムの追加です。

監督画面でアイテムの所持数を確認できるようにしました。

下記アイテムを追加しました。
1・モード5（選手やる気5上昇）
2・プロキュア30（選手体力30回復）
3・スキル：チャンス○（選手にチャンス○を覚えさせることができる）
各アイテムの所持数は「監督情報」で見ることができます。

上記アイテムは実装時にプレゼントされます。個数は下記の通り。
・モード5：3
・プロキュア30：5
・チャンス○：1
試しに使ってみてね！

アイテム追加した理由
・今後の公式戦でやる気UP・HP回復を戦略的に使ってもらうため
　体力＆やる気の調整が死活問題になりそうなので追加しておきました。
　やる気UPはその後の不調期間が長くなるデメリットがあります。
　体力回復はデメリットはありません。
・スキル付与で選手の個性をさらに強化できる
　今回はチャンス○（ランナーが2または3塁に存在する場合、ミート+5パワー+5）です。
　何かの大会orNPC勝ち抜きトーナメントの景品としてつけてもいいかもしれない。

練習・試合でのドロップ確率は未設定（0）です。
設定したらお知らせします。

ここでは、「どのパラメータが打率等にどれくらい関係するのか」を理解することで強いチームを作る指針を記載しておきます。
[Meisyo]ビッグデータから学ぶ試合の基礎設計4の詳細版です。

今回は、右打と左打はパラメータの相関関係に違いがあるのか？という問いに答えたいと思います。

まずは「右打、左打で平均打率に違いがあるのか？」という問いですが、
R(73867打席):0.2428
L(39563打席):0.2468
左打席に+1.6%補正があるようです。
（とはいえ前回の論文（1割近く）と比べそんなに変わらない結果でした）

コードでは、左打席が右打席に比べ一塁ベースに1m近いです。
正しい結果ですね。

では、どのパラメータが打率に本当に相関しているのか？を単回帰分析で求め、
相関しているパラメータ群を重回帰分析して、各パラメータの相関度合いを確認します。

あとはOPS、HR率なども調査しておきました。改良した分析用コードも載せておきますね！

打率の各パラメータの相関関係

図の見方
タイトル：「Result(***) vs Param(xxx) from pa >= 20」
結果（***）へのパラメータ（xxx）の相関図（20打席（pa）以上）
Right-Hand：右打、Left-Hand：左打
R^2＝決定係数。0～1を取る。1に近いほど相関していると言える。
（>=0.010が2つで相関あり○、1つで相関あり△、なしで相関なし×）

一覧表：

b_mt、b_pw、b_ssが相関している。

lv（レベル）とcond（調子）は上がれば上がるほど、上記3つのパラメータが上がるので相関するはずという見込みで計算しました。
その通りでした。

type_b（打席位置：隠しパラメータ）は、R（後ろ）がマイナスに相関、C（中央）がプラスに相関△、F（前）が相関なし。
Rは剛速球対応用で、Fが超変化球対応用として設計しました。Rは変化球に弱く、Fは速球に弱いという裏設計ですね。
現在はC=F>Rです。速球投手が増えればRが台頭してくるはず！

重回帰分析：
Ave(R)
Name Coefficients
2 b_ss 0.000343
1 b_pw 0.000550
0 b_mt 0.003096
切片：0.08263525884539452
Ave(L)
Name Coefficients
2 b_ss 0.000450
1 b_pw 0.000852
0 b_mt 0.002925
切片：0.07878629626174283

各相関図：

ミートはとてもキレイな相関図になってます。
左右どちらも変わらないんですね！

パワーは相関してる・・・？相関してるか。みたいな図ですね。

走力は相関なし。
不思議です。要調査ですね。

肩力は相関なし。
マイナス相関してそうに見えます。肩が上がればその分ミートとパワーが下がるしね。

守備力は相関あり△。
マイナス相関してそうに見えます。守備が上がればその分ミートとパワーが下がるしね。

反応は相関あり。
あまり偏回帰係数は大きくなさそう。

エラー回避は相関なし。
反応とエラー回避はランダムで決定される（＝その他のパラメータから独立している）ので、そんなものですね。

選手Lvが上がれば打率が上がる！
育成での能力アップと、打てない人はそれまでに淘汰されてるしわかるかな。
・・・Lv70とか誰だ？

調子は相関あり△。
調子は経時変動あるから実際わからない。

R（-1）、C（0）、F（+1）として設定。
相関なし。

Rはマイナスに相関。（NotR＝C,F）

Cはプラスに相関。（NotC＝R,F）

Fは相関なし。（NotF＝R,C）
これは不思議ですね。

OPSの各パラメータの相関関係

一覧表：

これもミートが圧倒してますね・・・。

重回帰分析：
OPS(R)
Name Coefficients
2 b_ss 0.001203
1 b_pw 0.002206
0 b_mt 0.006626
切片：0.28842150643875264
OPS(L)
Name Coefficients
2 b_ss 0.001145
1 b_pw 0.003046
0 b_mt 0.006414
切片：0.28466512542137623
左右の違いがわからない。

各相関図：

HR率の各パラメータの相関関係

結果：
やっぱりパワーだけしか相関しなかった。
ただしパワー100でもそんなにHR率は上がらない。悲しい。

各相関図：

コード

# -*- coding: utf-8 -*-

import os, sys, csv
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model

# 基礎設定
file_name = 'meisyo_b 20181217.csv'

# CSV読み込み
df = pd.read_csv(file_name, encoding='utf-8')

# 投手能力結合・削除
for i in ['sp', 'co', 'st', 'bb1n', 'bb2n', 'bb3n']:
    df['p_'+i] = df['p_'+i] + df['pt_p_'+i] + df['pw_p_'+i]
    df = df.drop(['pt_p_'+i, 'pw_p_'+i], axis=1)

# 野手能力結合・削除
for i in ['mt', 'pw', 'sp', 'sf', 'df', 'er', 'ss']:
    df['b_'+i] = df['b_'+i] + df['pt_b_'+i] + df['pw_b_'+i]
    df = df.drop(['pt_b_'+i, 'pw_b_'+i], axis=1)

# 欠損値のある行を把握
# print(df.isnull().sum())

# 全体で欠損値のある行を削除
df = df.drop(['skill', 'g_pos', 'grow_type'], axis=1)

# 打席数*未満を削除
df = df.where(df['ab'] >= 20).dropna()
#df['type_b'] = df['type_b'].replace({'F': 1, 'C': 0, 'R': 0})

# R/L
R = df.where(df['side_b'] == 'R').dropna()
L = df.where(df['side_b'] == 'L').dropna()

# データ把握
# print(df.columns)
# print(df.head())
# print(R.head())
# print(L.head())
# print("R(" + str(sum(R['ab'])) + "):"+ str(sum(R['h']) / sum(R['ab'])))
# print("L(" + str(sum(L['ab'])) + "):"+ str(sum(L['h']) / sum(L['ab'])))

# 結果出力
dR = pd.DataFrame(index=[], columns=[])
dL = pd.DataFrame(index=[], columns=[])
dR['ave'] = R['h'] / R['ab']
dR['obp'] = (R['h'] + R['bb'] + R['hbp']) / (R['ab'] + R['bb'] + R['hbp'] + R['sf'])
dR['slg'] = R['tb'] / R['ab']
dR['ops'] = dR['obp'] + dR['slg']

dL['ave'] = L['h'] / L['ab']
dL['obp'] = (L['h'] + L['bb'] + L['hbp']) / (L['ab'] + L['bb'] + L['hbp'] + L['sf'])
dL['slg'] = L['tb'] / L['ab']
dL['ops'] = dL['obp'] + dL['slg']

yR = dR.values[:, 0]
yL = dL.values[:, 0]

# 相関係数
list = ['b_mt']
xR = R.loc[:, list].values
xL = L.loc[:, list].values

# title
plt.title("Result(Ave) vs Param(b_mt) from pa >= 20 [y = ax + b]")
plt.xlabel("param")
plt.ylabel("result")

# plt 回帰係数
model_R = linear_model.LinearRegression()
model_L = linear_model.LinearRegression()
model_R.fit(xR, yR)
model_L.fit(xL, yL)

# plt 散布図
plt.scatter(xR, yR, s=2, c="red", alpha=0.5, label="Right-Hand(a="+str("{0:.4f}".format(model_R.coef_[0]))+")\nR^2="+str("{0:.3f}".format(model_R.score(xR, yR))))
plt.scatter(xL, yL, s=2, c="blue", alpha=0.5, label="Left-Hand(a="+str("{0:.4f}".format(model_L.coef_[0]))+")\nR^2="+str("{0:.3f}".format(model_L.score(xL, yL))))

# plt 回帰
plt.plot(xR, model_R.predict(xR))
plt.plot(xL, model_L.predict(xL))

print("Ave(R)")
print(pd.DataFrame({"Name":list, "Coefficients":model_R.coef_}).sort_values(by='Coefficients') )
print(model_R.intercept_)

print("Ave(L)")
print(pd.DataFrame({"Name":list, "Coefficients":model_L.coef_}).sort_values(by='Coefficients') )
print(model_L.intercept_)

# show
plt.legend()
plt.show()
sys.exit()

ひとこと

図示することは大事ダナーと思いました。
だって数値だけでは全然わかりませんから！

出た数値を使って歴代優勝校の選手を生成します。(^q^)

本日フリーゲーム夢現に初コメントが付いたのでワクワクして見ました。

#————————————————————-#
フリーゲーム夢現の’名将と呼ばれた者達’にコメントが投稿されました。
運営が公開処理するまでこのコメントは表示されません。（※投稿されてから約1日程度）

————————-
[コメント投稿者] 匿名

■ コメント内容 ■
左投げ右打ちの選手が出過ぎでちょっと気持ち悪いです

————————-

【投稿されたページを見る】
https://freegame-mugen.jp/simulation/game_7374.html
#————————————————————-#

お・・・おう・・・。そうか。

というわけで、どれくらい気持ち悪いのか数値化してみます。

やること

1. コード確認
2. データ把握
3. あるべき姿（論文等）の調査
4. 現状とあるべき姿の比較
5. 改善点
6. まとめ

コード確認

選手生成のコードを確認。

        // 投
        if(mt_rand(1, 1000) >= 115){ $CD['side_p'] = 'R'; }else{ $CD['side_p'] = 'L'; }

        // 打
        if(mt_rand(1, 100) >= 35){ $CD['side_b'] = 'R'; }else{ $CD['side_b'] = 'L'; }

投、打はどちらも独立に判定される。
投：88.5(=100-11.5)%で右投、その他（11.5%）で左投
打：65(=100-35)%で右打、その他（35%）で左打

このコードから、それぞれが起こる可能性は以下の通りです。
（全体合計は1。ただかけ合わせるだけです。）

※検算済み

約7.5%で左投右打ちが出てくる計算です。

データ把握

実際データはどうなってるの？ということで計算してみました。
データセットは[Meisyo]ビッグデータから学ぶ試合の基礎設計4のモノを使用しています。
*このデータで注意すべきは2点。成績準拠なので、「試合に出場した選手のみのデータが記録されていること」「任意でデータを削除できること」ですね。

データセット結果：
Total:6558
RR:3778（0.576）
RL:1991（0.304）
LR:527（0.080）
LL:262（0.040）

コードでの指定：

0.005分LRが上に、RLが下にぶれています。
6.7%程度の変動ですね。
これ分散値とか計算できるのか？
おおよそコードとデータは違っていないと判断します。（判断基準があいまい）
計算には実データを使っていきます。

計算コード：

# -*- coding: utf-8 -*-

import os, sys, csv
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 基礎設定
file_name = 'meisyo_b 20181217.csv'

# CSV読み込み
df = pd.read_csv(file_name, encoding='utf-8')

# 基礎設定
an = pd.DataFrame(index=[], columns=[])

# 投/打把握
an['side_p'] = df['side_p']
an['side_b'] = df['side_b']

# print(an)

# 集計
date = {'RR':0, 'RL':0, 'LR':0, 'LL':0}
for index, row in df.iterrows():
    key = row['side_p'] + row['side_b']
    date[key]+=1

# 表示
print("Total:" + str(len(an)))
for key in date.keys():
    print(str(key) + ":" + str(date[key]))

あるべき姿（論文等）の調査

野球の右投左投等のデータがありそうな論文と言えば、セイバーメトリクス関係か右/左打でどれだけ成績が変わるのか的な論文だと思いました。ということで調べました。

The Success of Sinister Right-Handers in Baseball（October 26, 2017）
超日本語訳：野球で成功したいなら右打ちはやめとけ

Abstract：
This new analysis of data on 17,564 professional baseball players shows a distinct advantage in hitting for those who bat left-handed but throw right-handed. The findings argue against any advantage due to hemispheric lateralization.
Abstract超日本語訳：
17,564人ものプロ野球選手のデータから分析した結果は、左バッターが右バッターに比べて優位（有意）なアドバンテージを持っていることを示した。この発見は他の全てのアドバンテージを跳ね返す力を持っている。

わースポーツ医学の論文カナー・・・

Table1に結果が載ってました。

結果：
All recorder major league players(N=5663)
Percent of Players
RR:63.2%
RL:19.0%
LL:12.3%
RB:4.7%
LR:0.5%
LB:0.3%
（B＝両打ち）

現状とあるべき姿の比較

現状とあるべき姿のデータが取れたので比較し、相関関係を確認します。

データセット結果：
Total:6558
RR:57.6%
RL:30.4%
LR:8.0%
LL:4.0%

あるべき姿の結果：
All recorder major league players(N=5663)
Percent of Players
RR:63.2%
RL:19.0%
LL:12.3%
RB:4.7%
LR:0.5%
LB:0.3%
（B＝両打ち）

0.5%であるべきところが、8.0%って・・・。差が大きくないか・・・？たしかに気持ち悪い。
以下、両打を無視して計算します。

あるべき姿：
右投：
　右打：左打＝63.2：19.0（ALL82.2）
　＝77：23

左投：
　右打：左打＝0.5：12.3（ALL12.8）
　＝4：96

現状は投げ・打ちは互いに独立ですが、あるべき姿では関連性ありですねー。

改善点

コードはこんな感じかなと。

        if(mt_rand(1, 100) >= 13){
            $CD['side_p'] = 'R';
            if(mt_rand(1, 100) >= 23){ $CD['side_b'] = 'R'; }else{ $CD['side_b'] = 'L'; }
        }else{
            $CD['side_p'] = 'L';
            if(mt_rand(1, 100) >= 96){ $CD['side_b'] = 'R'; }else{ $CD['side_b'] = 'L'; }
        }

まとめ

確かに気持ち悪い量の左投げ右打ちの選手が生成されていました。

よく考えてみると、プロ野球選手でも左投げ右打ちの選手いないですね。
野球エリートだと幼い内に左投右打なら左打に矯正されるし、そっちのほうが結果もいいみたいだし。
まあ生涯打率で1割違ったらねえ・・・。

今回MLBのデータを使いましたが、それでもLL＞＞LRなのでそういうものなんですね。
諸説では「あちら（米国）のほうが個人の意思を優先する」とのことですが、ここまではっきりとした差（LL24:LR1）ならしょうがないね。

コメントありがとうございました！