1. 全武将-类型-特性的整理和统计
每一行对应一个武将，所有列由3大部分组成：
1. 武将名称-4维-个人信息-成长类型
2. 武将各成长阶段习得的特性
3. 武将可习得的全特性集合 - 战斗相关的全特性结合 - 战斗相关特性合计
武将个人信息

武将成长信息

武将特性-战斗特性-合计

excel表格地址
链接: https://pan.baidu.com/s/1jKJc3GppfIuH5zE2fJD_NA 提取码: wym3 复制这段内容后打开百度网盘手机App，操作更方便哦

看了很多帖子，说每个特性都会按Van大修改器里lpAE参数触发：
lpAE：0战斗开始 1行军 4撤退 5攻城 8野战 9海战 10装备马匹 11装备铁炮
　　12无马匹铁炮13兵力少于对方 14兵力多于对方 15三人队伍 16副将
　　17同族一队 18智力高于对方 19男性武将 21 本方总势力远弱于对方
感谢@青山独归斜阳远 https://tieba.baidu.com/p/4068401736?red_tag=2469320037
哦对，下克上就说本方总势力远弱于对方，国力无法获取，所以不研究。
这些触发参数里，行军/野战 或许能和 下面链接里的 ”行军时触发/战斗时触发“ 对应： https://wenku.baidu.com/view/5a9afa62cfc789eb172dc8e6.html
但实际计算时，什么时候判定依旧不明。这里我简单理解成两种时机：
行军等 等价于每天进行判定
战斗等 等价于每次战斗前（第三天）进行判定
而这样的话风林火山/军神等在程序模拟时发动频率高得惊人，于是我把这两个暂定为战斗时判定。
请教各位它们实际上是否发动那么频繁，例如刚结束就立刻发动，很多次都是……我可以在模拟程序里改回去。

2. 战斗特性触发具体时间，以及影响的伤害因子如何影响计算结果，在后续模拟应用的公式计算中具体说明。
按理说对 发动率为 0.3，伤害数值加成10 的战斗触发特性，可以计算伤害加成期望为 0.3 * 10 = 3。这样不需要通过多次模拟随机过程求平均快很多，但不同特性持续时间不一，触发间隙很难处理，所以程序中不得不用多次随机抽样求平均的方法。即对某一战斗重复100次，求最终伤害平均值。
由于多次随机求和的性能问题，对全部1900+武将进行模拟过于耗时耗力，所以我们先看看哪些武将值得我们关注并模拟测试战斗力。

用数据说话
- 300个左右武将没有或只有一个战斗特性
- 大部分武将有两个或四个战斗特性
- 武将平均有3.3个战斗特性，最多有8个战斗特性（前田利家 和 jj）

这6个人拥有 7-8 个战斗特性
按武将类型分组，按战斗特性数量排序，倒数的几个废柴类型为：
bad_types = [
"內政拿手型", "政治型", "忍者型", "萬能政治型", "女性型", "古田織部型", "宰相型", "女戰國大名型", "外交僧型",
"毛利隆元型", "不幸型", "中庸型", "猛將騎馬特化型", "捨奸型", "幸運型", "高坂昌信型", "佐久間信盛型", "信仰心型"
]
有些类型也只有3，2 甚至1个战斗特性，但武将数据非常好看，是主讲人选。 或是特性比较关键/好用，如万能型的野名，女武将和倾城等。
于是在抛去废柴类型剩下的武将里继续筛选，
- 按我抓俘虏的原则（很宽松了），统>65, 武/智 > 70.
- 这样会漏掉一些第数据好特性的人，把这些想要的特性补回来，如废柴真武和废柴野名/倾奇者
candidates = warrior_details[~warrior_details["成長型"].isin(bad_types)]
m_t = candidates["統率"] >= 65
m_w = candidates["武勇"] >= 70
m_z = candidates["智略"] >= 70
m_s_1 = warrior_details["類型戰鬥特性"].astype(str).str.contains("傾奇者")
m_s_2 = warrior_details["類型戰鬥特性"].astype(str).str.contains("真武士")
m_s_3 = warrior_details["類型戰鬥特性"].astype(str).str.contains("野戰名人")
m_s_4 = warrior_details["類型戰鬥特性"].astype(str).str.contains("內助之功")
m_s_5 = warrior_details["類型戰鬥特性"].astype(str).str.contains("副將")
m_s_6 = warrior_details["類型戰鬥特性"].astype(str).str.contains("傾城")
m_s_7 = warrior_details["類型戰鬥特性"].astype(str).str.contains("公主武者")
m_s_8 = warrior_details["類型戰鬥特性"].astype(str).str.contains("副將")
m_s_9 = warrior_details["類型戰鬥特性"].astype(str).str.contains("波狀攻擊")
candidates = candidates[
m_t | m_w | m_z | m_s_1 | m_s_2 | m_s_3 | m_s_4 | m_s_5 | m_s_6 | m_s_7 | m_s_8 | m_s_9
]
经过筛选，从1900+武将中，我们得到值得研究的795名武将。

3. 战斗力如何计算，后面解释模拟过程是具体介绍。
大体上根据一楼参考文献总结计算
基本上先计算影响因子B
再计算基础伤害
根据B和基础伤害计算基础兵力伤害
再结合敌我双方特性百分比加成
最后计算突击/齐舍百分比加成

有点硬核啊

4. 武将战斗力如何分析呢？
既然知道了如何计算伤害（有攻防双方能力、兵力和特性计算），就能通过程序模拟两队人马战斗时的损伤。
设置假想敌为 （统100， 武100，智100）无特性的单人高数值白板队伍。
待测试武将战斗特性全开（模拟后期培养出的完全体），但能力保持初始值不变（等价于能力值+全20，对战120白板敌人）。好吧其实不是完全等价，但只要所有人的对手一致就可以测量。
战斗初始兵力： 双方均为5000.
战斗力定义：
- 敌方灭队，战斗力 = 我方剩余兵力
- 我方灭队，战斗力 = - 敌方剩余兵力
- 双方灭队，战斗力 = 0
对每个武将重复测试100次战斗，去战斗力平均值，即可得到每个武将单人的战斗力数值，理论上范围为 （-5000， 5000）。
例如模拟出 信长的战斗力在 - 400 左右， 安藤守就 在 - 2300 左右， 立花道雪则为 + 200 左右等。
模拟一个武将的一次战斗耗时约1.2秒，全部 795 个武将每人100次战斗大概需要27个小时。
模拟还在进行中，已经测试 230个武将了，测试结果会分享在这楼评论里。

5. 得到单体战斗力后如何继续研究。
我们的目标是得到最优的组队。全图 76 座本城，有些方支城也很优秀，最好是能够配置出 90个队伍，共270人。
考虑实际，不应该考虑全图最强组合，但处于好奇，我们可以看看统一的日本最强的30支队伍如何组成。
实际操作指导游戏的话，后续会写点程序允许大家给出自己的势力范围 （共计X国），筛选出X国内所有武将，并给出 X * 2 个队伍组合。例如玩家控制5国，5本城，程序提供10个最优组队。
根据战斗力排名，选出范围内战斗力前 5% 的武将，去掉其中 统帅<85（或80） 的武将，添加统帅>85 的武将作为主讲人选。剩下的武将中选择战斗力优秀的人才作为副将人选，组合队伍再次模拟战斗并计算分数。
目前尚在等待单体战斗力结果，后续会持续更新。

有点东西

坐等结论。
不过270个将这就太多了，一般玩一盘培养27个足够碾压全图，练太多人累死自己

学上少，这些理论实在是看不懂

模拟程序跑完啦，这是对战全100白板敌将的单人战斗力数据。
排名前50的有

如何阅读这份模拟结果：
- 每个武将对战全100白板假想敌，兵力均为5000，进行100场战斗，直至一方溃败
- 每场战斗分为若干回合（每3天一回合进行一次战斗结算），一些特性例如鬼就在每回合进行判定
- 每回合之间（每天）也有一些特性进行判定，例如猛将/名将
- 每个武将对每100次战斗的每个回合，进行战斗力/防御力/伤害加成等数据求平均，得到各列数值（有小数）
果然JJ是全战国第一强将，老虎紧随其后，但差距很小。
第三名立花宗茂， 第四名真田幸村。
这里和大家印象里有所冲突，二人统武都很优秀，差距不带，立花宗茂有微小劣势，所以关键就在于特性的不同，主要是 虎+西国无双 VS 真武。
这里要澄清一下模拟过程中对各特性发动时机的判定，是按照我查阅各资料得出的推断，把所有特性粗略划分为 “每天判定” 或 “每回合判定”。而按照Van大修改器能看到的发动时机，有十几种之多，而每一种具体何时触发是不明确的。如果哪位大神能够提供更详细的解释，就可以对战斗模拟进行更新，或许会得到不同的结果。
通过 立花 VS 真田 的对比，可以看到立花两个对伤害百分比的buff，实际效果优于 真武对防御力数值加成的效果。奋不顾身也是能力数值加成且有负面效果，其他赤备VS铁壁等暂且忽略差异。尤其是模拟中对西国无双每天判定的设定，使其效果明显。所以即便真田在统武数据，以及攻防能力数值都优于立花，但立花凭借伤害百分比（包括减伤百分比）的加成生出。
同时有意思的是看到了很多 “勇将型” 选手入围前五十，例如 后藤右兵卫 VS 立花道雪。勇将行数据不如立花，但也算数据好看，特性上唯一的差别就是 野战名人 VS 鬼。
野名（常驻，攻防数值各加20）
鬼（每回合以 30% 的概率 以 20%的幅度 增加/减少 伤害/损伤）
此时野名小幅度胜出。
此时得到的小结论是：
- 野战名人这一常驻特性很厉害，比鬼/虎/夜叉等概率特性稍胜一筹
- 真武非常优秀，但比起 西国无双 + 虎， 在现有设定下稍逊
说明：
- 现伤害公式当然和实际有所出入，但真是计算无从可考
- 为强力武将配副将时，相较于鬼，野名更胜。

上述结果可靠吗？
1. 分析战斗力百分位数 CDF函数
下图中画一条水平线，例如在y轴0.8处，得到对应的x轴数据在-1400 左右。意思是战斗力为-1400的武将就已经超过了所有候选人（830名）的80%。而战斗力分数为0就超越了大概90%的候选人。
CDF函数后部顶端处平坦，说明战斗力高的人少之又少，而左侧80%前稳定增长，说明低水平的人分布比较均匀。比较符合常识认知。

2. 分析战斗力分布
下图可见-2000处为高峰，意思是此分段的人数做多，约300人左右
第二张概率密度图在0分附近又一个小高峰，说明0分前后是一个比较优秀的人才集中分布的分数。而高于0分的人越来越少。说明优秀人才内部相比，低分的人也是较多的，越优秀越稀有，也比较符合常识。

3. 分析各列数据相关性，哪项数值和战斗力数据最相关
下表是轴对称的，看第一列就可以：
- 正数 为正相关，意思是X越大，观察到的战斗力就越大，最大值为1
- 负数 为负相关，意思是X越小，观察到的战斗力就越大，最小值为-1
- 0附近 为不想管，意思是X值增减和战斗力关系不大
可见战斗力和攻击力最相关，其次是防御力，再次是伤害倍数
而敌攻击力/防御力取之都是100，无变化所以无法计算
战斗力和敌伤害倍数负相关 （敌伤害倍数越小，我放战斗力越高）
符合预期。
注意表中认为攻击力比防御力相关性更高，和普通认知的“伤害溢出”冲突。这里可以解释为敌武将统武双100，相比真实战斗中敌将通常没这么强悍，所以模拟中伤害不容易溢出有关。如果把敌武将设为统武双50，可能攻击力/防御力相关系数就会发生变化。所以这里的冲突未必不合理。

4. 分析影响战斗力的各项数值重要性
数值越高，说明改数值对最终战斗力影响越大。
这里用随机森林拟合战斗力数据后得到的feature importance作依据。虽此方法有时有一定局限性，此处应用也非不合理。
看到攻击力和防御力分排第一第二，因为战斗力（战斗结束所剩部队数）由每回合战斗伤害/损害直接计算而来；而攻击力和防御力除特性加成外，最大的基数就来源于武勇和统帅，因此武勇和统帅分派第三第四，十分一直。
又由于攻击力/防御力大部分由武勇/统帅所计算得出，所以对阵双100 的敌将时，攻击（武勇）更加重要。
伤害倍数/敌伤害倍数分别对应 伤害/受损 的百分比加成，这类加成较少。
成长型影响的是特性，在攻/防中反应为对基础能力的修正。
智略最靠后，因为智略不直接影响攻防，而对攻防修正的特性又非常少。
所以 feature importance也是合理的。

综上4点，现有战斗力排行即便和游戏真实情况有细微不同（因为真实伤害计算公式无从知晓，特性触发时机更是迷），但也都在合理范围内。
最最直接的结论：对战战统武双高的敌将时，战斗力（武勇） > 防御力（统帅），能打出伤害更重要！
对阵统武没那么高（至少不比自己高）的武将，因为没测试，所以不一定，但根据伤害溢出等前人结论，大胆推测 防御力（统帅） > 战斗力（武勇）

后续如何组队，有两条可选方向：
首先都是根据单体战斗力排行，选择战斗力高且统武优秀（尤其是统）的 topN 选手做主将。剩下战斗力较高的武将作为副将候选人。
方案1。设组N队（N各主将），剩下所有副将候选人M人。则选出 C（M，2）个组合，意思是M人中选择2人，组合个数记为C，则组除M * C 个不同队伍。让每个队伍分别对阵统武双百敌将100次战斗，取战斗力平均值。
方案2。在所有主将人选中，随机选择1人；再从所有副将中随机选择2人，对阵统武双百敌将100次战斗取战斗力平均。并由这些战斗结果训练模型，再预测方案1中各队伍的战斗力。
方案1：
- 好处，能准确计算每组队伍战斗力具体数值
- 坏处，随N和M增大，组合数量会极速增大，甚至达百万级别。假设每个队伍每次战斗需要1秒钟模拟，100万队伍各模拟100次，就需要10亿秒。 😭
方案2:
- 好处，训练时随机取几百个队伍进行测量并训练模型，以后每次预测可能只需要几毫秒，同样对100万队伍进行预测时，节省的时间达 1000 * 100 = 10万倍。
- 坏处，预测出的战斗力会有所偏差，有测量训练用的队伍多少有关，也于选取的模型有关。
我会先根据单体战斗力排名筛选一下主副将人选数 N 和 M。
若N和M较小，方案1可行且准确。
若N和M较大，则只能进行方案2.
后续会继续更新。谢谢大家关注。