| --- |
| language: |
| - en |
| - zh |
| license: apache-2.0 |
| task_categories: |
| - sequence-modeling |
| - regression |
| - classification |
| task_ids: |
| - time-series-forecasting |
| - player-behavior-analysis |
| pretty_name: "Wordle Game Prediction Dataset" |
| size_categories: |
| - 1K<n<10K |
| dataset_info: |
| features: |
| - name: Username |
| dtype: string |
| - name: Game |
| dtype: int32 |
| - name: Trial |
| dtype: int32 |
| - name: target |
| dtype: string |
| - name: is_success |
| dtype: int32 |
| - name: activity_level |
| dtype: string |
| splits: |
| - name: raw_data |
| num_bytes: 1024000 |
| num_examples: 10000 |
| - name: preprocessed |
| num_bytes: 2048000 |
| num_examples: 10000 |
| - name: with_features |
| num_bytes: 4096000 |
| num_examples: 10000 |
| download_size: 5120000 |
| dataset_size: 7168000 |
| tags: |
| - wordle |
| - game-analytics |
| - player-behavior |
| - lstm |
| - time-series |
| --- |
| # Wordle游戏预测项目 - 数据集描述文档 |
|
|
| ## 数据集概览 |
|
|
| 这个数据集包含了Wordle游戏玩家的历史记录，用于预测玩家完成游戏所需的尝试次数。数据集经过三个阶段的处理：原始数据、预处理数据和特征工程数据。 |
|
|
| ### 下载和使用 |
| ```python |
| # 安装必要的库 |
| !pip install datasets pandas numpy |
| |
| # 加载数据集（示例） |
| from datasets import load_dataset |
| |
| # 根据你的数据集名称调整 |
| dataset = load_dataset("your-username/wordle-game-prediction") |
| ``` |
|
|
| ## 1. 原始数据集（01_raw_data/wordle_games.csv） |
| |
| ### 1.1 数据集基本信息 |
| - **数据来源**：Wordle游戏玩家历史记录 |
| - **数据格式**：CSV格式 |
| - **数据量**：根据预处理脚本输出，原始记录数约为处理前的数量 |
| |
| ### 1.2 字段描述 |
| | 字段名 | 数据类型 | 描述 | |
| |-------|---------|------| |
| | Username | 字符串 | 玩家唯一标识符 | |
| | Game | 整数 | 游戏ID，标识每一局游戏 | |
| | Trial | 整数 | 玩家完成该局游戏所需的尝试次数（1-6次成功，>6次失败） | |
| | processed_text | 字符串 | 包含玩家每一次尝试的反馈序列，以空格分隔，如"🟩🟨⬜⬜⬜ 🟩🟩🟩🟩🟩" | |
| | target | 字符串 | 该局游戏的目标单词（5个字母） | |
|
|
| ### 1.3 数据示例 |
| ```csv |
| Username,Game,Trial,processed_text,target |
| player1,1,2,"🟩🟨⬜⬜⬜ 🟩🟩🟩🟩🟩",apple |
| player2,2,4,"⬜⬜⬜⬜⬜ 🟨🟨⬜⬜⬜ 🟩🟩🟨⬜⬜ 🟩🟩🟩🟩🟩",banana |
| ``` |
|
|
| ## 2. 预处理数据集（02_data_preprocessing/output/wordle_preprocessed.csv） |
| |
| ### 2.1 数据集基本信息 |
| - **生成脚本**：`wordle_lstm_project/02_data_preprocessing/data_preprocessing.py` |
| - **数据格式**：CSV格式 |
| - **数据处理流程**： |
| 1. 加载原始数据 |
| 2. 保留必要字段并删除空值 |
| 3. 解析反馈序列文本 |
| 4. 将反馈符号编码为数字（🟩→2, 🟨→1, ⬜→0） |
| 5. 填充或截断反馈序列至固定长度7 |
| 6. 转换为numpy友好格式 |
| 7. 按玩家和时间排序 |
|
|
| ### 2.2 字段描述 |
| | 字段名 | 数据类型 | 描述 | |
| |-------|---------|------| |
| | Username | 字符串 | 玩家唯一标识符 | |
| | Game | 整数 | 游戏ID | |
| | Trial | 整数 | 玩家完成该局游戏所需的尝试次数 | |
| | processed_text | 列表 | 解析后的反馈序列列表，每个元素为5个反馈符号的字符串 | |
| | target | 字符串 | 目标单词 | |
| | feedback_sequence | 列表 | 编码并填充后的反馈序列，形状为(7,5)，每个元素为0-2的整数 | |
|
|
| ### 2.3 数据编码说明 |
| - **反馈符号编码**：🟩（正确位置）→2, 🟨（存在但位置错误）→1, ⬜（不存在）→0 |
| - **序列长度**：固定为7，不足则用全0填充，超过则截断 |
| - **序列形状**：每个序列包含7个尝试，每个尝试包含5个字母的反馈结果 |
|
|
| ## 3. 特征工程数据集（03_feature_engineering/output/wordle_with_player_features.csv） |
| |
| ### 3.1 数据集基本信息 |
| - **生成脚本**：`wordle_lstm_project/03_feature_engineering/player_statistics.py` |
| - **数据格式**：CSV格式 |
| - **数据处理流程**： |
| 1. 加载预处理数据 |
| 2. 计算成功指标 |
| 3. 为每个玩家计算历史统计特征 |
| 4. 计算最近N场游戏的滚动统计特征 |
| 5. 计算反馈序列的熵 |
| 6. 分配玩家活跃度等级 |
| 7. 计算目标单词的难度特征 |
|
|
| ### 3.2 字段描述 |
|
|
| #### 3.2.1 基础字段 |
| | 字段名 | 数据类型 | 描述 | |
| |-------|---------|------| |
| | Username | 字符串 | 玩家唯一标识符 | |
| | Game | 整数 | 游戏ID | |
| | Trial | 整数 | 玩家完成该局游戏所需的尝试次数 | |
| | processed_text | 列表 | 解析后的反馈序列列表 | |
| | target | 字符串 | 目标单词 | |
| | feedback_sequence | 列表 | 编码并填充后的反馈序列 | |
| | is_success | 整数 | 是否成功完成游戏（0=失败，1=成功） | |
| |
| #### 3.2.2 玩家历史特征 |
| | 字段名 | 数据类型 | 描述 | |
| |-------|---------|------| |
| | hist_game_count | 整数 | 玩家历史游戏次数（截至当前局前） | |
| | hist_avg_trial | 浮点数 | 玩家历史平均尝试次数（截至当前局前） | |
| | hist_success_rate | 浮点数 | 玩家历史成功率（截至当前局前） | |
| | recent_avg_trial | 浮点数 | 最近5场游戏的平均尝试次数（截至当前局前） | |
| | recent_success_rate | 浮点数 | 最近5场游戏的成功率（截至当前局前） | |
| | recent_stability | 浮点数 | 最近5场游戏尝试次数的标准差，衡量稳定性 | |
| | activity_level | 字符串 | 玩家活跃度等级（newbie/casual/active/veteran/master） | |
| |
| #### 3.2.3 反馈序列特征 |
| | 字段名 | 数据类型 | 描述 | |
| |-------|---------|------| |
| | feedback_entropy | 浮点数 | 反馈序列的熵值，衡量反馈的不确定性 | |
|
|
| #### 3.2.4 目标单词难度特征 |
| | 字段名 | 数据类型 | 描述 | |
| |-------|---------|------| |
| | word_length | 整数 | 单词长度（固定为5） | |
| | num_vowels | 整数 | 元音字母数量 | |
| | num_consonants | 整数 | 辅音字母数量 | |
| | avg_letter_frequency | 浮点数 | 平均字母频率，基于英文字母频率表 | |
| | num_unique_letters | 整数 | 唯一字母数量 | |
| | has_repeated_letters | 整数 | 是否有重复字母（0=无，1=有） | |
| | total_letter_frequency | 浮点数 | 总字母频率，衡量单词的常见程度 | |
| |
| ### 3.3 活跃度等级划分 |
| | 等级 | 游戏次数范围 | 描述 | |
| |------|------------|------| |
| | newbie | ≤5 | 新玩家 | |
| | casual | 6-20 | 休闲玩家 | |
| | active | 21-50 | 活跃玩家 | |
| | veteran | 51-100 | 资深玩家 | |
| | master | >100 | 大师玩家 | |
| |
| ### 3.4 单词难度计算说明 |
| - 基于字母频率、元音/辅音比例、唯一性等多个维度计算 |
| - 字母频率基于标准英文文本统计 |
| - 总频率越高，单词越常见，难度越低 |
| - 唯一字母数量越多，通常难度越高 |
| |
| ## 4. 数据关系 |
| |
| ``` |
| 原始数据集 → 预处理数据集 → 特征工程数据集 |
| ↓ ↓ ↓ |
| wordle_games.csv → wordle_preprocessed.csv → wordle_with_player_features.csv |
| ``` |
| |
| ## 5. 数据用途 |
| |
| 1. **原始数据集**：用于初始数据分析和理解玩家行为模式 |
| 2. **预处理数据集**：用于模型训练的基础数据，包含编码后的反馈序列 |
| 3. **特征工程数据集**：用于深度模型训练，包含丰富的玩家特征和单词难度特征 |
| |
| ## 6. 数据质量 |
| |
| - 所有数据集均经过清洗，删除了空值 |
| - 反馈序列已标准化为固定长度 |
| - 特征计算采用了防止数据泄漏的方法（如使用shift(1)避免未来信息） |
| - 玩家特征基于历史数据计算，确保了模型训练的有效性 |
| |
| ## 7. 数据格式说明 |
| |
| 所有数据集均为CSV格式，支持直接用Pandas等工具读取和处理。对于包含列表类型的字段，读取时需要使用适当的解析方法（如ast.literal_eval）。 |
| |
| ## 8. 后续处理 |
| |
| 特征工程数据集将进一步用于： |
| 1. 构建模型训练所需的序列数据和特征数据 |
| 2. 训练LSTM、BiLSTM、LSTM-Attention和Transformer等模型 |
| 3. 预测玩家完成游戏的尝试次数和成功率 |
| 4. 分析模型注意力机制和性能表现 |
| |
| ## 引用信息 |
| |
| 如果你在研究中使用了这个数据集，请引用： |
| |
| ```bibtex |
| @dataset{wordle_prediction_2024, |
| title = {Wordle Game Prediction Dataset}, |
| author = {Your Name}, |
| year = {2024}, |
| publisher = {Hugging Face}, |
| url = {https://huggingface.co/datasets/your-username/dataset-name} |
| } |
| ``` |
| |
| ## 许可证 |
| |
| 本数据集基于 Apache 2.0 许可证发布。 |
| |
