File size: 3,955 Bytes
9556f4e
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
---
license: unknown
---
# 데이터셋 요약 (Quoridor AI Training Dataset)

이 데이터셋은 강화 학습 기반 Quoridor AI 훈련을 위한 Self-Play 게임 기록으로 구성되어 있습니다. <br>
각 샘플은 게임 중 하나의 상태(state), 해당 상태에서의 정책(policy), 그리고 그 상태의 가치(value)를 포함합니다.

---

## 컬럼 설명

| 컬럼 이름    | 설명                                              | 데이터 타입                    |
|-------------|--------------------------------------------------|------------------------------|
| `state`     | 게임 상태를 나타내는 3차원 배열                      | `list[list[list[int]]]`     |
| `policies`  | 각 행동에 대한 확률 분포 (정책), 총합은 1             | `list[float]`               |
| `value`     | 해당 상태의 승리 가치: 승리 `1`, 패배 `-1`, 무승부 `0` | `int` (`1`, `-1`, `0`)      |

---

## 게임 진행 및 라벨링 기준

- **승리한 에이전트**의 모든 `state` 샘플에는 `value = 1`
- **패배한 에이전트**의 모든 `state` 샘플에는 `value = -1`
- **무승부**로 간주된 게임의 모든 `state` 샘플에는 `value = 0`
<br/>
(무승부 기준 : 100 Turn이 넘어도 승리한 에이전트가 존재하지 않을 때)

---

## 정책(`policies`)

- 고정된 행동 수에 따른 확률 분포
  - **quoridor-mini**: 44개 행동
  - **quoridor**: 140개 행동
- 각 값은 해당 행동이 선택될 확률이며, **총합은 항상 1**

> 예시: `[0.0, 0.0, 0.6, 0.0, 0.3, 0.0, 0.1, ...]`  
> → 세 번째, 다섯 번째, 일곱 번째 행동에 대해 확률 분포가 주어짐.

---

## 행동 인덱스 규칙 (일부 예시)

| 행동 방향 | 인덱스 번호 |
|-----------|-------------|
| ↑ up      | `0`         |
| → right   | `2`         |
| ↓ down    | `4`         |
| ← left    | `6`         |
| ...       | 기타 벽 설치 및 특수 행동 등 |

## 분석 코드 예시

```python
from pathlib import Path
import pickle
import pandas as pd
import numpy as np


history_file = Path('./20240502082822-10K.history')

# history 파일 불러오기
with open(history_file, 'rb') as f:
    history_data = pickle.load(f)

# 데이터 프레임 생성
df = pd.DataFrame(history_data, columns = ['state','policies','value'])


'''
curr_player : 1
curr_wall : 3
oppo_player : 2
opppo_player : 4
'''
def convert_board(state):
    # quoridor size : 17
    # quoridor mini size : 9
    size = 17
    board = [[0 for _ in range(size)] for _ in range(size)]

    curr = np.array(state[0][0])
    curr = np.where(curr == 1)[0]

    currRow = (curr // size)[0]
    currCol = (curr % size)[0]
    board[currRow][currCol] = 1

    curr_Wall = np.array(state[0][1])
    curr_Wall = np.where(curr_Wall == 1)[0]
    for wall in curr_Wall:
        currRow = wall // size
        currCol = wall % size
        board[currRow][currCol] = 3

    oppo = np.array(state[1][0])
    oppo = np.where(oppo == 1)[0]

    oppoRow = (size - 1) - (oppo // size)[0]
    oppoCol = (size - 1) - (oppo % size)[0]
    board[oppoRow][oppoCol] = 2

    oppo_Wall = np.array(state[1][1])
    oppo_Wall = np.where(oppo_Wall == 1)[0]
    for wall in oppo_Wall:
        oppoRow = (size - 1) - wall // size
        oppoCol = (size - 1) - wall % size
        board[oppoRow][oppoCol] = 4

    return board

# n번째 행 가져오기
nth_row = 0

# state 표시
state = df.iloc[[nth_row],[0]] # DataFrame df의 n번째 행과 0번째 열에서 값을 선택
stateNP = state.to_numpy()[0][0] # DataFrame을 NumPy 배열로 변환
board = convert_board(stateNP)

# board 표시
board_np = np.array(board)
np.set_printoptions(linewidth=200)  # 줄바꿈 방지

policies = df.iloc[[nth_row],[1]].to_numpy()[0][0]
value = df.iloc[[nth_row],[2]].to_numpy()[0][0]

print('=== state ===')
print(board_np)
print('=== policies ===')
print(policies)
print('=== value ===')
print(value)

```