README.md

---
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。