通过一段时间的研究，我基本整理出了原神抽卡的所有机制，详见原神抽卡全机制总结，采用的一些分析方法见分析抽卡机制的一些工具
角色活动祈愿及常驻祈愿五星概率表
模型五星综合概率为1.6052%，期望62.297抽，概率在第74抽开始上升。
角色活动祈愿及常驻祈愿四星概率表
模型四星综合概率为13.057%，期望7.6589抽，概率在第9抽开始上升。
表中≥11的值对应如当抽了9抽都没有四星，结果下一抽抽到了五星的情况。这种情况下只要下一抽必为四星及以上等级物品。
武器活动祈愿五星概率表
模型五星综合概率为1.8779%，期望53.250抽，概率在第63抽开始上升。
注意由于极难在74抽及以后抽到五星武器，没有足够的数据验证模型推测值。但也因为极难在此之后抽到，即使74抽以后的模型错了很多，对结果也几乎没有影响。
武器活动祈愿四星概率表
模型四星综合概率为14.841%，期望6.7380抽，概率在第8抽开始上升。
表中≥11的值对应如当抽了9抽都没有四星，结果下一抽抽到了五星的情况。这种情况下只要下一抽必为四星及以上等级物品。
更多图表见抽卡概率工具表
你可以使用抽卡记录导出工具导出抽卡记录的json文件，将json文件发送至[email protected]，我会在清除个人信息后将文件提交到此处。以下两种导出工具任选其一即可。
一种抽卡记录导出工具 from sunfkny 使用方法演示视频
另一种electron版的抽卡记录导出工具 from lvlvl
目前数据集中有208262条抽卡记录，相比当下抽卡记录导出网站(如paimon.moe,genshin-wishes)的数据量偏少，但是此前收集的数据已经帮助了对抽卡机制的解析，完成了其历史使命。借助此前收集到的数据分析得到的抽卡模型精度极佳，在更大的数据量下也经受住了检验。
你可以以个人身份自由的使用本项目数据用于抽卡机制研究，你可以自由的修改和发布我的分析代码（虽然我这代码还不如重新写一次）
在使用本数据集得出任何结论时，请自问过程是否严谨，结论是否可信。不应当发布显然不正确的抽卡模型或是不正确且会造成不良影响的模型，如造成不良影响，数据集整理者和提供数据的玩家不负任何责任。
dataset_02文件夹中文件从0001开始顺序编号
每个文件夹内包含一个账号的抽卡记录
- gacha100.csv 记录初行者推荐祈愿抽卡数据
- gacha200.csv 记录常驻祈愿抽卡数据
- gacha301.csv 记录角色活动祈愿数据
- gacha302.csv 记录武器活动祈愿数据
csv文件内数据记录格式如下
| 抽卡时间 | 名称 | 类别 | 星级 |
|---|---|---|---|
| YYYY-MM-DD HH:MM:SS | 物品全名 | 角色/武器 | 3/4/5 |
计算综合概率估计值时采用无偏估计量
使用物品出现总次数/每次最后一次抽到研究星级物品时的抽数作为估计量
请不要使用物品出现总次数/总抽数，这对于原神这样的抽卡有保底的情况下并不是官方公布综合概率的无偏估计，会使得估计概率偏低
举个例子，如果数据中所有账号都只在常驻祈愿中抽10次，那么大量数据下统计得到的五星频率应该是0.6%，而不是1.6%。统计五星时应取最后一次抽到五星物品时的抽数作为总抽数，同理也应这样应用于四星
对于每个账号，去除抽取到的前几个五星/四星
收集数据时要求抽卡数据提供者标明自己是否有刷过初始五星号等，意用于去除玩家行为带来的偏差
后来发现很多提供者并未标注，并且及时不刷初始号，一开始就抽到了五星的玩家更容易留下来继续游戏，造成偏差
而对于玩了一会已经有一定数量五星的玩家，能不能再抽到五星对其是否继续玩的影响变得更低了
因此可以去除每个账号抽到的前N个五星，N的个数可以据情况选取，可以获得偏差更低的数据
同理也可以应用于四星的统计
精细研究四星概率时略去总抽数过少的数据
总抽数过少时，很难出现已经抽了九次没四星，然后抽到第十次出了五星这类情况，会导致四星的出率偏高
使用抽数较多的数据可以更精细的研究四星的概率
谨慎处理武器池
武器池的数据量比较小，做任何判断时都应该谨慎。若草草下了结论，造成了严重的影响，下结论的人是有责任的。
DataAnalysis.py用于分析csv抽卡文件，这段代码还在重写中，会非常的难用，仅供参考，运行后会输出参考统计量并画出分布图，分布图中理论值是我根据实际数据、部分游戏文件推理建立的概率增长模型。
dp_calculator文件夹下有使用动态规划算法对具体的i抽内抽到k个五星的概率计算，但不建议使用。推荐使用GGanalysis工具包中更丰富准确、易于使用的功能。
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent