python 科比投篮数据可视化及简单分析 |
您所在的位置：网站首页 › 节数的划分 › python 科比投篮数据可视化及简单分析 |
python 科比投篮数据可视化及简单分析
|
数据来源：https://www.kaggle.com/c/kobe-bryant-shot-selection/data 参考:https://blog.csdn.net/qq_41888542/article/details/80390900 1.导包 import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from pylab import mpl2.读取文件 #设置字体 mpl.rcParams['font.sans-serif'] = ['SimHei'] #读取csv文件 data=pd.read_csv("data.csv") #输出前5条数据 print(data.head())#将shot_made_flag为空的数据清除new_data = data[data['shot_made_flag'].notnull()]
可以看到 文件中的数据是 [5 rows x 25 columns] action_type 进攻方式（更具体）combined_shot_type 进攻方式game_event_id 比赛时间idgame_id 比赛IDlat 投篮点loc_x 投篮点loc_y 投篮点lon 投篮点minutes_remaining 单节剩余时间（分钟）period 表示第几节playoffs 是否是季后赛season 赛季seconds_remaining 剩余时间（秒）shot_distance 投篮距离shot_made_flag 是否进球shot_type 两分球或三分球shot_zone_area 投篮区域shot_zone_basic 投篮区域（更具体）shot_zone_range 投篮范围team_id 球队IDteam_name 球队名称game_date 比赛日期matchup 比赛双方opponent 对手shot_id 投篮ID 3.数据可视化 先来看一看科比的投篮位置，可以很明显的看到3分线 plt.figure(figsize=(10,20)) jumpshot = new_data[new_data['combined_shot_type']=='Jump Shot'] layup = new_data[new_data['combined_shot_type']=='Layup'] dunk = new_data[new_data['combined_shot_type']=='Dunk'] tipshot = new_data[new_data['combined_shot_type']=='Tip Shot'] hookshot = new_data[new_data['combined_shot_type']=='Hook Shot'] bankshot = new_data[new_data['combined_shot_type']=='Bank Shot'] plt.scatter(jumpshot.loc_x, jumpshot.loc_y, color='grey') plt.scatter(layup.loc_x, layup.loc_y, color='red') plt.scatter(dunk.loc_x, dunk.loc_y, color='yellow' ) plt.scatter(tipshot.loc_x, tipshot.loc_y, color='green') plt.scatter(hookshot.loc_x, hookshot.loc_y, color='black') plt.scatter(bankshot.loc_x, bankshot.loc_y, color='blue') label=['跳投','上篮','扣篮','补篮','勾手','擦板'] plt.legend(label,loc=7) plt.title('投篮位置')
再来看看科比的出手方式的次数，很明显跳投最多 attack_method = new_data['combined_shot_type'].value_counts() a = np.array([1,2,3,4,5,6]) plt.bar(a,attack_method,align = 'center') plt.xlabel('进攻方式') plt.ylabel('进攻次数') plt.title('科比进攻方式') plt.grid(linestyle = '--',linewidth = 1) plt.ylim(0,20000) plt.xticks(a,('跳投','上篮','扣篮','补篮','勾手','擦板')) plt.show()
投篮命中率上，扣篮无疑是命中率最高的 shooting = new_data[new_data['shot_made_flag']==1]['combined_shot_type'].value_counts() list1 = attack_method.tolist() list2 = shooting.tolist() list3 = attack_method.tolist() for i in range(len(list1)): list3[i]=list2[i]/list1[i] hits_df=pd.Series(list3); a = np.array([1,2,3,4,5,6]) plt.bar(a,hits_df,align = 'center') plt.ylabel('命中率',fontsize=20) plt.title('科比各种投篮方式命中率',fontsize=20) plt.xticks(a,('跳投','上篮','扣篮','补篮','勾手','擦板'),fontsize=20) plt.show()
从投篮距离上看，科比大多数是在中距离出手 area = new_data['shot_zone_basic'].value_counts() b = np.array([0,1,2,3,4,5,6]) plt.barh(b,area,align ='center') plt.yticks(b,('中距离','进攻有理区','底线之外的三分','除进攻有理区外的禁区','右边底线三分','左边底线三分','后场')) plt.xlabel('投篮次数',fontsize=20) plt.title('科比在各区域投篮',fontsize=20) plt.tight_layout()# 紧凑显示图片，居中显示 plt.show()
科比在每一节的出手次数，其中第三节最多，第一节次之，因为5,6,7节都是加时赛，自然少很多 shot_number = new_data['period'].value_counts().sort_index() shot_hit = new_data[new_data['shot_made_flag']==1]['period'].value_counts().sort_index() plt.bar(shot_number.index,shot_number,align='center') plt.ylabel('出手次数',fontsize=20) plt.xlabel('节数',fontsize=20) plt.show()
每一节投篮命中率 可以看出科比的投篮命中率在第四节最低，可以见得体力对科比投篮命中率也是有些影响的 list1 = shot_number.tolist() list2 = shot_hit.tolist() for i in range(len(list1)): list2[i]=list2[i]/list1[i] shot_hit=pd.Series(list2) c = np.array([1,2,3,4,5,6,7]) plt.bar(c,shot_hit,align = 'center') plt.ylabel('命中率',fontsize=20) plt.title('节数',fontsize=20) plt.xticks(c) plt.show()
科比在13-14赛季仅出场6次，从下图可以清楚的看到 f, axarr = plt.subplots(8, figsize=(15, 25)) sns.countplot(x="combined_shot_type", hue="shot_made_flag", data=new_data, ax=axarr[0])sns.countplot(x="season", hue="shot_made_flag", data=new_data, ax=axarr[1])sns.countplot(x="period", hue="shot_made_flag", data=new_data, ax=axarr[2])sns.countplot(x="playoffs", hue="shot_made_flag", data=new_data, ax=axarr[3])sns.countplot(x="shot_type", hue="shot_made_flag", data=new_data, ax=axarr[4])sns.countplot(x="shot_zone_area", hue="shot_made_flag", data=new_data, ax=axarr[5])sns.countplot(x="shot_zone_basic", hue="shot_made_flag", data=new_data, ax=axarr[6])sns.countplot(x="shot_zone_range", hue="shot_made_flag", data=new_data, ax=axarr[7]) axarr[0].set_title('投篮方式',fontsize=20)axarr[1].set_title('生涯',fontsize=20)axarr[2].set_title('不同节数的投篮',fontsize=20)axarr[3].set_title('赛季',fontsize=20)axarr[4].set_title('投篮类型',fontsize=20)axarr[5].set_title('投篮区域',fontsize=20)axarr[6].set_title('距离划分投篮区域',fontsize=20)axarr[7].set_title('投篮距离',fontsize=20) plt.tight_layout()plt.show() 0.0为投丢 1.0为投中
|
【本文地址】