阿布云

你所需要的，不仅仅是一个好用的代理。

用Python强势分析伦纳德和詹姆斯的差距

发表于 2018-03-16

「DATA CHAT」是科赛网打造的品牌活动。拥有最强大脑、最独特视角的数据分析狂热者，将针对体育、影视、音乐、财经四大领域内最生活的话题，开展有趣又烧脑的数据分析探索之旅。

首期我们 从NBA话题切入 ，在官网发布了超全的NBA数据集(所有球员&球队的常规赛、季后赛，教练执教、球员各赛季薪金的数据），N位网友在线根据自己的兴趣，发布了数据分析项目，切入点很多样，也很有意思。如，王者荣耀 — NBA数据分析 [增加梅西评分模型] 、乔科詹库之全方位分析 ……

这里PO其中一份原创作品@大野人007 ，感兴趣的朋友也可直接登录kesci.com，Fork过来在K-Lab上开展个人分析。附：原贴链接。

说明：关于K-Lab。

K-Lab是科赛网重点打造的在线数据分析协作平台。 它涵盖了Python、R等主流语言，完成了90%以上数据分析&挖掘相关库的部署(如题主所提到的pandas, numpy, matplotlib)，免去了本地搭建环境的烦恼，实现了即刻线上动手做分析项目。

伦纳德和詹姆斯两人的差距体现在哪？

1）数据维度

球员基本信息（姓名/所属球队/球员年龄）
比赛信息（参赛球队/场地/比赛分差）
球员表现（比赛时间/得分效率/得分类型）

2）数据处理

!ls ../input/NBAdata/

# 导入必要的包.

# 导入必要的包.

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

import warnings

import numpy as np

import pylab

%matplotlib inline

warnings.filterwarnings('ignore')

读取球员场均数据

player_avg = pd.read_csv('avg.csv') player_avg.head()

展示要分析的数据

pd.set_option('display.max_columns',30)

player_avg[(player_avg['姓名'] == 'Kawhi Leonard') & (player_avg['赛季'] == '16--17')]

pd.set_option('display.max_columns',50)

L_1617_avg = player_avg[(player_avg['姓名'] == 'LeBron James') & (player_avg['赛季'] == '16--17')]

L_1617_avg

对比分析及数据可视化

class Radar(object):

n = 1

angles =None

def __init__(self, fig, titles, labels, rect=None):

if rect is None:

rect = [0.05, 0.05, 0.95, 0.95]

self.n = len(titles)

self.angles = np.arange(90, 90+360, 360.0/self.n)

self.axes = [fig.add_axes(rect, projection="polar", label="axes%d" % i)

for i in range(self.n)]

self.ax = self.axes[0]

self.ax.set_thetagrids(self.angles, labels=titles, fontsize=14)

for ax in self.axes[1:]:

ax.patch.set_visible(False)

ax.grid("off")

ax.xaxis.set_visible(False)

for ax, angle, label in zip(self.axes, self.angles, labels):

ax.set_rgrids(range(1, 6), angle=angle, labels=label)

ax.spines["polar"].set_visible(False)

ax.set_ylim(0, 5)

def angle(self, values, *args, **kw):

return np.deg2rad(np.r_[self.angles]),np.r_[values],values

def plot(self, values, *args, **kw):

angle = np.deg2rad(np.r_[self.angles, self.angles[0]])

values = np.r_[values, values[0]]

self.ax.plot(angle, values, *args, **kw)

titles_ = ['score','shoot','rebound','assist','three','penalty','steal','block']

titles = ['得分','投篮','篮板','助攻','三分','罚球','抢断','盖帽']

# titles = list("ABCDE")

我们发现：

赢

詹姆斯突破得分能力更强。 两人出手次数差不多,詹命中率高了5个百分点左右
詹姆斯的组织能力更强。 詹助攻数场均多5.2个
詹姆斯的篮板能力稍胜一筹。 相同出场次数,詹均多2.8个篮板球

输

伦纳德的投篮能力更好。 罚球能力一样,但詹命中率差了20个百分点
伦纳德抢断能力更加出色。 伦的场均抢断数要高0.5个

以上分析较宏观，不能反映事物的本质。下面从微观角度（每场比赛的数据）进行分析。

角度1：基于篮板球

# data_statistics函数主要是方便categoricl型的数据的统计显示，方便后续绘图使用

def data_statistics(Kawhi_season1617, Lebron_season1617, name):

Kawhi_season1617_ = pd.DataFrame(Kawhi_season1617.groupby(name)['球员'].count())

Kawhi_season1617_.columns = ['K_次数']

Kawhi_season1617_.reset_index(inplace=True)

Lebron_season1617_ = pd.DataFrame(Lebron_season1617.groupby(name)['球员'].count())

Lebron_season1617_.columns = ['L_次数']

Lebron_season1617_.reset_index(inplace=True)

data = pd.merge(Lebron_season1617_,Kawhi_season1617_,on = name , how ='outer')

data = data.fillna(0)

data = data.sort_values(name)

return data

用seaborn做柱状图可视化

rebounds['K_次数'] = rebounds['K_次数'] * -1

plt.figure(figsize=[16,6])

sns.barplot(x = '篮板', y = 'L_次数', data = rebounds, color='red')

sns.barplot(x = '篮板',y = 'K_次数', data = rebounds, color ='blue')

红色：詹姆斯，蓝色：伦纳德

可以看出：

詹姆斯的篮板球能力远超伦纳德。
詹姆斯在数据层面比伦纳德高个档次。

角度2：基于得分

score['K_次数'] = score['K_次数'] * -1

plt.figure(figsize=[16,6])

sns.barplot(x = '得分', y = 'L_次数', data = score, color='red')

sns.barplot(x = '得分',y = 'K_次数', data = score, color ='blue')

红色：詹姆斯，蓝色：伦纳德

用seaborn做violin图可视化

plt.figure(figsize= [12,5])

total = pd.concat([Kawhi_season1617,Lebron_season1617])

total['Is_Kawhi'] = 0

total.loc[total['球员'] == 'Kawhi Leonard','Is_Kawhi'] = 1

total['A'] = 0

sns.violinplot(x= 'A' , y = '得分', hue = 'Is_Kawhi', data = total, split=True)

绿色：伦纳德，蓝色：詹姆斯

可以看出：

詹姆斯的得分较稳，伦纳德的得分分布更广，但总体两人差异不大。因此将分数划为几档，再来看：

0 - 15分定为档1

15 - 19 定为档2

20 - 24 定为档3

25 - 29 定为档4

30 - 定为档5

红色：詹姆斯，蓝色：伦纳德

可以看出：

詹姆斯的得分更稳定，基本在25分附近。
伦纳德的得分分布范围更广，得分的爆发力更好。从档5来看，伦纳德更占优势，不过这也从侧面反映了一点外线投篮好的职业选手的优势。手感来了分分钟爆表，而手感差的话也会出现很多档1档2的情况。

角度3：基于投篮命中率

shoot = data_statistics(Kawhi_season1617, Lebron_season1617, '投篮')

shoot

# sns.distplot(Kawhi_season1617.groupby('得分')['球员'].count(),color='b')

# sns.distplot(Lebron_season1617.groupby('得分')['球员'].count(),color='r')

Kawhi_season1617.groupby('得分')['球员'].count().plot(figsize=(12,6),color='b',marker='*')

Lebron_season1617.groupby('得分')['球员'].count().plot(figsize=(12,6),color = 'r', marker='o')

红色：詹姆斯，蓝色：伦纳德

用柱状图进行对比分析

可以看出：

詹姆斯果然是老司机，稳！其高命中率的场次远高于伦纳德。

角度4：基于抢断和盖帽的分析

steal = data_statistics(Kawhi_season1617, Lebron_season1617, '抢断')

steal

steal['K_次数'] = steal['K_次数'] * -1

plt.figure(figsize=[16,6])

sns.barplot(x = '抢断', y = 'L_次数', data = steal, color='red')

sns.barplot(x = '抢断',y = 'K_次数', data = steal, color ='blue')

红色是詹姆斯,蓝色表示伦纳德

block = data_statistics(Kawhi_season1617, Lebron_season1617, '盖帽')

block

block['K_次数'] = block['K_次数'] * -1

plt.figure(figsize=[16,6])

sns.barplot(x = '盖帽', y = 'L_次数', data = block, color='red')

sns.barplot(x = '盖帽',y = 'K_次数', data = block, color ='blue')

红色是詹姆斯,蓝色表示伦纳德.

可以得到：

伦纳德几乎完爆了詹姆斯。
盖帽上,两人在常规赛平方秋色。

角度5：基于失误次数的分析

fault_num = data_statistics(Kawhi_season1617, Lebron_season1617, '失误')

fault_num

fault_num['K_次数'] = fault_num['K_次数'] * -1

plt.figure(figsize=[16,6])

sns.barplot(x = '失误', y = 'L_次数', data = fault_num, color='red')

sns.barplot(x = '失误',y = 'K_次数', data = fault_num, color ='blue')

红色是詹姆斯,蓝色表示伦纳德。

可以得到：

詹姆斯的失误偏高 ,这也不难理解,伦纳德在波波老爷子手下,失误两个就被换下,詹姆斯没有波波这种教练的限制,另外詹姆斯常常打控卫角色,所以从这一角度来看的话,詹姆斯失误率高也可以理解,不过仅从数据角度来看,不管是自己还是教练的帮忙,伦纳德胜出.

3）最终结论

詹姆斯赢伦纳德： 突破能力、组织能力、功能性的差距、稳定性的差距。

詹姆斯输伦纳德： 远投能力的差距。

新闻中心