python数据分析代码在哪里找到_[Python数据分析]NBA的球星们喜欢在哪个位置出手...

前言

1. 这篇数据分析案例，我做了个 视频版本 ，对代码做了解读，讲了运行的注意事项和一些有的没的，供需。对于视频制作还不是很有经验，多包涵。(视频里有彩蛋)

2. 本文在案例的代码写完后，我把它发在了 虎扑 上。结果，被推荐上了首页， 25万多次浏览，近800回复 ……感谢各位JRs赏脸！

3. 获取原图、更多球员生成的结果及完整代码，请在公众号“ Crossin的编程教室 ”内回复关键字： nba

--------------------

NBA -19 赛季已经落下帷幕，猛龙击败勇士，成为新科冠军球队。

我想，不如来做个 NBA 相关的数据分析 案例好了。实际上，数据分析团队对于现在的 NBA 球队已经算是标配了，无论是在球员选择还是战术制定上都起着重要的作用。当下整个联盟越来越盛行的“ 魔球化 ”打法，其实也正是基于数据分析的产物。

于是，我们就借助 官方数据 和 Python 的绘图函数 ，来看一看 不同的球员都是在什么位置出手投篮的 。

0. 效果展示

照例先看结果，每个点是一次投篮， 蓝色点是投中，红色点是未中 。挑几个有特点的：

哈登 ，魔球得很明显了，长两分这种低效率的事绝对不干

西蒙斯 ，古典中锋

德拉赞 ，中投小王子

字母哥 ，篮下都给你扣糊了！

库里 ，这个得放全场……

科比 ，生涯累计图，全方位无死角，包括篮板后负角度

下面来看具体步骤，我们以刚刚获得本赛季冠军戒指的林书豪作为例子。

1. 获取数据

NBA 有一个官方统计网站：

从网页上，我没有找到这次所需的数据。但通过一番搜索，我找到了网站的开放接口 API。相关的接口和文档你可以从这个项目里查看：

nba_py - API for python

通过以下接口，我们可以获取某个球员在指定赛季的投篮详细数据：

其中参数 PlayerID 是查询球员的 ID，这个 ID 可以通过在网页上搜索球员姓名，从对应的 URL 中获取。比如林书豪就是 91

链接中的两处 -19 是赛季参数，你可以改成其他赛季，不过我试过不能太早，大约 96 年往前就没数据了，而且早期数据精度要差些。

其他参数可以不用管。

用 requests 库可轻松获取结果(需加上 headers)：

response = requests.get(url, headers=headers, timeout=5)

2. 解析数据

返回的数据是 JSON 格式，用 pandas 转成 DataFrame 格式，方便后续处理：

data = response.json()

# 获取列名即每项投球数据的意思

headers = data['resultSets'][0]['headers']

# 获取投球的相关数据

shots = data['resultSets'][0]['rowSet']

# 转 DataFrame

shot_df = pd.DataFrame(shots, columns=headers)

我们关心的数据就是 LOC_X 、 LOC_Y (出手位置)和 SHOT_MADE_FLAG (是否投中)这三列。

3. 绘制投篮点

使用 matplotlib 库的散点图绘制 scatter 方法就可以把投篮点画出来，这个我们之前的各种案例里也用过不少次了：

made = shot_df[shot_df['SHOT_MADE_FLAG']==1]

miss = shot_df[shot_df['SHOT_MADE_FLAG']==0]

plt.scatter(miss.LOC_X, miss.LOC_Y, color='r', marker='.', alpha=0.3)

plt.scatter(made.LOC_X, made.LOC_Y, color='b', marker='.', alpha=0.3)

我们通过参数设定点的大小和透明度，让显示更清楚。

4. 绘制球场

投篮点画出来了，不过只是这样不够直观。我们再来加个球场的图。

这个是通过 matplotlib 里的 Circle 、 Rectangle 、 Arc 等方法拼出来的，没啥特别的技术，但代码比较繁琐，这边就不贴了。(只要你愿意，甚至可以用它画出小猪佩奇)

5. 添加头像

最后，再给数据图加上一个头像，让它看起来更完整。头像地址：

或者

文件名依然是球员的 ID，但这个地址并不是对所有球员有效，可做下异常处理。

pic = urllib.request.urlretrieve("/media/players/230x185/91.png")

# imread 读取的图像可以被 matplotlib 绘制

head_pic = plt.imread(pic[0])

# 将球员图片放置于右上角，并设置缩小等级以配合整个图片

img = OffsetImage(head_pic, zoom=0.6)

# (x, y) 控制将球员放在你想要放的位置

img.set_offset((540,640))

# 添加球员图片

fig.gca().add_artist(img)

如果在你的电脑上位置不对，记得修改下 offset 的值(不同系统，甚至不同编译器都可能存在差异)。

最终效果：

获取原图、更多球员生成的结果及完整代码，请在公众号“ Crossin的编程教室 ”内回复关键字： nba