import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns #%matplotlib inline ##魔法命令了解一下， 内嵌画图 是IPython的内置magic函数，那么在Pycharm中是不会支持的。 #载入数据： data=pd.read_csv('D:/pycharm_ngs_programs/data_analysis/nba_2017_nba_players_with_salary.csv') print(data.head(5)) ## 描述统计 print(data.shape) print(data.describe())
输出结果如下：
Unnamed: 0 Rk PLAYER POSITION AGE MP FG FGA FG% 0 0 1 Russell Westbrook PG 28 34.6 10.2 24.0 0.425 1 1 2 James Harden PG 27 36.4 8.3 18.9 0.440 2 2 3 Isaiah Thomas PG 27 33.8 9.0 19.4 0.463 3 3 4 Anthony Davis C 23 36.1 10.3 20.3 0.505 4 4 6 DeMarcus Cousins C 26 34.2 9.0 19.9 0.452 3P ... GP MPG ORPM DRPM RPM WINS_RPM PIE PACE 0 2.5 ... 81 34.6 6.74 -0.47 6.27 17.34 23.0 102.31 1 3.2 ... 81 36.4 6.38 -1.57 4.81 15.54 19.0 102.98 2 3.2 ... 76 33.8 5.72 -3.89 1.83 8.19 16.1 99.84 3 0.5 ... 75 36.1 0.45 3.90 4.35 12.81 19.2 100.19 4 1.8 ... 72 34.2 3.56 0.64 4.20 11.26 17.8 97.11 W SALARY_MILLIONS 0 46 26.50 1 54 26.50 2 51 6.59 3 31 22.12 4 30 16.96 [5 rows x 39 columns] Unnamed: 0 Rk AGE MP FG FGA count 342.000000 342.000000 342.000000 342.000000 342.000000 342.000000 mean 170.500000 217.269006 26.444444 21.572515 3.483626 7.725439 std 98.871128 136.403138 4.295686 8.804018 2.200872 4.646933 min 0.000000 1.000000 19.000000 2.200000 0.000000 0.800000 25% 85.250000 100.250000 23.000000 15.025000 1.800000 4.225000 50% 170.500000 205.500000 26.000000 21.650000 3.000000 6.700000 75% 255.750000 327.750000 29.000000 29.075000 4.700000 10.400000 max 341.000000 482.000000 40.000000 37.800000 10.300000 24.000000 FG% 3P 3PA 3P% ... count 342.000000 342.000000 342.000000 320.000000 ... mean 0.446096 0.865789 2.440058 0.307016 ... std 0.078992 0.780010 2.021716 0.134691 ... min 0.000000 0.000000 0.000000 0.000000 ... 25% 0.402250 0.200000 0.800000 0.280250 ... 50% 0.442000 0.700000 2.200000 0.340500 ... 75% 0.481000 1.400000 3.600000 0.373500 ... max 0.750000 4.100000 10.000000 1.000000 ... GP MPG ORPM DRPM RPM WINS_RPM count 342.000000 342.000000 342.000000 342.000000 342.000000 342.000000 mean 58.198830 21.572807 -0.676023 -0.005789 -0.681813 2.861725 std 22.282015 8.804121 2.063237 1.614293 2.522014 3.880914 min 2.000000 2.200000 -4.430000 -3.920000 -6.600000 -2.320000 25% 43.500000 15.025000 -2.147500 -1.222500 -2.422500 0.102500 50% 66.000000 21.650000 -0.990000 -0.130000 -1.170000 1.410000 75% 76.000000 29.075000 0.257500 1.067500 0.865000 4.487500 max 82.000000 37.800000 7.270000 6.020000 8.420000 20.430000 PIE PACE W SALARY_MILLIONS count 342.000000 342.000000 342.000000 342.000000 mean 9.186842 98.341053 28.950292 7.294006 std 3.585475 2.870091 14.603876 6.516326 min -1.600000 87.460000 0.000000 0.030000 25% 7.100000 96.850000 19.000000 2.185000 50% 8.700000 98.205000 29.000000 4.920000 75% 10.900000 100.060000 39.000000 11.110000 max 23.000000 109.870000 66.000000 30.960000 [8 rows x 36 columns]
从数据中看几项比较重要的信息：
-
球员平均年龄为26.4岁，年龄段在19-38岁；
-
球员平均年薪为730万美金，当时最大的合同为年薪3000万美金；
-
球员平均出场时间为21.5分钟，某球员场均出场37.8分钟领跑联盟，当然也有只出场2.2分钟的角色球员，机会来之不易。
-
类似的信息我们还能总结很多。
效率值相关性分析
在众多的数据中，有一项名为“RPM”，标识球员的效率值，该数据反映球员在场时对球队比赛获胜的贡献大小，最能反映球员的综合实力。
我们来看一下它与其他数据的相关性：
dat_cor=data.loc[:,['RPM','AGE','SALARY_MILLIONS','ORB','DRB','TRB','AST','STL','BLK','TOV','PF','POINTS','GP','MPG','ORPM','DRPM']] coor=dat_cor.corr() sns.heatmap(coor,square=True, linewidths=0.02, annot=False) #seaborn中的heatmap函数，是将多维度数值变量按数值大小进行交叉热图展示。
由相关性分析的heatmap图可以看出，RPM值与年龄的相关性最弱，与“进攻效率值”、“场均得分”、“场均抢断数”等比赛技术数据的相关性最强。
我在接下来的分析中将把RPM作为评价一个球员能力及状态的直观反应因素之一。
球员数据分析部分
此处练习了一下pandas基本的数据框相关操作，包括提取部分列、head()展示、排序等，简单通过几个维度的展示，笼统地看一下16-17赛季那些球员冲在联盟的最前头。
data.loc[:,['PLAYER','SALARY_MILLIONS','RPM','AGE','MPG']].sort_values(by='SALARY_MILLIONS',ascending=False).head(10) #效率值最高的10名运动员 data.loc[:,['PLAYER','RPM','SALARY_MILLIONS','AGE','MPG']].sort_values(by='RPM',ascending=False).head(10) #出场时间最高的10名运动员 data.loc[:,['PLAYER','RPM','SALARY_MILLIONS','AGE','MPG']].sort_values(by='MPG',ascending=False).head(10)
结果如下：
Seaborn常用的三个数据可视化方法
单变量：
distplot方法可以绘制直方图和连续密度估计，通过distplot方法seaborn使直方图和密度图的绘制更为简单,
我们先利用seaborn中的distplot绘图来分别看一下球员薪水、效率值、年龄这三个信息的分布情况，代码如下：
#单变量： #我们先利用seaborn中的distplot绘图来分别看一下球员薪水、效率值、年龄这三个信息的分布情况，上代码： #分布及核密度展示 sns.set_style('darkgrid') #设置seaborn的面板风格 plt.figure(figsize=(12,12)) plt.subplot(3,1,1) #拆分页面，多图展示 sns.distplot(data['SALARY_MILLIONS']) plt.xticks(np.linspace(0,40,9)) plt.ylabel(u'$Salary$',size=10) plt.subplot(3,1,2) sns.distplot(data['RPM']) plt.xticks(np.linspace(-10,10,9)) plt.ylabel(u'$RPM$',size=10) plt.subplot(3,1,3) sns.distplot(data['AGE']) plt.xticks(np.linspace(20,40,11)) plt.ylabel(u'$AGE$',size=10)
结果如下：
双变量：
dat1=data.loc[:,['RPM','SALARY_MILLIONS','AGE','POINTS']] sns.jointplot(dat1.SALARY_MILLIONS,dat1.AGE,kind='kde',size=8)
上图展示的是球员薪水与年龄的关系，采用不同的kind方式（等高线图/hex/散点等），我们可以整体感受一下年龄和薪水的集中特点，
大部分球员集中在22-25岁拿到5million以下的薪水，当然也有“年少成名”和“越老越妖”的情况。
多变量：
dat1=data.loc[:,['RPM','SALARY_MILLIONS','AGE','POINTS']] sns.pairplot(dat1) #相关性展示，斜对角为分布展示，可以直观地看变量是否具有现行关系
图展示的是球员薪水、效率值、年龄及场均得分四个变量间的两两相关关系，对角线展示的是本身的分布图，由散点的趋势我们可以看出不同特征的相关程度。
整体看各维度的相关性都不是很强，正负值与薪水和场均得分呈较弱的正相关性，
而年龄这一属性和其他的变量相关性较弱
参考资料 pyhton 爱好者社区#https://mp.weixin.qq.com/s/gl_8Wxl_Oq7xvGUdsHR3Bg