分析一把NBA季后赛
NBA激战正酣，首轮除掘金和马刺的较量还没有结束外，其余对决都已经结束，本文将手把手带你可视化分析下各球队的首轮表现，同时将对次轮最受瞩目的火勇大战进行一个简单的前瞻分析！
通过本文，你将学会python中使用matplotlib库绘制柱状图、散点图、雷达图的相关知识！咱们开始吧！
1、数据获取及准备
我们首先获取各球队季后赛首轮的数据，网址是：https://www.basketball-reference.com/playoffs/NBA_2019.html。首先选择Playoffs：
然后，下拉到球队技术统计这里，导出csv，如果无法直接倒出，可以复制到txt文件里面(我就是这么干的)：
然后，我们再把对手表现的数据导出，这样基础数据就准备好了：
好了，我们使用代码将数据进行读取，首先导入所需要的库：
import pandas as pdimport matplotlib.pyplot as pltimport numpy as np将数据使用pandas进行读取，看看数据如何：
team_stats_df = pd.read_csv('data/nba1.txt',sep=',')team_stats_df
同样，将对手表现的数据读入，但是这里列名需要修改一下：
team_opp_stats_df = pd.read_csv('data/nba2.txt',sep=',')team_opp_stats_df.columns = ['Rk','Team','G'] + ['opp' + x for x in team_opp_stats_df.columns[3:]]将两个表按照队名进行merge，这样oppPTS列，可以表示场均失分，这也是我们在对手表现数据里面主要关注的列：
mergedf = pd.merge(team_stats_df,team_opp_stats_df,on=['Team'])2、柱状图分析球队场均得失分
绘制柱状图，需要使用的是plt.bar方法，其主要输入的有两个参数，一个是x轴的值，一个是高度，比如，我们绘制一下各球队首轮平均得分的柱状图：
pts = np.array(mergedf[['PTS','oppPTS']].values.tolist())index = np.arange(pts.shape[0])plt.bar(index,pts[:,1])plt.show()结果如下：
上面的图还是有几个问题的，首先，我们不希望X显示的是数值，我们希望展示各个球队名称的缩写，同时刻度可以不从0开始，这样看上去区分度不是十分的明显。
针对第一个问题，我们需要首先按顺序得到各个球队名称的缩写：
team_name = ['DEN','SA','GSW','PHI','LAC','BKN','POR','HOU','TOR','OKC','UTA','MIL','ORL','BOS','DET','IND']随后，将x轴的刻度设置为相应的队名：
plt.xticks(index,team_name) # 设置x轴的刻度针对第二个问题，我们需要限定y轴的范围，使用ylim方法：
plt.ylim(80,140) # y轴的范围这样，我们得到了下面的图片：
上面这部分的完整代码如下：
team_name = ['DEN','SA','GSW','PHI','LAC','BKN','POR','HOU','TOR','OKC','UTA','MIL','ORL','BOS','DET','IND']plt.ylabel('Score') # 设置y轴的labelplt.xlabel('Team') # 设置x轴的labelplt.xticks(index,team_name) # 设置x轴的刻度plt.yticks(np.arange(80,141,10)) #y轴的刻度plt.ylim(80,140) # y轴的范围plt.bar(index,pts[:,0]) # 绘制直方图plt.rcParams['figure.figsize'] = (12.0, 6.0) # 修改图片大小plt.show()此时，我们可能想要将球队的得失分表示出来，代码如下：
fig, ax = plt.subplots()bar_width = 0.35opacity = 0.4
rects1 = ax.bar(index, pts[:,0], bar_width, alpha=opacity, color='b', label='OFFENSE')
rects2 = ax.bar(index + bar_width, pts[:,1], bar_width, alpha=opacity, color='r', label='DEFENSE')
ax.set_xlabel('Team')ax.set_ylabel('PTS')ax.set_xticks(index + bar_width / 2)ax.set_xticklabels(team_name)ax.set_yticks(np.arange(80,141,10)) #y轴的刻度ax.set_ylim(80,140) # y轴的范围ax.legend()
plt.show()绘制的结果如下：
3、散点图分析球队场均得失分
这一部分，我们使用散点图来分析球队场均得失分，使用plt.scatter函数，分别指定各个点的x和y值：
plt.scatter(pts[:,0], pts[:,1])plt.xlabel('Offense PTS') # 设置x轴的labelplt.ylabel('Defense PTS') # 设置y轴的labelplt.show()得到的效果如下：
简单的绘制散点图，什么都看不出来，此时，我们提出两个需求，首先，能不能将各个球队的简称放到各个点的旁边，这样我们就能清楚知道哪个点代表哪个球队。其次，能不能在图中添加两条直线，分别表示球队得分和失分的平均值？我们一个一个来解决。
首先，将球队标记加入到图中，我们使用plt.annotate函数，该函数需要传入三个参数，依次是注释文本内容，被注释的坐标点，注释文字的坐标位置：
plt.scatter(pts[:,0], pts[:,1])plt.xlabel('Offense PTS') # 设置x轴的labelplt.ylabel('Defense PTS') # 设置y轴的labelfor i in range(len(pts[:,0])): plt.annotate(team_name[i], xy = (pts[i,0], pts[i,1]), xytext = (pts[i,0]+0.1, pts[i,1]+0.1)) # 这里xy是需要标记plt.show()此时的效果就能满足我们的第一个需求：
对于第二个需求，我们使用plt.vlines和plt.hlines方法，对于plt.vlines方法，它是在图中绘制一条竖直线，因此需要指定x轴的坐标，同时需要指定y轴的起始坐标和结束坐标，对于plt.hlines方法，它是在图中绘制一条水平线，因此需要指定y轴的坐标，同时需要指定x轴的起始坐标和结束坐标：
offense_mean = np.mean(pts[:,0])defense_mean = np.mean(pts[:,1])print(offense_mean,defense_mean)plt.scatter(pts[:,0], pts[:,1])plt.vlines(np.mean(pts[:,0]), np.min(pts[:,1])-5,np.max(pts[:,1])+5,colors = "r", linestyles = "dashed")plt.hlines(np.mean(pts[:,1]), np.min(pts[:,0])-5,np.max(pts[:,0])+5,colors = "r", linestyles = "dashed")plt.ylim(np.min(pts[:,1])-5,np.max(pts[:,1])+5) # y轴的范围plt.xlim(np.min(pts[:,0])-5,np.max(pts[:,0])+5) # x轴的范围plt.xlabel('Offense PTS') # 设置x轴的labelplt.ylabel('Defense PTS') # 设置y轴的labelfor i in range(len(pts[:,0])): plt.annotate(team_name[i], xy = (pts[i,0], pts[i,1]), xytext = (pts[i,0]+0.1, pts[i,1]+0.1)) # 这里xy是需要标记plt.show()结果如下：
基于上面的散点图，我们就能很快将十六支球队分为四个象限。 1）第一象限：进攻好，防守差，包含的球队有金州勇士、费城76人、洛杉矶快船、布鲁克林篮网 2）第二象限：进攻差，防守差，包含的球队有底特律活塞、俄克拉荷马雷霆、圣安东尼奥马刺 3）第三象限：进攻差，防守好，包含的球队有休斯顿火箭、奥兰多魔术、印第安纳步行者、犹他爵士、多伦多猛龙、波士顿凯尔特人 4）第四象限：进攻好，防守好，包含的球队有密尔沃基雄鹿、波特兰开拓者、丹佛掘金
哈哈，是不是跟你想象的不太一样，比如火箭怎么能说是进攻差的球队呢！因为他们的对手爵士是全联盟常规赛防守第一的球队，这种因素我们是无法通过这种图分析出来的。也就是说，数据不能表明一切！
4、基于雷达图的火勇对决前瞻
勇士在今天的比赛中，凭借杜兰特的神奇表现，击败快船与火箭会师西部半决赛，这也是半决赛对决中最受人瞩目的。那么，我们通过雷达图来分析下两队在季后赛首轮的表现吧。这里要说明的是，我们的数据是在勇船第六场之前获取的，因此只有勇士五场的数据。
我们先来看看两队的基础数据，我们挑选了场均得分，场均失分、命中率、三分命中率、篮板、助攻、抢断、盖帽、失误等九项数据：
two_team_stats = mergedf[(mergedf['Team']=='Houston Rockets') | (mergedf['Team']=='Golden State Warriors')]hou_and_gsw_df = two_team_stats[['FG%','3P%','TRB','AST','STL','BLK','PTS','oppPTS','TOV']]print(hou_and_gsw_df)结果如下，其中2代表勇士，7代表火箭：
接下来，我们想通过雷达图来对比一下二者的这九项数据，matplotlib里面的雷达图貌似必须是统一刻度的，至少我目前还没有找到如何设置为不同刻度。因此，我们首先将二者的数据，用统一的标准，转换到0-1区间内：
hou_and_gsw_data[:,0] = hou_and_gsw_data[:,0] / 0.55hou_and_gsw_data[:,1] = hou_and_gsw_data[:,1] / 0.55hou_and_gsw_data[:,2] = hou_and_gsw_data[:,2] / 55hou_and_gsw_data[:,3] = hou_and_gsw_data[:,3] / 40hou_and_gsw_data[:,4] = hou_and_gsw_data[:,4] / 12hou_and_gsw_data[:,5] = hou_and_gsw_data[:,5] / 12hou_and_gsw_data[:,6] = hou_and_gsw_data[:,6] / 130hou_and_gsw_data[:,7] = hou_and_gsw_data[:,7] / 130hou_and_gsw_data[:,8] = hou_and_gsw_data[:,8] / 20绘制雷达图，使用的是极坐标系，因此，我们需要设置一下：
fig=plt.figure(figsize=(14,8))ax1=fig.add_subplot(1,1,1,polar=True) #设置第一个坐标轴为极坐标体系随后，我们获取勇士和火箭的数据，并取得对应的数据标签：
gsw=hou_and_gsw_data[0,:] #提取GSW的信息hou=hou_and_gsw_data[1,:] #提取HOU的信息label=np.array([j for j in hou_and_gsw_df.columns]) #提取标签随后，我们基于label的数量，对整圆进行切分，在切分的同时，我们需要加入切分后的第一个元素，以形成一个闭环：
angle = np.linspace(0, 2*np.pi, len(gsw), endpoint=False) #有几个label，就把整圆360°分成几份angles = np.concatenate((angle, [angle[0]])) #增加第一个angle到所有angle里，以实现闭合gsw = np.concatenate((gsw, [gsw[0]])) #增加gsw的第一项数据，以实现闭合hou = np.concatenate((hou, [hou[0]])) #增加hou的第一项数据，以实现闭合随后，便可以绘制我们的雷达图：
ax1.set_thetagrids(angles*180/np.pi, label, fontproperties="Microsoft Yahei") #设置网格标签ax1.plot(angles,gsw,"o-",label='GSW')ax1.plot(angles,hou,"o-",label='HOU')ax1.set_theta_zero_location('NW') #设置极坐标0°位置ax1.set_rlim(0,1) #设置显示的极径范围ax1.fill(angles,gsw,facecolor='g', alpha=0.2) #填充颜色ax1.set_title("HOU VS GSW",fontproperties="SimHei",fontsize=16) #设置标题plt.legend(loc = 'best')plt.show()结果如下：
从雷达图来看，火箭除了在抢断和失分上占据一定优势外，其他各项数据均落后于勇士。不过还是刚才的那句话，数据不能体现一切，希望火勇双方能给我们带来一场精彩绝伦的较量。