NBA球星都喜欢在哪个位置出手？看见科比的统计图我惊呆了

IT阅读排行榜

发布于 2019-07-17 15:05:19

9520

发布于 2019-07-17 15:05:19

导读：NBA 2018-19 赛季已经落下帷幕，猛龙击败勇士，成为新科冠军球队。近日各队纷纷发布2019-20季前赛赛程，迎接新赛季。

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。

作者：Crossin先生

来源：Crossin的编程教室（ID：crossincode）

01 视频版本

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）

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！

原图、更多球员生成的结果及完整代码，见以下网址：

NBA出手点统计代码：

https://gitee.com/crossin/snippet/tree/master/nba-fpa

几十位球星生成图：

https://pan.baidu.com/s/1JxMsICm_-_uTMLIgN2Sznw

提取码: jbpw

02 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：

1. 哈登

魔球得很明显了，长两分这种低效率的事绝对不干

2. 西蒙斯

古典中锋

3. 德拉赞

中投小王子

4. 字母哥

篮下都给你扣糊了！

5. 库里

这个得放全场……

6. 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。

03 获取数据

NBA 有一个官方统计网站：stats.nba.com，上面有各种数据，可以说是一个宝藏了。

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 - stats.nba.com API for python

https://github.com/seemethere/nba_py/

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：

https://stats.nba.com/stats/shotchartdetail?CFID=33&CFPARAMS=2018-19&ContextFilter=&ContextMeasure=FGA&DateFrom=&DateTo=&GameID=&GameSegment=&LastNGames=0&LeagueID=00&Location=&MeasureType=Base&Month=0&OpponentTeamID=0&Outcome=&PaceAdjust=N&PerMode=PerGame&Period=0&PlayerID=201935&PlusMinus=N&Position=&Rank=N&RookieYear=&Season=2018-19&SeasonSegment=&SeasonType=Regular+Season&TeamID=0&VsConference=&VsDivision=&mode=Advanced&showDetails=0&showShots=1&showZones=0&PlayerPosition=

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 202391。

https://stats.nba.com/player/202391/

链接中的两处 2018-19 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=)

04 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'][]['headers']
# 获取投球的相关数据
shots = data['resultSets'][]['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。

05 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']==]
miss = shot_df[shot_df['SHOT_MADE_FLAG']==]
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。

06 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）

07 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：

https://stats.nba.com/media/players/230x185/202391.png 或者 https://ak-static.cms.nba.com/wp-content/uploads/headshots/nba/latest/260x190/202391.png

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("http://stats.nba.com/media/players/230x185/202391.png")
# imread 读取的图像可以被 matplotlib 绘制
head_pic = plt.imread(pic[])
# 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((,))
# 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：