kaggle案例重复：科比的投篮选择之一
kaggle案例重复：科比的投篮选择之一
以下内容为kaggle网站上的一个案例；原文地址 Kobe Bryant Shot Selection。主要内容是探索科比20年NBA生涯的数据，包括进攻方式，出手距离和出手区域，命中率等。
原文很长，准备分成几个部分来重复，今天是第一部分
读入数据、查看数据维度、删除缺失值等
shots<-read.csv("data.csv")
dim(shots)
[1] 30697 25可以看到原数据集总共包括25个变量，30697行数据 删除缺失值所在的行
shots<-na.omit(shots)
dim(shots)
[1] 25697 25删除缺失值后数据少了5000条。因为kaggle贴出的数据集目的为：是否可以根据科比20年职业生涯的出手数据来预测下一次投篮是否可以命中。所以在原数据集中删除了5000条shotmadeflags。这部分用来做测试集。（学英语学英语：Using 20 years of data on Kobe's swishes and misses, can you predict which shots will find the bottom of the net?）。这句话中的两个生词：swishesandmisses; find the bottom of the net。
加载本次分析所需要的R包
library(ggplot2)
library(tidyverse)
library(gridExtra)ggplot2用来作图 tidyverse用来整合数据 gridExtra用来拼图(ggplot2出图拼接有一个专门的R包ggpubr，很好用)
数据可视化
散点图看一下科比的投篮方式（shot type）
首先看一下数据集中的combinedshottype变量中都包括哪些值
unique(shots$combined_shot_type)
[1] Jump Shot Dunk Layup Tip Shot Hook Shot Bank Shot
Levels: Bank Shot Dunk Hook Shot Jump Shot Layup Tip Shot投篮方式主要包括六种类型
Jump Shot | Dunk | Layup | Tip Shot | Hook Shot | Bank Shot |
|---|---|---|---|---|---|
跳投 | 扣篮 | 上篮 | 补篮 | 勾手 | 擦板 |
散点图可视化
ggplot()+
geom_point(data= shots %>% filter(combined_shot_type == "Jump Shot"),
aes(x=lon,y=lat),color="grey",alpha=0.3)+
geom_point(data = shots %>% filter(combined_shot_type != "Jump Shot"),
aes(x=lon,y=lat,color=combined_shot_type),alpha=0.8)+
labs(title="Shot type")+
ylim(c(33.7,34.0883))+theme_void()+
theme(legend.title = element_blank(),
plot.title = element_text(hjust=0.5))
可以看出绝大部分进攻都以跳投结束
散点图出手距离、柱形图每个距离范围出手次数
shotzonerange变量中包含的值
unique(shots$shot_zone_range)
[1] 8-16 ft. 16-24 ft. Less Than 8 ft. 24+ ft.
[5] Back Court Shot
Levels: 16-24 ft. 24+ ft. 8-16 ft. Back Court Shot Less Than 8 ft.feet 英尺；1英尺等于0.3048米 NBA三分线7.25米；23.9英尺
p1<-ggplot(data=shots,aes(x=lon,y=lat))+
geom_point(aes(color=shot_zone_range))+
labs(title="Shot zone range")+
ylim(c(33.7,34.0883))+
theme_void()+
theme(legend.position="none",
plot.title=element_text(hjust=0.5))
p2<-ggplot(shots,aes(x=fct_infreq(shot_zone_range)))+
geom_bar(aes(fill=shot_zone_range))+labs(y="Frequency")+
theme_bw()+
theme(axis.title.x=element_blank(),legend.position="none")
grid.arrange(p1,p2,layout_matrix=cbind(c(1,2)))
根据柱形图可以看出篮下和长两分是科比的主要进攻方式
这里遇到了一个新函数 fac_infreq()，之前没有接触过。作用是因子变量排序。小例子
f<-factor(c("b","b","a","c","c","c"))
f
[1] b b a c c c
Levels: a b c
fct_infreq(f)
[1] b b a c c c
Levels: c b a
fct_inorder(f)
[1] b b a c c c
Levels: b a c这里很神奇的是p1和p2的颜色可以对应上，暂时还搞不懂是什么原理。
出手区域散点图，柱形图
unique(shots$shot_zone_area)
[1] Left Side(L) Left Side Center(LC)
[3] Right Side Center(RC) Center(C)
[5] Right Side(R) Back Court(BC)
6 Levels: Back Court(BC) Center(C) ... Right Side(R)出手区域被分为六个部分
p3<-ggplot(shots,aes(x=lon,y=lat))+
geom_point(aes(colour=shot_zone_area))+
labs(title="Shot zone area")+
ylim(c(33.7,34.0883))+theme_void()+
theme(legend.position = "none",
plot.title=element_text(hjust=0.8))
p4<-ggplot(shots,aes(x=fct_infreq(shot_zone_area)))+
geom_bar(aes(fill=shot_zone_area))+
labs(y="Frequency")+theme_bw()+
theme(axis.text.x=element_text(size=7),
axis.title.x=element_blank(),
legend.position="none")
grid.arrange(p3,p4,layout_matrix=cbind(c(1,2)))
从上图可以看出右侧区域是科比比较喜欢的进攻区域
投篮区域根据另一个原则划分（散点图、柱形图）
unique(shots$shot_zone_basic)
[1] Mid-Range Restricted Area In The Paint (Non-RA)
[4] Above the Break 3 Right Corner 3 Backcourt
[7] Left Corner 3
7 Levels: Above the Break 3 Backcourt ... Right Corner 3Mid-Rnage Restricted Area 限制区 In the Paint（Non-RA） 限制区以外的油漆区 Above the Break 3 踩线三分？？？Right Corner 3 Left Corner 3 Backcourt后场
从上图可以看出中距离是科比的主要进攻方式