知乎回答：NBA攻防一体的得分后卫

用户7010445

发布于 2020-03-03 14:58:54

6340

发布于 2020-03-03 14:58:54

文章被收录于专栏：小明的数据分析笔记本小明的数据分析笔记本

在知乎看到的问题，来回答一下

首先我们定义一下什么是攻防一体，在前面的回答中有答主采用的标准是——全明星球员并且入选最佳防守阵容。本篇文章采用的标准是：

每36分钟得分（Points）、盖帽（Blocks）、抢断（Steals）均排在所有得分后卫球员的前50%
进攻赢球贡献值（Offensive Win Shares）和防守赢球贡献值（Defensive Win Shares）也得排在所有得分后卫的前50%。

接下来使用R语言的ballr包中的函数抓取2018赛季所有球员的统计数据

NBAPerGameAdvStatistics(season = 2018) 函数抓取2018赛季所有球员的高阶统计数据，这里我们用到的包括进攻赢球贡献值和防守赢球贡献值。
NBAPerGameStatisticsPer36Min(season = 2018) 函数抓取2018赛季所有球员的常规统计数据，这里我们用到的是每36分钟得分，盖帽，和抢断

代码

library(ballr)
help(package="ballr")
players1 <- NBAPerGameStatisticsPer36Min(season = 2018)
players2 <- NBAPerGameAdvStatistics(season = 2018)
dim(players1)
dim(players2)

可以看到2018赛季NBA总共有664名球员有统计数据。接下来把我们需要的数据整理到一个数据框里

which(players1$player != players2$player)
df<-data.frame(player=players1$player, tm=players1$tm,
               pos=players1$pos, blk=players1$blk,
               stl=players1$stl, ows=players2$ows,
               dws=players2$dws, pts=players1$pts)
table(df$pos)

    C    PF    PG PG-SG    SF SF-SG    SG 
  126   122   142     1   115     2   156

根据以上结果可以看出2018赛季总共有156名得分后卫有统计数据，还有3名球员会出现在2个不同的位置上，这三个人分别是（做这一步的时候发现一个问题：并不能根据数据有多少行就说有多少名球员，如果有的球员中间换队的话，会被统计两次）

> df%>%
+   filter(pos %in% c("SF-SG"))
            player  tm   pos blk stl ows dws  pts
1     Corey Brewer TOT SF-SG 0.4 2.4 0.7 1.6 11.3
2 Shabazz Muhammad TOT SF-SG 0.3 0.8 0.5 0.2 18.4
> df%>%
+   filter(pos %in% c("PG-SG"))
         player  tm   pos blk stl ows dws  pts
1 Isaiah Canaan TOT PG-SG 0.1 1.4 0.5 0.1 14.7

Corey Brewer

image.png

看名字没有认出来，但是看到图片上温暖的笑容就知道了是连长布鲁尔

Shabazz Muhammad

image.png

这个人也有印象，但是想不起来有什么鲜明的特征了

Isaiah Canaan

image.png

这个人脸熟

接下来根据我们开篇制定的标准进行筛选

> df1<-df%>%
+   filter(pos %in% c("SG"),
+          pts >= quantile(pts,probs=0.5),
+          stl >= quantile(stl,probs = 0.5),
+          blk >= quantile(blk,probs = 0.5),
+          ows >= quantile(ows, probs = 0.5),
+          dws >= quantile(dws, probs = 0.5))
> df1
          player  tm pos blk stl  ows dws  pts
1    Will Barton DEN  SG 0.7 1.1  4.4 1.8 17.0
2   James Harden HOU  SG 0.7 1.8 11.6 3.8 30.9
3   Jrue Holiday NOP  SG 0.8 1.5  4.2 2.9 18.9
4    Jeremy Lamb CHO  SG 0.6 1.1  3.0 1.9 18.9
5 Victor Oladipo IND  SG 0.8 2.5  4.3 4.0 24.5
6    Dwyane Wade CLE  SG 1.1 1.4  0.4 0.9 17.3

通过以上标准的有6个人，分别是

掘金队的巴顿

image.png

火箭队的哈登

image.png

鹈鹕队的霍乐迪

image.png

公牛队的这个人的名字我还真叫不上来

image.png

步行者队的奥拉迪波

image.png

骑士时期的韦德

image.png

韦德能够入选多少还是有点意外的

接下来对各个统计指标通过柱形图进行可视化展示

library(ggplot2)
ggplot(df1,aes(x=reorder(player,pts),y=pts))+
  geom_col(aes(fill=player))+
  geom_text(aes(label=pts),hjust=-0.5)+
  coord_flip()+ylim(0,35)+
  theme_bw()+labs(x="",y="Points Per 36 Minutes")+
  theme(legend.position = "none")

ggplot(df1,aes(x=reorder(player,stl),y=stl))+
  geom_col(aes(fill=player))+
  geom_text(aes(label=stl),hjust=-0.5)+
  coord_flip()+ylim(0,3)+
  theme_bw()+labs(x="",y="Steals")+
  theme(legend.position = "none")

ggplot(df1,aes(x=reorder(player,blk),y=blk))+
  geom_col(aes(fill=player))+
  geom_text(aes(label=blk),hjust=-0.5)+
  coord_flip()+ylim(0,1.5)+
  theme_bw()+labs(x="",y="Blocks")+
  theme(legend.position = "none")

ggplot(df1,aes(x=reorder(player,ows),y=ows))+
  geom_col(aes(fill=player))+
  geom_text(aes(label=ows),hjust=-0.5)+
  coord_flip()+ylim(0,12.5)+
  theme_bw()+labs(x="",y="Offensive Win Shares")+
  theme(legend.position = "none")

ggplot(df1,aes(x=reorder(player,dws),y=dws))+
  geom_col(aes(fill=player))+
  geom_text(aes(label=dws),hjust=-0.5)+
  coord_flip()+ylim(0,5)+
  theme_bw()+labs(x="",y="Densive Win Shares")+
  theme(legend.position = "none")

得分

image.png

哈登遥领先

抢断

image.png

奥拉迪波第一名

盖帽

image.png

韦德，得分后卫中的盖帽王

进攻赢球贡献值

image.png

哈登依旧遥遥领先

防守赢球贡献值

image.png

奥拉迪波第一名，哈登紧随其后。

综上所述，2018赛季的哈登攻防两端皆由出色的表现，带领火箭队在西部决赛中惜败当年的总冠军勇士队，MVP称号实至名归！

完整代码

library(ballr)
help(package="ballr")
players1 <- NBAPerGameStatisticsPer36Min(season = 2018)
players2 <- NBAPerGameAdvStatistics(season = 2018)
dim(players1)
dim(players2)
which(players1$player != players2$player)
df<-data.frame(player=players1$player, tm=players1$tm,
               pos=players1$pos, blk=players1$blk,
               stl=players1$stl, ows=players2$ows,
               dws=players2$dws, pts=players1$pts)
table(df$pos)
library(dplyr)
df%>%
  filter(pos %in% c("PG-SG"))
df%>%
  filter(pos %in% c("SF-SG"))

df1<-df%>%
  filter(pos %in% c("SG"),
         pts >= quantile(pts,probs=0.5),
         stl >= quantile(stl,probs = 0.5),
         blk >= quantile(blk,probs = 0.5),
         ows >= quantile(ows, probs = 0.5),
         dws >= quantile(dws, probs = 0.5))
df1
library(ggplot2)
ggplot(df1,aes(x=reorder(player,pts),y=pts))+
  geom_col(aes(fill=player))+
  geom_text(aes(label=pts),hjust=-0.5)+
  coord_flip()+ylim(0,35)+
  theme_bw()+labs(x="",y="Points Per 36 Minutes")+
  theme(legend.position = "none")

ggplot(df1,aes(x=reorder(player,stl),y=stl))+
  geom_col(aes(fill=player))+
  geom_text(aes(label=stl),hjust=-0.5)+
  coord_flip()+ylim(0,3)+
  theme_bw()+labs(x="",y="Steals")+
  theme(legend.position = "none")

ggplot(df1,aes(x=reorder(player,blk),y=blk))+
  geom_col(aes(fill=player))+
  geom_text(aes(label=blk),hjust=-0.5)+
  coord_flip()+ylim(0,1.5)+
  theme_bw()+labs(x="",y="Blocks")+
  theme(legend.position = "none")

ggplot(df1,aes(x=reorder(player,ows),y=ows))+
  geom_col(aes(fill=player))+
  geom_text(aes(label=ows),hjust=-0.5)+
  coord_flip()+ylim(0,12.5)+
  theme_bw()+labs(x="",y="Offensive Win Shares")+
  theme(legend.position = "none")

ggplot(df1,aes(x=reorder(player,dws),y=dws))+
  geom_col(aes(fill=player))+
  geom_text(aes(label=dws),hjust=-0.5)+
  coord_flip()+ylim(0,5)+
  theme_bw()+labs(x="",y="Densive Win Shares")+
  theme(legend.position = "none")

本文参与腾讯云自媒体分享计划，分享自微信公众号。

原始发表：2019-11-10，如有侵权请联系 cloudcommunity@tencent.com 删除

爬虫

本文分享自小明的数据分析笔记本微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体分享计划，欢迎热爱写作的你一起参与！

爬虫

登录后参与评论

0 条评论

热度