用python分析NBA联盟球员信息，才知道这些秘密！

Python与Excel之交

发布于 2021-08-05 14:38:31

6901

发布于 2021-08-05 14:38:31

文章被收录于专栏：Python与Excel之交

图片来源：NBA中国官方网站

Hi~大家好！

NBA是由北美三十支队伍组成的男子职业篮球联盟，汇集了世界上最顶级的球员，是美国四大职业体育联盟之一。

本文爬取了NBA中国官方网站球员信息，进行数据可视化分析。后台回复“NBA”二字即可领取本文完整代码。

数据获取

网站数据存放在json格式的链接中，在往期文章中已详细讲解过如何获取，本文就不做赘述，以下给出完整代码：

# -*-codEing = utf-8 -*-
# @Time : 2021/1/28 13:56
# @Author : 公众号-职场办公杂技
# @File : NBA球员数据获取.PY
# @Software : PyCharm

import requests
import pandas as pd

df = pd.DataFrame()
response = requests.get('https://china.nba.com/static/data/league/playerlist.json').json()
for playerProfile in response['payload']['players']:
    displayName = playerProfile['playerProfile']['displayName']     # 中文名称
    displayNameEn = playerProfile['playerProfile']['displayNameEn']   # 英文名称
    displayAbbr = playerProfile['teamProfile']['displayAbbr']     # 球队
    position = playerProfile['playerProfile']['position']   # 位置
    height = playerProfile['playerProfile']['height']       # 身高
    weight = playerProfile['playerProfile']['weight']       # 体重
    experience = playerProfile['playerProfile']['experience']    # 经验
    country = playerProfile['playerProfile']['country']     # 国籍
    print(displayName, displayNameEn, displayAbbr, position, height, weight, experience, country, sep='  |  ')
    data = pd.DataFrame({'中文名称': [displayName], '英文名称': [displayNameEn], '球队': [displayAbbr], '位置': [position], '身高': [height], '体重': [weight], '经验': [experience], '国籍': [country]})
    df = pd.concat([df, data])
df.to_csv('NBA球员数据.csv', encoding='utf-8', index=False)

数据处理

导入 pandas 并数据读取数据：

import pandas as pd

df = pd.read_csv("D:/数据小刀/数据可视化/NBA球员数据.csv")
df.head()

预览效果如下：

查看数据格式：

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 493 entries, 0 to 492
Data columns (total 8 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   中文名称    493 non-null    object 
 1   英文名称    493 non-null    object 
 2   球队      493 non-null    object 
 3   位置      493 non-null    object 
 4   身高      493 non-null    float64
 5   体重      493 non-null    object 
 6   经验      493 non-null    int64  
 7   国籍      493 non-null    object 
dtypes: float64(1), int64(1), object(6)
memory usage: 30.9+ KB

数据都很完整，但需要更改下标题行：

df = df.rename(columns={'中文名称':'中文姓名','英文名称':'英文姓名','球队':'所在球队','位置':'站位'})
df.head()

过滤到不需要的数据字段：

df = df[["中文姓名","所在球队","站位","身高","体重","经验","国籍"]]
df.sample(10)

数据可视化

球队人数占比

通过对球队人数制作饼状图，我们发现，NBA联盟中各个球队的人数都差不多，最底占比是篮网为2.84%，其次是开拓者为3.02%，但总体上都保持正常编队。

df2 = df["所在球队"].astype("str").value_counts()
df2 = df2.sort_values(ascending=False)
data_region = df2.index.to_list()
data_value = df2.to_list()
map_ = (
        Pie(init_opts=opts.InitOpts(theme=ThemeType.DARK))
        .add("", list(zip(data_region,data_value)))
        .set_global_opts(legend_opts = opts.LegendOpts(is_show = False),
                         title_opts=opts.TitleOpts(title="球队人数占比",subtitle="数据来源：NBA中国官方网站\n公 众 号 ：职场办公杂技"))
        .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}占比:{d}%",font_size=15))    
    )
map_.render_notebook()

球员经验数量TOP10

通过对球员经验数量制作条形图图，我们发现，经验为0以及经验为1的球员最多，其次是经验为2和3的，经验越高人数越少。

df3 = df["经验"].value_counts()[0:11]
df3 = df3.sort_values(ascending=True)
df3 = df3.tail(10)
map_ = (
    Bar(init_opts=opts.InitOpts(theme=ThemeType.WALDEN,width="1000px",height="500px"))
    .add_xaxis(df3.index.to_list())
    .add_yaxis("",df3.to_list()).reversal_axis()
    .set_global_opts(title_opts=opts.TitleOpts(title="球员经验数量TOP10",subtitle="数据来源：NBA中国官方网站"),
                       xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=15)),
                       yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=15)))
    .set_series_opts(label_opts=opts.LabelOpts(font_size=15,position='right')))
map_.render_notebook()

我们看下经验最高的十位球员分别在什么球队服役，其中安东尼、哈斯勒姆、詹姆斯经验最高，分别服役于开拓者、热火、湖人这三支热门的球队。

df5 = df.sort_values(by="经验", axis=0, ascending=False)
df5 = df5.reset_index(drop=True)
df5[:10]

身高TOP10

通过筛选发现，凯尔特人的法尔最高2.26米，其次是独行侠的马扬诺维奇和波尔津吉斯，分别是2.24米和2.21米。而这十人的站位都是中锋或者兼任中锋，就是不知道是不是拿来当一堵墙用。

df5 = df.sort_values(by="身高", axis=0, ascending=False)
df5 = df5.reset_index(drop=True)
df5[:10]

体重TOP10

通过筛选发现，凯尔特人的法尔最高141.1公斤，其次是马扬诺维奇和努尔基奇，都是131.5公斤；通过身高TOP10和体重TOP10两个榜单对比发现，体重在前十且身高又在前十的有很多，难道真的是拿来当一堵墙用的？法尔和马扬诺维奇两人在两个榜单中都排名前二，我上网查找他们的图片看了下，发现重不是因为胖，没准是因为长的高。

df["体重"] = df["体重"].str.split(' ',expand=True)[0]
df["体重"] = df["体重"].astype('float')
df6 = df.sort_values(by="体重", axis=0, ascending=False)
df6 = df6.reset_index(drop=True)
df6[:10]

球员站位

通过球员站位数据制作折线图，我们可以发现，单纯后卫的人最多，其次是单纯前锋；其余站位中，可以看出，兼任前锋的站位很多。

df7 = df["站位"].value_counts()
map_ = (
    Line(init_opts=opts.InitOpts(theme=ThemeType.DARK))
    .add_xaxis(df7.index.to_list())
    .add_yaxis("",df7.to_list()) 
    .set_global_opts(title_opts=opts.TitleOpts(title="球员站位",subtitle="数据来源：NBA中国官方网站"),
                       xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13))
                       yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13))
                       )
    .set_series_opts(label_opts=opts.LabelOpts(font_size=15,position='top')))
map_.render_notebook()

NBA球员所属国

我们以球员的国籍制作地图可视化，可以清晰的看到，NBA球员最多出自美国，以及其它的一些西方国家。毕竟NBA联盟是美国本土篮球组织，数量最多也是应该的。

df8 = df["国籍"].astype("str").value_counts()
df8 = df8.sort_values(ascending=False)
data_region = df8.index.to_list()
data_value = df8.to_list()
data_list = list(zip(data_region,data_value))
map_ = (
        Map(init_opts=opts.InitOpts(theme=ThemeType.DARK))
        .add(series_name="NBA球员所属国",data_pair=data_list,maptype="world",name_map=nameMap)
        .set_global_opts(legend_opts = opts.LegendOpts(is_show = False)
                         ,title_opts=opts.TitleOpts(title="NBA球员所属国",subtitle="数据来源：NBA中国官方网站\n公 众 号 ：职场办公杂技")
                         ,visualmap_opts=opts.VisualMapOpts(max_=400,is_piecewise=False))
        .set_series_opts(label_opts=opts.LabelOpts(is_show = False,font_size=15))
        
    )
map_.render_notebook()

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2021-01-29，如有侵权请联系 cloudcommunity@tencent.com 删除

数据可视化

本文分享自 Python与Excel之交微信公众号，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同步曝光计划，欢迎热爱写作的你一起参与！

数据可视化

登录后参与评论

0 条评论

热度