通过SAP分析云，发掘147年棒球数据中的奥秘

小编说

最近SAC（SAP Analytics Cloud）是个很热门的话题。本文并不着眼于具体的技术方案，而是通过对以往147年的棒球数据（美国职棒联盟）的分析，将大量数据抽象为关键性的技术指标，揭示了棒球的奥秘。

祝阅读愉快。

作者：Jason Yeung

翻译：大话SAP

棒球是一项会产生丰富的数据和统计值的运动，但是数据虽然丰富，其实想弄清楚数据背后的含义，以及到底是什么驱动着棒球的成功，却是很难的一件事。

随着2018棒球赛季的启动，我希望能用SAP Analytics Cloud来搞清楚这些棒球数据背后的意义。

▎为什么普通Fans很难理解棒球的统计值？

全面理解棒球数据通常是“专家”们的活，这是因为：

数据通常是预先汇总好的。这让它很容易回答一些同样是预定义的问题，例如“谁的击球率最高”。但是回答新问题或者一系列的关联问题就变得很难。

数据分散且彼此缺少联系。想查看一组特定的统计值很容易（例如：一个运动员的数据，一年的数据，或者一个球队的数据），但是想比较跨球队的多个球员在不同时期的数据，就变得不那么容易。

数据多数是表格式的，不够形象。很多网站支持排序和统计，但是只有少部分提供了视觉化，趋势分析和异常值分析的能力。

▎使用Sean Lahman的棒球数据集

去年，我无意中发现了“Sean Lahman的棒球档案 http://www.seanlahman.com”这个网站。 Sean对于各种棒球统计数据都提供了非常强大的数据集。他提供了多种数据集，包括球队，球员，击球，投球，防守，薪水，奖励，球场，季后赛，全明星赛等等。

▎棒球的数据模型问题

多数人并不认为棒球有一个复杂的数据模型，可事实上棒球反映了当下许多组织所面临的在数据上的挑战。Sean的数据集提供了28种不同的表格，但是它们彼此没有连接在一起。有一张表是球队信息，其中包括了球队，年份和球员。还有一张表是击球手信息，也包括了球队，年份和球员。同样的模式还体现在投球和防守信息，也包括季后赛，全明星赛，名人堂，年度获奖者等等。每张表都包括了多对多的信息（例如：许多球队存续了很多年，包括了很多球员；球员也在不同的年份里为多个球队效力过，等等）。除此之外，击球、投球、防守和季后赛等表都有类似的字段，包括比赛，球员，球队，打击，保送等等。投手既可以投球，也可以防守或击打。

不管怎样，我不想描述得太技术化，我用SAC将28张原始表建模为12张不同的表，其中包括3张主要的事实表。

▎有了这些数据，我们能回答什么样的问题？

如果深入到这147年的棒球数据中，我们能看到不同的球队，加盟球队和球员们的来来往往。

深入下去，我们会发现20世纪之前，比赛的统计数据事实上并没有被完整地输入，每个赛季的比赛数字也不尽相同。直到1961年，棒球才确定了一个完整赛季要打162场比赛。并且在图中你会看到一些尖角，这包括1981和1994年的罢工，以及第一次世界大战导致的赛季缩短。

▎哪支球队赢球最多？哪支输球最多？

这并非一个简单的问题。对于有些人来说，获胜意味着最多的冠军，获胜也能意味着最好的季后赛表现，或者是最高的胜率（对于新加入的球队，例如天使队来说）。下面是把这些数据放在一块比较。

然后我们能看到按不同时代的top 5球队。

然而在这张图背后，还隐藏着一些有趣的事情：

获胜不等于冠军。在Longball时代（1994-2005），亚特兰大勇士队赢得比赛的次数最多，但只获得过一次冠军。洋基队获胜次数第二多，但赢得了四次冠军。在post steriod时代（2006-至今），洋基队获胜次数最多，但从没得过冠军。

你需要处于支配地位很多年，才能获得冠军。除了佛罗里达马林鱼队和芝加哥小熊队，在一个时代中，很少有一支球队能不处于支配地位却获得冠军的。

战绩差的球队并不一定一直差。上图没有显示，我们可以统计那些战绩最差的球队，在多个时代中，他们并不是始终战绩差。你会看到一些球队运气翻盘，例如堪萨斯皇家队和休士顿太空人队。

▎“获胜”球队比其他球队哪些地方做得好？

衡量好的击球手的一个关键指标是OPS（On Base 上垒 + Slugging 长打）。它的含义是：你上垒的次数越多，上垒率（OBP）就越高。并且你上垒数越多（例如，二垒安打比一垒安打更好，三垒安打比一垒安打更好，全垒打比三垒安打更好），你的长打率（S）就越好。如果你把这些统计值整合在一起，你就获得了OPS这个指标。

在过去的147年里，围绕这项统计数据有趣的数字很多：

赢得比赛最多的球队得分也是最多；

得分最多的球队的OPS高；

高OPS导致了更多的比赛胜利。

投球在比赛中重要吗？当然重要。我看到的关于投球的两个重要数据是WHIP和FIP。WHIP是平均保送数 average of walk + 每局成功击打数 hits per inning pitched。与击打类的统计值类似：

失分最少的球队获胜次数多；

WHIP值低的球队失分少；

WHIP值低的球队获胜次数多。

▎是投手重要？还是击球手重要？

很明显，对球队来说，两者都需要。那些在OPS和WHIP上都领先的球队往往能进入季后赛。但是投球WHIP值的top 5球队进入季后赛的几率比OPS值top 5球队更高。从long ball时代开始（过去的22年），71%的投球数据高的球队进入了季后赛，与此同时只有58%击球数据高的球队进入了季后赛。所以，投球比击打更重要。

▎谁是拥有最佳OPS和WHIP数据的球员？

如果我打算找到拥有优秀OPS值的击球手和优秀WHIP值的投手，该怎么办？这就是那些多对多数据表出现的时候了。球队在多年间有多个球员，球员在多年间为多个球队效力。如果我们看整个棒球历史上的顶级击球手，他们大多数都已经在名人堂里——除了少数知名的例外人物。如果我们从最近3年的数据中筛选，能获得一个400人的名单，下图展示了一部分——大多数都是家喻户晓的名字。

对于投手，我们也能做同样的分析。按照投手的出场时间，我们可以将投手分为“先发球员”和“替补球员”。如果我们只选择当前时代，我们能得到一组低WHIP值的投手。安息吧，Jose Fernandez（这里指因船难过世的投手Jose Fernandez）。

▎获胜很花钱吗？

当然，获胜队比输球队的工资高得多。

并且，在赢球和薪水之间是有关联的。那就是，薪水越高，球队就越可能获胜。我们也能看到有一些工资非常高的球队没有赢（右下角的灰色——作者原文如此，恕我眼拙，没看见），并且有一些低薪水的球队也取得了胜利（左上角的蓝色）。所以不是不可能，几率还是存在的。一些异常情况就包括水手队（2001年），小熊队（2016年），皇家队和洋基队（1998年），他们的总薪水低于平均水平，但是进入了季后赛。