2018-02-05（kaggle上很有意思的NBA数据分析案例）

今天浏览 kaggle 的时候发现一个非常有意思的NBA数据分析案例 https://www.kaggle.com/dhamlett/nba-player-rpm-prediction-defense-vs-offense/notebook  NBA Player RPM Prediction | Defense vs Offense。数据分析由python完成，代码不是很长，而且可视化的部分个人感觉非常美观，非常棒的学习材料。简单记录自己的重复过程。本次分析的主要目的：NBA球员的防守表现是否比进攻表现更适合更适合用来预测球员的RPM?(Is an NBA player's defensive performance better suited to predict that  player's RPM , than their offensive performance?)。原文所用数据是2016-2017赛季342位球员的统计数据，各项统计指标如下

real plus minus 翻译过来应该是真实正负值，具体怎么计算自己还没有搞明白，应该是用来衡量球员表现的一个很重要的指标，比如昨天火箭对骑士的比赛，保罗14投8中，三分9中6，高效拿下22分8篮板11助攻的准三双表现，在场正负值高达+47，不知道这个real plus minus（RPM）和我们平时看比赛时听到的正负值是不是同一个指标。

分析的第一步是简单的用回归散点图来看一下球员的RPM与出场时间是否有关系，代码

结果图

通过这张图可以看出出场时间和RPM之间有一定的相关性，接下来又绘制了球员出场时间按场上位置分组的散点图，目的是看一下是否可以提供额外的参考信息，代码

图片

从图中可以看出一个很有意思的现象，RPM值比较高的第一梯队中，几乎没有得分后卫，小前锋和组织后卫居多，只有一位大前锋，看来现在真的是得分后卫凋零的时代呀，是不是非常怀念当年的西科东艾，北卡南麦的时代呢！

今天就先到这里啦，后面还有很多有意思的分析和可视化，争取python代码实现以后再用R语言重复一遍。

ps:原文数据直接在kaggle就可以下载，但是自己下载过程也浪费了一些时间，不知道什么原因，最后打开了科学上网软件才成功下载，附上数据百度云链接nba_2017_nba_players_with_salary.csv_免费高速下载|百度网盘-分享无限制，大家如果在kaggle没有下载成功，可以直接用百度云下载。