前言：
在NBA发展联盟度过了10个赛季，征战了384场比赛，创造了713记三分的发展联盟历史纪录后，32岁的安德烈-英格拉姆和湖人签下了他的首份NBA合同。
他走进斯台普斯中心，走进更衣室，和队友打招呼，走到自己的位置，拿到属于自己球衣，准备自己的第一场比赛。
迎着巴莫特的防守，安德烈-英格拉姆三分打进，命中NBA生涯首球，斯台普斯中心瞬间掌声雷动！
纪念英格拉姆的首秀，小楼今天给大家分享NBA比赛数据分析教程！如果你正好是一个NBA狂热粉，比赛中的每个进球，抢断或是逆转压哨球都能让你热血沸腾。除去观赏精彩的比赛过程，我们也同样好奇比赛的结果会是如何。
使用NBA比赛的以往统计数据，判断每个球赛的战斗力，及预测某场比赛中的结果。这么酷的技能你不能不了解！——【NBA常规赛结果预测：利用Python进行比赛数据分析】
我们将基于2015-2016年的NBA常规赛及季后赛的比赛统计数据，预测在当下正在进行的2016-2017常规赛每场赛事的结果。
该项目涉及的知识点：
- NBA球队的Elo score计算
- 特征向量
- 逻辑回归
开发流程：
这个项目将按照下面的流程实现NBA比赛数据分析的任务：
- 获取比赛统计数据
- 比赛数据分析，得到代表每场比赛每支队伍状态的特征表达
- 利用机器学习方法学习每场比赛与胜利队伍的关系，并对2016-2017的比赛进行预测
获取 NBA比赛统计数据：
比赛数据介绍：
在本次实验中，我们将采用Basketball Reference.com中的统计数据。在这个网站中，你可以看到不同球员、队伍、赛季和联盟比赛的基本统计数据，如得分，犯规次数等情况，胜负次数等情况。而我们在这里将会使用2015-16 NBA Season Summary中数据。
在这个2015-16总结的所有表格中，我们将使用的是以下三个数据表格：
Team Per Game Stats：每支队伍平均每场比赛的表现统计
Opponent Per Game Stats：所遇到的对手平均每场比赛的统计信息，所包含的统计数据与Team Per Game Stats中的一致，只是代表的该球队对应的对手的
Miscellaneous Stats：综合统计数据
毕达哥拉斯定律：
我们将用这三个表格来评估球队过去的战斗力，另外还需2015-16 NBA Schedule and Results中的2015~2016年的nba常规赛及季后赛的每场比赛的比赛数据，用以评估Elo score
（在之后的实验小节中解释）。在Basketball Reference.com
中按照从常规赛至季后赛的时间。列出了2015年10月份至2016年6月份的每场比赛的比赛情况。
可在上图中，看到2015年10月份的部分比赛数据。在每个Schedule表格中所包含的数据为：
在预测时，我们同样也需要在2016-17 NBA Schedule and Results中2016~2017年的NBA的常规赛比赛安排数据。
获取比赛数据
我们将以获取Team Per Game Stats表格数据为例，展示如何获取这三项统计数据。
进入到basketball-refernce.com中，在导航栏中选择Season并选择2015~2016赛季中的Summary：
进入到2015~2016年的Summary界面后，滑动窗口找到Team Per Game Stats表格，并选择左上方的Share & more，在其下拉菜单中选择Get table as CSV (for Excel)：
复制在界面中生的的csv格式数据，并复制粘贴至一个文本编辑器保存为csv文件即可：
为了方便同学们进行实验，我们已经将数据全部都保存成csv文件上传至实验楼的云环境中。在后续的代码实现小节里，我们将给出获取这些文件的地址。
未完待续
- 数据分析；
- 基于数据进行模型训练和预测；
这两点内容，点击【利用Python进行NBA比赛数据分析】，即可进行在线查看并学习了，有详细的开发步骤讲解，也有详细的代码介绍，更有在线开发环境可以随时跟着教程开发。
等不及的胖友们可以移步实验楼在线环境体验，等得了的就关注小楼下一期更文吧(。・∀・)ノ
更多趣味实验可以直接访问实验楼，在线实验环境操作方便，为大家定期更新最佳实验！(●'◡'●)
楼+课程咨询，欢迎添加班主任微信：
