python分析出nba球员的位置_虎扑热帖|Python数据分析|NBA的球星们喜欢在哪个位置出手...

原标题：虎扑热帖|Python数据分析|NBA的球星们喜欢在哪个位置出手

前言

1. 这篇数据分析案例，我做了个视频版本，对代码做了解读，讲了运行的注意事项和一些有的没的，供需。对于视频制作还不是很有经验，多包涵。(视频里有彩蛋

)

同样，之前上传了B站一份，点文末“阅读原文”可直达，喜欢的话请支持我一下。

2. 本文在案例的代码写完后，我把它发在了虎扑上。结果，被推荐上了首页，25万多次浏览，近800回复……感谢各位JRs赏脸！

3. 获取原图、更多球员生成的结果及完整代码，请在公众号“Crossin的编程教室”内回复关键字：nba

NBA 2018-19 赛季已经落下帷幕，猛龙击败勇士，成为新科冠军球队。

我想，不如来做个 NBA 相关的数据分析案例好了。实际上，数据分析团队对于现在的 NBA 球队已经算是标配了，无论是在球员选择还是战术制定上都起着重要的作用。当下整个联盟越来越盛行的“魔球化”打法，其实也正是基于数据分析的产物。

于是，我们就借助官方数据和 Python 的绘图函数，来看一看不同的球员都是在什么位置出手投篮的。

0. 效果展示

照例先看结果，每个点是一次投篮，蓝色点是投中，红色点是未中。挑几个有特点的：

哈登，魔球得很明显了，长两分这种低效率的事绝对不干

西蒙斯，古典中锋

德拉赞，中投小王子

字母哥，篮下都给你扣糊了！

库里，这个得放全场……

科比，生涯累计图，全方位无死角，包括篮板后负角度

下面来看具体步骤，我们以刚刚获得本赛季冠军戒指的林书豪作为例子。

1. 获取数据

NBA 有一个官方统计网站：stats.nba.com，上面有各种数据，可以说是一个宝藏了。

从网页上，我没有找到这次所需的数据。但通过一番搜索，我找到了网站的开放接口 API。相关的接口和文档你可以从这个项目里查看：

nba_py - stats.nba.com API for python

https://github.com/seemethere/nba_py/

通过以下接口，我们可以获取某个球员在指定赛季的投篮详细数据：

https://stats.nba.com/stats/shotchartdetail?CFID=33&CFPARAMS=2018-19&ContextFilter=&ContextMeasure=FGA&DateFrom=&DateTo=&GameID=&GameSegment=&LastNGames=0&LeagueID=00&Location=&MeasureType=Base&Month=0&OpponentTeamID=0&Outcome=&PaceAdjust=N&PerMode=PerGame&Period=0&PlayerID=201935&PlusMinus=N&Position=&Rank=N&RookieYear=&Season=2018-19&SeasonSegment=&SeasonType=Regular+Season&TeamID=0&VsConference=&VsDivision=&mode=Advanced&showDetails=0&showShots=1&showZones=0&PlayerPosition=

其中参数 PlayerID是查询球员的 ID，这个 ID 可以通过在网页上搜索球员姓名，从对应的 URL 中获取。比如林书豪就是 202391

https://stats.nba.com/player/202391/

链接中的两处 2018-19是赛季参数，你可以改成其他赛季，不过我试过不能太早，大约 96 年往前就没数据了，而且早期数据精度要差些。

其他参数可以不用管。

用 requests库可轻松获取结果(需加上 headers)：

response= requests.get(url, headers=headers,timeout=5)

2. 解析数据

返回的数据是 JSON格式，用 pandas转成 DataFrame格式，方便后续处理：

data = response.json

# 获取列名即每项投球数据的意思

headers = data['resultSets'][0]['headers']

# 获取投球的相关数据

shots = data['resultSets'][0]['rowSet']

# 转 DataFrame

shot_df = pd.DataFrame(shots, columns=headers)

我们关心的数据就是 LOC_X、LOC_Y(出手位置)和 SHOT_MADE_FLAG(是否投中)这三列。

3. 绘制投篮点

使用 matplotlib库的散点图绘制 scatter方法就可以把投篮点画出来，这个我们之前的各种案例里也用过不少次了：

made= shot_df[shot_df['SHOT_MADE_FLAG']==1]

miss = shot_df[shot_df['SHOT_MADE_FLAG']==0]

plt.scatter(miss.LOC_X, miss.LOC_Y, color='r', marker='.', alpha=0.3)

plt.scatter(made.LOC_X, made.LOC_Y, color='b', marker='.', alpha=0.3)

我们通过参数设定点的大小和透明度，让显示更清楚。

4. 绘制球场

投篮点画出来了，不过只是这样不够直观。我们再来加个球场的图。

这个是通过 matplotlib里的 Circle、Rectangle、Arc等方法拼出来的，没啥特别的技术，但代码比较繁琐，这边就不贴了。(只要你愿意，甚至可以用它画出小猪佩奇)

5. 添加头像

最后，再给数据图加上一个头像，让它看起来更完整。头像地址：

https://stats.nba.com/media/players/230x185/202391.png

# 或者

https://ak-static.cms.nba.com/wp-content/uploads/headshots/nba/latest/260x190/202391.png

文件名依然是球员的 ID，但这个地址并不是对所有球员有效，可做下异常处理。

pic = urllib.request.urlretrieve("http://stats.nba.com/media/players/230x185/202391.png")

# imread 读取的图像可以被 matplotlib 绘制

head_pic = plt.imread(pic[0])

# 将球员图片放置于右上角，并设置缩小等级以配合整个图片

img = OffsetImage(head_pic, zoom=0.6)

# (x, y) 控制将球员放在你想要放的位置

img.set_offset((540,640))

# 添加球员图片

fig.gca.add_artist(img)

如果在你的电脑上位置不对，记得修改下 offset的值(不同系统，甚至不同编译器都可能存在差异)。

最终效果：

获取原图、更多球员生成的结果及完整代码，请在公众号“Crossin的编程教室”内回复关键字：nba

其他内容回复左侧关键词获取：

python：零基础入门课程目录

新手：初学者指南及常见问题

资源：超过500M学习资料网盘地址

项目：十多个进阶项目代码实例

如需了解视频课程及答疑群等更多服务，

请号内回复 码上行动

经验：|| 我用Python|新手建议

干货： | |知乎资源 |单词表

案例：||||

欢迎加入

Crossin的编程教室

crossincode.com

请把我们分享给身边爱学习的小伙伴 :)

☟点击文末“阅读原文”，先谢过各位的素质三连！返回搜狐，查看更多

责任编辑：