python分析出nba球员的位置_Python告诉你NBA球星都喜欢在哪个位置出手？
作者 | Crossin先生
导读：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。近日各队纷纷发布2019-20季前赛赛程，迎接新赛季。
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。
01 视频版本
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)
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！
原图、更多球员生成的结果及完整代码，见以下网址：
NBA出手点统计代码：
https://gitee.com/crossin/snippet/tree/master/nba-fpa
几十位球星生成图：
提取码: jbpw
02 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：
1. 哈登
魔球得很明显了，长两分这种低效率的事绝对不干
2. 西蒙斯
古典中锋
3. 德拉赞
中投小王子
4. 字母哥
篮下都给你扣糊了！
5. 库里
这个得放全场……
6. 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。
03 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)
04 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 DataFrameshot_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。
05 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。
06 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)
07 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：
获取更多精彩内容和专业帮助，可前往：CDA数据分析研究院-12年数据科学教育品牌-引领人工智能新视界