38年来,NBA最有价值球员|数据分析
原创 小郑同学 菜鸟学Python
阅读本文大概需要3分钟
本篇作者：小郑同学+菜鸟学Python
我之前写了一篇关于科比生涯的数据分析(厉害了！20年【科比NBA】生涯|数据分析)，这次打算写一篇关于常规赛MVP球员的数据分析，探讨要想成为MVP应该要做到怎样的高度。MVP，即“最有价值球员”，每赛季结束将会票选得出一人成为MVP。这次的数据用了近38年的MVP球员的数据，即1979-80开始，不再往前是因为那时没有3分的统计，不太贴近现在的篮球比赛了，所以就舍弃了
使用工具:Ipython notebook/Anacoda-Spyder
使用的库:Pandas,Matplotlib,Seaborn
Python版本:Py3.6
1
数据来源
1).本次用到的数据
来源于https://www.basketball-reference.com/awards/mvp.html，其中可以选择多种形式，我选的是CSV格式，方便后面的数据分析,(文末会分享CSV文件和源码给大家)
一共是38年的数据，我为了截图效果，隐藏了一部分数据
2).主要术语解释
可能有一些非篮球迷看不太懂上面的缩写，下面介绍一下
Player：球员姓名
Age：年龄
Tm：所在球队
G： 上场次数
MP：场均上场时间
PTS：场均得分
TRB：场均篮板
AST：场均助攻
STL：场均抢断
BLK：场均盖帽
FG%：命中率（不包含罚球）
3P%：3分球命中率
FT%：罚球命中率
WS： 胜利贡献值
2
数据分析
1).读取数据
新建一个MVP.py文件，把MVP.py和NBA_mvp.csv文件放在一个目录下
看一下数据的基本情况：列出了13个维度的一些基本信息
比如年龄维度的基本资料：
统计总数38年,平均年龄28岁,最小是22岁,最大35岁
嗯，NBA最佳球员平均28岁左右，这应该是每个人体力的鼎盛时期，但我更关心的是“大龄”MVP，看看最老的MVP是谁，又是几岁获得的呢？
2).看看谁是年纪最大的MVP是谁
print (data['Age'].max())
>>35
既然我们已经知道age里面最大的是35岁，我们只需要找到年纪35岁对于的人名
print(data[data.Age==data.Age.max()])
>>
发现年纪最大的是卡尔-马龙，江湖人称“邮差”，在35岁获得了MVP，真的不容易。其实职业球员过了30岁之后体力已经慢慢走下坡路了，接着我们看看30岁以后获得MVP的球员
3).30岁以上获得MVP的球员
mvp_age30=data.loc[data.Age>=30][['Player','Age']]
print (mvp_age30)
>>一共有10个30岁+的MVP球员
30岁+以上还能获得MVP的是纳什（风之子），卡尔马龙（邮差），乔丹（篮球之神），奥拉朱旺（梦幻脚步），约翰孙（魔术师），朱利叶斯欧文（J博士），贾巴尔（天勾）都是NBA历史上有名的人物啊（不过话说回来，能得MVP的还是厉害的)
4).MVP次数最多球员
其实除了年龄之外，我还关心近38年来谁拿到的MVP次数最多，只要一行代码就能搞定了,Pandas真的是太酷了
print (data.Player.value_counts())
>>
Michael Jordan\jordami01 5
LeBron James\jamesle01 4
Larry Bird\birdla01 3
Magic Johnson\johnsma02 3
Stephen Curry\curryst01 2
Moses Malone\malonmo01 2
Steve Nash\nashst01 2
Karl Malone\malonka01 2
Tim Duncan\duncati01 2
Julius Erving\ervinju01 1
Russell Westbrook\westbru01 1
Shaquille O'Neal\onealsh01 1
Dirk Nowitzki\nowitdi01 1
Kevin Garnett\garneke01 1
Kobe Bryant\bryanko01 1
Kevin Durant\duranke01 1
Hakeem Olajuwon\olajuha01 1
David Robinson\robinda01 1
Allen Iverson\iversal01 1
Kareem Abdul-Jabbar\abdulka01 1
Derrick Rose\rosede01 1
Charles Barkley\barklch01 1
第一名和我想的一样 乔丹“乔帮主”，比较出乎我意料的是奥尼尔，科比只有1次，可见MVP的争夺是十分激烈的，能拿到一次的MVP都是外界对自己实力的肯定
并且从这里也可以看出，MVP更倾向于球场上的“小个子”，大多是后场球员，会不会是他们球权多一点呢~~
5).MVP的均场数据如何
>>
assistants 6.134211
blocks 1.173684
point 26.718421
rebounds 8.600000
steals 1.592105
从数据大致可以看出，MVP大多都是攻守较为平衡，可以犀利的进攻，也可以严密的防守，攻防兼备才是最有价值球员
6).胜利贡献值
最后来看一个综合的值：WS，即胜利贡献值
这个值是根据球队胜场数、每个球员的详细技术统计等诸多数据分析出的，结合了球队战绩以及个人在获胜中起到的作用
可以说是衡量一个球员个人能力和团队能力的指数。而我们将要探讨，这个指数和其他的指数有什么联系，我们将用矩阵相关系数来衡量
先来一个热力图，如果你不喜欢在一个矩阵里看数字的话，热力图将是一个不错的选择：
corrmat = data.corr()#获取data的相关系数
f, ax = plt.subplots(figsize=(12, 6))#大小我们设为大一点12*6英寸
sns.heatmap(corrmat,annot=True)#用sns来画图
这样就清楚很多了吧，不仅有颜色深度，还有数字，简直就是上面的升级版，于是我们可以来分析：
和胜利贡献值（WS）联系比较相关的有:
G（比赛场次）
PTS（场均得分
STL（抢断）
FG%（投篮命中率）
也就是说，具备了上面几点，你离MVP就不远了！
有好的体力，打的比赛才多，才能贡献更多（大家也可以自己撸代码看一下MVP的场均上场时间和上场次数，肯定不少）
能得分高且保持稳定可观的命中率，应当注意的是，高得分和命中率不一定成正比，想象比较极端的情况，你的命中率不高，但我有球权可以一直进攻投篮，比如说我投了50次，进了10个球，也大概有20+了，但命中率并不能称得上是MVP的水准，所以这两个指数应该可以分开的。
有不俗的抢断能力，就是平常我们说的“眼疾手快”，有了抢断意味着你就多了一次进攻机会，且大多数能形成快攻，得分的几率更高
结论：
好，NBA MVP最佳球员数据分析，就讲到这里.大家若有什么问题，欢迎留言讨论. 这已经是小郑的第二次投稿录用，写的非常不错. 其实数据分析就是探索数据之间隐藏的秘密，从而挖掘出一些有趣的东西，这个过程很好玩.