每个球迷心中都有一个属于自己的迈克尔·乔丹。

作为一个资深的俄克拉荷马城雷霆伪球迷及菜鸟数据分析爱好者，

本文将尝试用jupyter notebook完成NBA菜鸟数据分析初探，

一边学习一遍练习，胡师傅深知顺着兴趣去做事往往会事半功倍，

寓教于乐，别出心裁，浅尝辄止，不亦乐乎？

特别感谢简书用户“牧羊的男孩”分享数据，

2018-02-05（kaggle上很有意思的NBA数据分析案例）​www.jianshu.com/p/2f34261aaa9f

数据解释：

（你就是传说中的那位拥有奇幻之旅的牧羊少年吧？给力！）

先载入要用到的模块：

import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns %matplotlib inline ##魔法命令了解一下##

我的个人习惯是将整个分析用到的模块全都在开始处进行import，方便管理和调整。

载入数据：

data=pd.read_csv(/Users/huxugang/data/nba_2017_nba_players_with_salary.csv) data.head()

原来是威少暴走的16-17赛季呀，啊呀呀！！！

我们可以看到该数据的前五列是按当年的得分榜排序的，分别是威少、詹皇、地表最强175、浓眉哥和考神。而数据包含39列，即不同维度的技术统计。而此份数据提供了这300+球员的众多项比赛数据，我希望通过数据分析来发现其中的有趣的信息。

## 描述统计 data.describe()输出结果部分展示

从数据中看几项比较重要的信息：

球员平均年龄为26.4岁，年龄段在19-38岁；球员平均年薪为730万美金，当时最大的合同为年薪3000万美金；球员平均出场时间为21.5分钟，某球员场均出场37.8分钟领跑联盟，当然也有只出场2.2分钟的角色球员，机会来之不易。类似的信息我们还能总结很多。

效率值相关性分析

在众多的数据中，有一项名为“RPM”，标识球员的效率值，该数据反映球员在场时对球队比赛获胜的贡献大小，最能反映球员的综合实力。

我们来看一下它与其他数据的相关性：dat_cor=data.loc[:,[RPM,AGE,SALARY_MILLIONS,ORB,DRB,TRB,AST,STL,BLK,TOV,PF,POINTS,GP,MPG,ORPM,DRPM]] coor=dat_cor.corr() sns.heatmap(coor,square=True, linewidths=0.02, annot=False) #seaborn中的heatmap函数，是将多维度数值变量按数值大小进行交叉热图展示。

由相关性分析的heatmap图可以看出，RPM值与年龄的相关性最弱，与“进攻效率值”、“场均得分”、“场均抢断数”等比赛技术数据的相关性最强。

我在接下来的分析中将把RPM作为评价一个球员能力及状态的直观反应因素之一。

球员数据分析部分

此处练习了一下pandas基本的数据框相关操作，包括提取部分列、head()展示、排序等，简单通过几个维度的展示，笼统地看一下16-17赛季那些球员冲在联盟的最前头。

#薪资最高的10名运动员 data.loc[:,[PLAYER,SALARY_MILLIONS,RPM,AGE,MPG]].sort_values(by=SALARY_MILLIONS,ascending=False).head(10) #效率值最高的10名运动员 data.loc[:,[PLAYER,RPM,SALARY_MILLIONS,AGE,MPG]].sort_values(by=RPM,ascending=False).head(10) #出场时间最高的10名运动员 data.loc[:,[PLAYER,RPM,SALARY_MILLIONS,AGE,MPG]].sort_values(by=MPG,ascending=False).head(10)勒布朗詹姆斯为该赛季薪水最高的球员，麦克康利拿到了大合同，但是在群星璀璨的薪金榜单上略显黯淡。同样出现在榜单的还有威少、哈登、杜兰特等球星，库里由于之前的合同太小，并没有出现在前10名里。詹皇拿着联盟最高的薪水，打球也毫不含糊，效率值排名第一。保罗和库里紧随其后，在前10的榜单里，宇宙勇占据3席。值得一提的是，掘金队的约基奇和爵士队的戈贝尔，拿着较为微薄的工资却打出了联盟前10的效率，这也为他们接下来的大合同奠定了基础。老詹又是独占鳌头，骑士队真实毫不浪费自己的每一分钱呐。紧随其后的是拉维涅和维金斯，不过前5名骑士差距很小。前10的榜单里有森林狼对的维金斯、唐斯以及随后会加盟的巴特勒（开天眼），我们预感到后狼王时代的森林狼似乎有了一丝复苏的萌芽。

Seaborn常用的三个数据可视化方法

单变量：

我们先利用seaborn中的distplot绘图来分别看一下球员薪水、效率值、年龄这三个信息的分布情况，上代码：

#分布及核密度展示 sns.set_style(darkgrid) #设置seaborn的面板风格 plt.figure(figsize=(12,12)) plt.subplot(3,1,1) #拆分页面，多图展示 sns.distplot(data[SALARY_MILLIONS]) plt.xticks(np.linspace(0,40,9)) plt.ylabel(u$Salary$,size=10) plt.subplot(3,1,2) sns.distplot(data[RPM]) plt.xticks(np.linspace(-10,10,9)) plt.ylabel(u$RPM$,size=10) plt.subplot(3,1,3) sns.distplot(data[AGE]) plt.xticks(np.linspace(20,40,11)) plt.ylabel(u$AGE$,size=10)

可见年龄和效率值更符合正态分布，而球员薪水更像一个偏态分布，拿高薪的球员占据较小的比例。这些与我们的主管感受基本一致，那么这些变量之间是否有什么隐藏的关系呢？这里可以用seaborn中的pairplot绘图展示多个变量之间的关系：

双变量：

dat1=data.loc[:,[RPM,SALARY_MILLIONS,AGE,POINTS]] sns.jointplot(dat1.SALARY_MILLIONS,dat1.AGE,kind=kde,size=8)

上图展示的是球员薪水与年龄的关系，采用不同的kind方式（等高线图/hex/散点等），我们可以整体感受一下年龄和薪水的集中特点，大部分球员集中在22-25岁拿到5million以下的薪水，当然也有“年少成名”和“越老越妖”的情况。

多变量：

dat1=data.loc[:,[RPM,SALARY_MILLIONS,AGE,POINTS]] sns.pairplot(dat1) #相关性展示，斜对角为分布展示，可以直观地看变量是否具有现行关系

上图展示的是球员薪水、效率值、年龄及场均得分四个变量间的两两相关关系，对角线展示的是本身的分布图，由散点的趋势我们可以看出不同特征的相关程度。整体看各维度的相关性都不是很强，正负值与薪水和场均得分呈较弱的正相关性，而年龄这一属性和其他的变量相关性较弱，究竟是家有一老如有一宝还是廉颇老矣，我将在今后继续与大家分享。

今天先写到这里，多谢观看，再会~