前言

1. 這篇數(shù)據(jù)分析案例，我做了個? 視頻版本 ?，對代碼做了解讀，講了運行的注意事項和一些有的沒的，供需。對于視頻制作還不是很有經(jīng)驗，多包涵。（視頻里有彩蛋）

2. 本文在案例的代碼寫完后，我把它發(fā)在了? 虎撲 ?上。結(jié)果，被推薦上了首頁，? 25萬多次瀏覽，近800回復(fù) ?……感謝各位JRs賞臉！

3. 獲取原圖、更多球員生成的結(jié)果及完整代碼，請在公眾號“? Crossin的編程教室 ?”內(nèi)回復(fù)關(guān)鍵字：? nba

--------------------

NBA 2018-19 賽季已經(jīng)落下帷幕，猛龍擊敗勇士，成為新科冠軍球隊。

我想，不如來做個? NBA 相關(guān)的數(shù)據(jù)分析 ?案例好了。實際上，數(shù)據(jù)分析團隊對于現(xiàn)在的 NBA 球隊已經(jīng)算是標(biāo)配了，無論是在球員選擇還是戰(zhàn)術(shù)制定上都起著重要的作用。當(dāng)下整個聯(lián)盟越來越盛行的“? 魔球化 ?”打法，其實也正是基于數(shù)據(jù)分析的產(chǎn)物。

于是，我們就借助? 官方數(shù)據(jù) ?和? Python 的繪圖函數(shù) ?，來看一看? 不同的球員都是在什么位置出手投籃的 ?。

0. 效果展示

照例先看結(jié)果，每個點是一次投籃，? 藍色點是投中，紅色點是未中 ?。挑幾個有特點的：

哈登 ?，魔球得很明顯了，長兩分這種低效率的事絕對不干

西蒙斯 ?，古典中鋒

德拉贊 ?，中投小王子

字母哥 ?，籃下都給你扣糊了！

庫里 ?，這個得放全場……

科比 ?，生涯累計圖，全方位無死角，包括籃板后負(fù)角度

下面來看具體步驟，我們以剛剛獲得本賽季冠軍戒指的林書豪作為例子。

1. 獲取數(shù)據(jù)

NBA 有一個官方統(tǒng)計網(wǎng)站：? http://?stats.nba.com? ，上面有各種數(shù)據(jù)，可以說是一個寶藏了。

從網(wǎng)頁上，我沒有找到這次所需的數(shù)據(jù)。但通過一番搜索，我找到了網(wǎng)站的開放接口 API。相關(guān)的接口和文檔你可以從這個項目里查看：

nba_py - http:// stats.nba.com API for python

https://?github.com/seemethere/n?ba_py/

通過以下接口，我們可以獲取某個球員在指定賽季的投籃詳細(xì)數(shù)據(jù)：

https://?stats.nba.com/stats/sho?tchartdetail?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=

其中參數(shù)? PlayerID ?是查詢球員的 ID，這個 ID 可以通過在網(wǎng)頁上搜索球員姓名，從對應(yīng)的 URL 中獲取。比如林書豪就是? 202391

https://?stats.nba.com/player/20?2391/

鏈接中的兩處? 2018-19 ?是賽季參數(shù)，你可以改成其他賽季，不過我試過不能太早，大約 96 年往前就沒數(shù)據(jù)了，而且早期數(shù)據(jù)精度要差些。

其他參數(shù)可以不用管。

            
              用?requests?庫可輕松獲取結(jié)果（需加上 headers）：

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

            ?
          

2. 解析數(shù)據(jù)

返回的數(shù)據(jù)是? JSON ?格式，用? pandas ?轉(zhuǎn)成? DataFrame ?格式，方便后續(xù)處理：

            
              data = response.json()
# 獲取列名即每項投球數(shù)據(jù)的意思
headers = data['resultSets'][0]['headers']
# 獲取投球的相關(guān)數(shù)據(jù)
shots = data['resultSets'][0]['rowSet']
# 轉(zhuǎn) DataFrame
shot_df = pd.DataFrame(shots, columns=headers)
PYthon學(xué)習(xí)企鵝裙：88198-2657  領(lǐng)取python自動化編程資料教程
            
          

我們關(guān)心的數(shù)據(jù)就是? LOC_X ?、? LOC_Y ?（出手位置）和? SHOT_MADE_FLAG ?（是否投中）這三列。

3. 繪制投籃點

使用? matplotlib ?庫的散點圖繪制? scatter ?方法就可以把投籃點畫出來，這個我們之前的各種案例里也用過不少次了：

            
              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)
PYthon學(xué)習(xí)企鵝裙：88198-2657  領(lǐng)取python自動化編程資料教程
            
          

我們通過參數(shù)設(shè)定點的大小和透明度，讓顯示更清楚。

4. 繪制球場

投籃點畫出來了，不過只是這樣不夠直觀。我們再來加個球場的圖。

這個是通過? matplotlib ?里的? Circle ?、? Rectangle ?、? Arc ?等方法拼出來的，沒啥特別的技術(shù)，但代碼比較繁瑣，這邊就不貼了。（只要你愿意，甚至可以用它畫出小豬佩奇）

5. 添加頭像

最后，再給數(shù)據(jù)圖加上一個頭像，讓它看起來更完整。頭像地址：

https://?stats.nba.com/media/pla?yers/230x185/202391.png

或者

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

文件名依然是球員的 ID，但這個地址并不是對所有球員有效，可做下異常處理。

            pic = urllib.request.urlretrieve("http://stats.nba.com/media/players/230x185/202391.png")
# imread 讀取的圖像可以被 matplotlib 繪制
head_pic = plt.imread(pic[0])
# 將球員圖片放置于右上角，并設(shè)置縮小等級以配合整個圖片
img = OffsetImage(head_pic, zoom=0.6)
# (x, y) 控制將球員放在你想要放的位置
img.set_offset((540,640))
# 添加球員圖片
fig.gca().add_artist(img)
          

如果在你的電腦上位置不對，記得修改下? offset ?的值（不同系統(tǒng)，甚至不同編譯器都可能存在差異）。

最終效果：