Python数据预处理｜中国篮球运动员的基本信息分析

于 2024-09-21 17:27:36 发布
阅读量1.9k 收藏 25
点赞数 24
文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2302_80788968/article/details/142378649
版权

一、基本分析目标

（1）计算中国男篮、女篮运动员的平均身高与平均体重；

（2）分析中国篮球运动员的年龄分布；

（3）计算中国篮球运动员的体质指数。

二、分析其他目标

（1）分析美国运动员相关信息，与中国远动员信息作比较，得出一定结论；

（2）中国各个省份参加足球的基本信息分析；

（3）分析各国参赛情况；

（4）将得出的信息进行数据可视化，更加直观地展示。

三、代码+结论展示

（1）导入数据

import numpy as np
import pandas as pd
file_one = pd.read_excel('运动员信息采集01.xlsx')
file_two = pd.read_excel('运动员信息采集02.xlsx')
print(file_one)
print(file_two)

运行结果如下：

（2）分别读取两个数据，展示为表格形式

file_one
file_two

（3）合并两个文件数据（利用“outer”进行外连接合并）

all_data = pd.merge(left=file_one,right=file_two,how='outer')
all_data

分析中国情况

（4）提取中国运动员信息

all_data = all_data[all_data['国籍'] == '中国']
all_data

（5）去除重复值

all_data = all_data.drop_duplicates()
all_data = all_data.reset_index(drop=True)
all_data

（6）去重后绘制中国参加所有项目的柱状图

import matplotlib.pyplot as plt
from collections import Counter
projects = [str(project) for project in all_data['项目']] 
participation = Counter(projects)
labels = participation.keys()
sizes = participation.values()
plt.figure(figsize=(40,20))
bars = plt.bar(labels, sizes, color='pink')
plt.xticks(x=labels,rotation=60)
plt.xlabel('项目')
plt.ylabel('参与人数')
plt.title('中国参加的所有项目')
for bar in bars:
    height = bar.get_height()
    plt.text(bar.get_x() + bar.get_width()/2, height, '%d' % int(height), ha='center', va='bottom')
plt.show()

得出结论：中国参加游泳项目的人数最多为46人，从柱状图来看，能够观察出中国在各个项目中都有运动员参与，说明中国注重体育方面的发展。

处理缺失值：

（7）提取中国篮球运动员信息（共有31名）

basketball_data = all_data[all_data['项目'] == '篮球']
basketball_data

（8）将中国篮球运动员出生日期统一为年月日

import datetime
basketball_data = basketball_data.copy()
initial_time = datetime.datetime.strptime('1900-01-01',"%Y-%m-%d")
for i in basketball_data.loc[:,'出生日期']:
    if type(i) == int:
        new_time = (initial_time + datetime.timedelta(days=i)).strftime('%Y{y}%m{m}%d{d}').format(y='年',m='月',d='日')
        basketball_data.loc[:,'出生日期'] = basketball_data.loc[:,'出生日期'].replace(i,new_time)
basketball_data

（9）仅查看年份

basketball_data.loc[:,'出生日期'] = basketball_data['出生日期'].apply(lambda x:x[:5])
basketball_data['出生日期']

（10）将中国男篮身高统一形式为cm（男篮人数：11人）

male_data = basketball_data[basketball_data['性别'].apply(lambda x :x == '男')]
male_data = male_data.copy()
male_height = male_data['身高'].dropna()
fill_male_height = round(male_height.apply(lambda x : x[0:-2]).astype(int).mean())
fill_male_height = str(int(fill_male_height)) + '厘米'
male_data.loc[:,'身高'] = male_data.loc[:,'身高'].fillna(fill_male_height )
male_data.loc[:,'身高'] = male_data.loc[:,'身高'].apply(lambda x: x[0:-2]).astype(int)
male_data.rename(columns={'身高':'身高/cm'},inplace=True)
male_data

（11）将中国男篮身高绘制成柱状图

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
fig = plt.figure(figsize=(8,4))
bars = plt.bar(male_data['中文名'],male_data['身高/cm'],width=0.8)
for bar in bars:
    height = bar.get_height()
    plt.text(bar.get_x() + bar.get_width()/2, height, height, ha='center', va='bottom')
plt.show()

（12）将中国女篮身高统一形式为cm（女篮人数：20人）

female_data = basketball_data[basketball_data['性别'].apply(lambda x :x == '女')]
female_data = female_data.copy()
data = {'191cm':'191厘米','1米89公分':'189厘米','2.01米':'201厘米','187公分':'187厘米','1.97M':'197厘米','1.98米':'198厘米','192cm':'192厘米'}
female_data.loc[:,'身高'] = female_data.loc[:,'身高'].replace(data)
female_height = female_data['身高'].dropna()
fill_female_height = round(female_height.apply(lambda x : x[0:-2]).astype(int).mean())
fill_female_height = str(int(fill_female_height)) + '厘米'
female_data.loc[:,'身高'] = female_data.loc[:,'身高'].fillna(fill_female_height)
female_data['身高'] = female_data['身高'].apply(lambda x: x[0:-2]).astype(int)
female_data.rename(columns={'身高':'身高/cm'},inplace=True)
female_data

（13）处理女篮体重：将88千克改为88kg；将8kg进行向上填充为77kg；处理缺失值将所有NaN改为体重均值80kg，统一的体重单位为kg

female_data.loc[:,'体重'] = female_data.loc[:,'体重'].replace({'88千克':'88kg'})
female_data
female_data['体重'].replace(to_replace = '8kg',method = 'pad',inplace = True)
female_data
female_weight = female_data['体重'].dropna()
female_weight = female_weight.apply(lambda x :x[0:-2]).astype(int)
fill_female_weight = round(female_weight.mean())
fill_female_weight = str(int(fill_female_weight)) + 'kg'
female_data.loc[:,'体重'].fillna(fill_female_weight,inplace = True)
female_data

（14）合并中国男篮、女篮信息，转换为int类型并将体重改为体重/kg

basketball_data = pd.concat([male_data,female_data])
basketball_data['体重'] = basketball_data['体重'].apply(lambda x : x[0:-2]).astype(int)
basketball_data.rename(columns = {'体重':'体重/kg'},inplace = True)
basketball_data

（15）检测男篮、女篮、所有篮球运动员身高异常值

from matplotlib import pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
male_data.boxplot(column = ['身高/cm'])
plt.show()
female_data.boxplot(column=['身高/cm'])
plt.show()
basketball_data.boxplot(column=['身高/cm'])
plt.show()

（16）根据3\sigma准则检测到有一个异常值，但根据调查该数据属实，所以不属于异常值，可忽略不计

def three_sigma(ser):
    mean_data = ser.mean()
    std_data = ser.std()
    rule = (mean_data - 3*std_data > ser) | (mean_data + 3*std_data < ser)
    index = np.arange(ser.shape[0])[rule]
    outliers = ser.iloc[index]
    return outliers
female_weight = basketball_data[basketball_data['性别'] == '女']
three_sigma(female_weight['体重/kg'])

（17）计算中国篮球远动员的身高、体重的平均值

basketball_data.groupby('性别').mean().round(1)

（18）绘制中国篮球运动员年龄分布的直方图

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
ages = 2020 - basketball_data['出生日期'].apply(lambda x :x[0:-1]).astype(int)
ax = ages.plot(kind = 'hist')
ax.set_xlabel('年龄（岁）')
ax.set_ylabel('频数')
ax.set_title('篮球运动员年龄分布的直方图')
ax.set_xticks(range(ages.min(),ages.max()+1,2))
plt.show()

（19）添加体质指数

basketball_data['体质指数'] = 0
basketball_data
def outer(num):
    def ath_bmi(sum_bmi):
        weight = basketball_data['体重/kg']
        height = basketball_data['身高/cm']
        sum_bmi = weight / (height/100)**2
        return num + sum_bmi
    return ath_bmi
basketball_data['体质指数'] = basketball_data[['体质指数']].apply(outer(basketball_data['体质指数'])).round(1)
basketball_data

（20）查找中国男篮、女篮非正常体质指数的人数

groupby_obj = basketball_data.groupby(by="性别")
females = dict([x for x in groupby_obj])['女']['体质指数'].values
count = females[females < 19].size + females[females > 24].size
print(f'体质指数小于19：{females[females < 19]}')
print(f'体质指数大于24：{females[females > 24]}')
print(f'非正常体质指数范围的总人数：{count}')
males = dict([x for x in groupby_obj])['男']['体质指数'].values
count = males[males < 20].size + males[males > 25].size
print(f'体质指数小于20：{males[males < 20]}')
print(f'体质指数大于25：{males[males > 25]}')
print(f'非正常体质指数范围的总人数：{count}')

（21）处理中国篮球运动员省份的缺失值，查找并删除（最后剩余30人，仅删除1个省份缺失值）

basketball_data['省份'].isnull()
data = basketball_data.dropna()
data

（22）进行数据可视化：绘制省份与篮球运动身高的散点图、运动员体重的柱状图、中国篮球运动员体重和身高之间的关系

plt.rcParams['font.sans-serif'] = ['SimHei']
fig = plt.figure(figsize=(20,15))
plt.scatter(data['省份'],data['身高/cm'],color='r',linestyle='-')
plt.grid(True,linestyle='-',alpha=0.9)
plt.legend(loc=0)
plt.xlabel("运动员生源地")
plt.ylabel("身高/cm")
plt.title("省份与篮球运动员身高的关系")
plt.show()

得出结论：河南新乡省的篮球运动员身高较高为215cm以上；其次为福建省、广东省，其中两省的身高都在210cm以上，福建省要比广东省的身高较高一点；江苏省的运动员身高较其他省份的低一点，为175cm左右。

import seaborn as sns
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
fig = plt.figure(figsize=(15,10))
sns.barplot(x = data['中文名'],y = data['体重/kg'])
for x,y in enumerate(data['体重/kg']):
    plt.text(x,y,"%s"%round(y,1))
plt.ylabel('体重/kg')
plt.xlabel('中文名')
plt.title('篮球运动员的体重')
plt.show()

得出结论：易建联的体重较高为113kg；最低体重为70kg（分别为陈晓佳和李珊珊）

import matplotlib.pyplot as plt
height = basketball_data['身高/cm']
weight = basketball_data['体重/kg']
plt.figure(figsize=(10, 6))
plt.scatter(height, weight, color='r')
plt.xlabel('身高 (cm)')
plt.ylabel('体重 (kg)')
plt.title('体重和身高之间的关系')
plt.show()

得出结论：身高190cm左右，体重为75kg左右的运动员分布较为密集。

分析美国情况

（23）索引美国运动员信息（需要重新运行合并的两个数据表代码）

import numpy as np
import pandas as pd

file_one = pd.read_excel('运动员信息采集01.xlsx')
file_two = pd.read_excel('运动员信息采集02.xlsx')
print(file_one)
print(file_two)

file_one

file_two

all_data = pd.merge(left=file_one,right=file_two,how='outer')
all_data
usdata= all_data[all_data['国籍'] == '美国']
usdata
usdata1 = len(usdata)
usdata1

        （共有25名美国运动员）

（24）统一美国运动员出生日期

import datetime
usdata = usdata.copy()
initial_time = datetime.datetime.strptime('1900-01-01',"%Y-%m-%d")
for i in usdata.loc[:,'出生日期']:
    if type(i) == int:
        new_time = (initial_time + datetime.timedelta(days=i)).strftime('%Y{y}%m{m}%d{d}').format(y='年',m='月',d='日')
        usdata.loc[:,'出生日期'] = usdata.loc[:,'出生日期'].replace(i,new_time)
usdata

（25）绘制美国参加项目的柱状图、项目占比的饼状图

import matplotlib.pyplot as plt
from collections import Counter
plt.rcParams['font.sans-serif'] = ['SimHei']
projects = usdata['项目']
participation =  Counter(usdata['项目'])
labels = participation .keys()
sizes = participation .values()
plt.figure(figsize=(10,6))
bars = plt.bar(labels, sizes, color='r')
plt.xlabel('项目')
plt.ylabel('参与人数')
plt.title('美国参加的所有项目')
for bar in bars:
    height = bar.get_height()
    plt.text(bar.get_x() + bar.get_width()/2, height, height, ha='center', va='bottom')
plt.show()

import matplotlib.pyplot as plt
from collections import Counter
plt.rcParams['font.sans-serif'] = ['SimHei']
countries_array = usdata['项目']
country_counts = Counter(countries_array)
labels = country_counts.keys()
sizes = country_counts.values()
colors = plt.cm.tab20.colors  
plt.figure(figsize=(6,6))  
plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=140)
plt.title('美国参加的项目占比')  
plt.axis('equal')
plt.show()

（26）对美国运动员的身高、体重统一单位

对身高进行处理

male_data = usdata[usdata['性别'].apply(lambda x :x == '男')]
male_data = male_data.copy()
male_height = male_data['身高'].dropna()
fill_male_height = round(male_height.apply(lambda x : x[0:-2]).astype(int).mean())
fill_male_height = str(int(fill_male_height)) + '厘米'
male_data.loc[:,'身高'] = male_data.loc[:,'身高'].fillna(fill_male_height )
male_data.loc[:,'身高'] = male_data.loc[:,'身高'].apply(lambda x: x[0:-2]).astype(int)
male_data.rename(columns={'身高':'身高/cm'},inplace=True)
male_data
female_data = usdata[usdata['性别'].apply(lambda x :x == '女')]
female_data = female_data.copy()
data = {'185cm':'185厘米','1.88米':'188厘米','175cm':'175厘米','183cm':'183厘米','198cm':'198厘米','192cm':'192厘米','178cm':'178厘米','145cm':'145厘米','168cm':'168厘米','193cm':'193厘米'}
female_data.loc[:,'身高'] = female_data.loc[:,'身高'].replace(data)
female_height = female_data['身高'].dropna()
fill_female_height = round(female_height.apply(lambda x : x[0:-2]).astype(int).mean())
fill_female_height = str(int(fill_female_height)) + '厘米'
female_data.loc[:,'身高'] = female_data.loc[:,'身高'].fillna(fill_female_height)
female_data['身高'] = female_data['身高'].apply(lambda x: x[0:-2]).astype(int)
female_data.rename(columns={'身高':'身高/cm'},inplace=True)
female_data

             

对体重进行处理

female_data.loc[:,'体重'] = female_data.loc[:,'体重'].replace({'66.4kg':'66kg'})
female_data
female_weight = female_data['体重'].dropna()
female_weight = female_weight.apply(lambda x :x[0:-2]).astype(int)
fill_female_weight = round(female_weight.mean())
fill_female_weight = str(int(fill_female_weight)) + 'kg'
female_data.loc[:,'体重'].fillna(fill_female_weight,inplace = True)
female_data
usdata = pd.concat([male_data,female_data])
usdata['体重'] = usdata['体重'].apply(lambda x : x[0:-2]).astype(int)
usdata.rename(columns = {'体重':'体重/kg'},inplace = True)
usdata

（27）求美国运动员身高、体重的平均值

（28）添加美国运动员的体质指数

usdata['体质指数'] = 0
usdata
def outer(num):
    def ath_bmi(sum_bmi):
        weight = usdata['体重/kg']
        height = usdata['身高/cm']
        sum_bmi = weight / (height/100)**2
        return num + sum_bmi
    return ath_bmi
usdata['体质指数'] = usdata[['体质指数']].apply(outer(usdata['体质指数'])).round(1)
usdata

（29）查找非正常体质指数的人数

groupby_obj = usdata.groupby(by="性别")
females = dict([x for x in groupby_obj])['女']['体质指数'].values
count = females[females < 19].size + females[females > 24].size
print(f'体质指数小于19：{females[females < 19]}')
print(f'体质指数大于24：{females[females > 24]}')
print(f'非正常体质指数范围的总人数：{count}')
males = dict([x for x in groupby_obj])['男']['体质指数'].values
count = males[males < 20].size + males[males > 25].size
print(f'体质指数小于20：{males[males < 20]}')
print(f'体质指数大于25：{males[males > 25]}')
print(f'非正常体质指数范围的总人数：{count}')

（30）绘制美国运动员出生日期与体质指数的散点图

plt.rcParams['font.sans-serif'] = ['SimHei']
fig = plt.figure(figsize=(20,6))
plt.scatter(usdata['出生日期'],usdata['体质指数'],color='b',linestyle='-')
plt.grid(True,linestyle='-',alpha=0.9)
plt.legend(loc=0)
plt.xticks(x=usdata['出生日期'],rotation=60)
plt.xlabel("运动员的出生日期")
plt.ylabel("体质指数")
plt.title("美国运动员的出生日期与体质指数的关系")
plt.show()

分析全国情况

（31）首先将全部信息进行去重（能够发现重复信息全部是中国运动员信息，所以后去除重复值也是可以的，以上所得结论仍然正确）

all_data1 = all_data[all_data.duplicated().values==True]
all_data1

all_data = all_data.drop_duplicates()
all_data = all_data.reset_index(drop=True)
all_data

（32）绘制全国参加项目的柱状图

import matplotlib.pyplot as plt
from collections import Counter
projects = [str(project) for project in all_data['项目']] 
participation = Counter(projects)
labels = participation.keys()
sizes = participation.values()
plt.figure(figsize=(40,20))
bars = plt.bar(labels, sizes, color='skyblue')
plt.xticks(x=labels,rotation=60)
plt.xlabel('项目')
plt.ylabel('参与人数')
plt.title('全国参加的所有项目')
for bar in bars:
    height = bar.get_height()
    plt.text(bar.get_x() + bar.get_width()/2, height, '%d' % int(height), ha='center', va='bottom')
plt.show()

（33）查找全国参加足球运动的运动员信息（发现全部是中国女运动员）

football = all_data[all_data['项目'] == '足球']
football

（34）绘制各个省份参加足球情况的饼状图

import matplotlib.pyplot as plt
from collections import Counter
plt.rcParams['font.sans-serif'] = ['SimHei']
countries_array = football['省份']
country_counts = Counter(countries_array)
labels = country_counts.keys()
sizes = country_counts.values()
colors = plt.cm.tab20.colors  
plt.figure(figsize=(6,6))  
plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=140)
plt.title('中国各个省份参加足球项目的人数比例')  
plt.axis('equal')
plt.show()

（35）查找全国参加篮球运动的运动员信息

all = all_data[all_data['项目'] == '篮球']
all

（36）绘制各国参加篮球情况的饼状图

import matplotlib.pyplot as plt
from collections import Counter
plt.rcParams['font.sans-serif'] = ['SimHei']
countries_array = all['国籍']
country_counts = Counter(countries_array)
labels = country_counts.keys()
sizes = country_counts.values()
colors = plt.cm.tab20.colors  
plt.figure(figsize=(7,7))  
plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=140)
plt.title('各国参加篮球项目的占比')  
plt.axis('equal')
plt.show()

（37）全国打篮球的男女生比例

import matplotlib.pyplot as plt
from collections import Counter
genders = all['性别']
gender_counts = Counter(genders)
print("男生人数:", gender_counts['男'])
print("女生人数:", gender_counts['女'])
categories = ['男', '女']
values = [gender_counts['男'],  gender_counts['女']]
plt.figure(figsize=(4,4))
plt.bar(categories, values)
plt.xlabel('性别')
plt.ylabel('人数')
plt.title('全国打篮球的男女比例')
plt.tight_layout() 
plt.show()

Fairy X
关注
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值