python数据分析之足球运动员分析

足球运动员分析

背景信息

当前，足球运动是最受欢迎的运动之一（也可以说没有之一）。

任务说明

我们的任务，就是在众多的足球运动员中，发现统计一些关于足球运动员的共性，或某些潜在的规律。

数据集描述

数据集包含的是2017年所有活跃的足球运动员。

• Name 姓名
• Nationality 国籍
• National_Position 国家队位置
• National_Kit 国家队号码
• Club 所在俱乐部
• Club_Position 所在俱乐部位置
• Club_Kit 俱乐部号码
• Club_Joining 加入俱乐部时间
• Contract_Expiry 合同到期时间
• Rating 评分
• Height 身高
• Weight 体重
• Preffered_Foot 擅长左（右）脚
• Birth_Date 出生日期
• Age 年龄
• Preffered_Position 擅长位置
• Work_Rate 工作效率
• Weak_foot 非惯用脚使用频率
• Skill_Moves 技术等级
• Ball_Control 控球技术
• Dribbling 盘球（带球）能力
• Marking 盯人能力
• Sliding_Tackle 铲球
• Standing_Tackle 逼抢能力
• Aggression 攻击能力
• Reactions 反击
• Attacking_Position 攻击性跑位
• Interceptions 抢断
• Vision 视野
• Composure 镇静
• Crossing 下底传中
• Short_Pass 短传
• Long_Pass 长传
• Acceleration 加速度
• Speed 速度
• Stamina 体力
• Strength 强壮
• Balance 平衡
• Agility 敏捷度
• Jumping 跳跃
• Heading 投球
• Shot_Power 射门力量
• Finishing 射门
• Long_Shots 远射
• Curve 弧线
• Freekick_Accuracy 任意球精准度
• Penalties 点球
• Volleys 凌空能力
• GK_Positioning 门将位置感
• GK_Diving 扑救能力
• GK_Kicking 门将踢球能力
• GK_Handling 扑球脱手几率
• GK_Reflexes 门将反应度

程序实现

导入相关的库

导入需要的库，同时，进行一些初始化的设置。

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt

 

# 支持中文显示。
mpl.rcParams["font.family"] = "SimHei"
mpl.rcParams["axes.unicode_minus"] = False

加载相关的数据集

• 加载相关的数据集（注意原数据集中是否存在标题），并查看数据的大致情况。
• 可以使用head / tail，也可以使用sample。
• 列没有显式完整，我们需要进行设置。（pd.set_option）

data = pd.read_csv("FullData.csv")
# data.head(10)
# data.sample(3)
pd.set_option("display.max_columns", 55)
data.head()

数据探索与清洗

缺失值处理

• 通过info查看缺失值信息（以及每列的类型信息）。
• 可以通过isnull, any, dropna，fillna等方法结合使用，对缺失值进行处理。

# data.info()
# 查看存在空值的记录。
# data[data["Club_Position"].isnull()]
# data.isnull().sum(axis=0)
# data["Club_Position"].notnull()
# 过滤空值记录。
# data = data[data["Club_Position"].notnull()]
# data.info()

异常值处理

• 通过describe查看数值信息。
• 可配合箱线图辅助。

# data.describe()
# data["Rating"].plot(kind="box")

重复值处理

• 使用duplicate检查重复值。可配合keep参数进行调整。
• 使用drop_duplicate删除重复值。

# np.sum(data.duplicated())
# data[data.duplicated()]
# data.drop_duplicates()

将身高与体重处理成数值类型，便于分析。

# 对数据列进行转换。可以使用apply或map。

# data["Height"] = 

# data["Height"] = data["Height"].apply(lambda item: item.replace("cm", "")).astype(np.int32)

# data["Weight"] = data["Weight"].apply(lambda item: item.replace("kg", "")).astype(np.int32)

# 也可以使用map实现同样的转换。

#data["Height"].map(lambda item: item.replace("cm", "")).astype(np.int32)

​
# 使用字符串的矢量化运算完成转换。
data["Height"] = data["Height"].str.replace("cm", "").astype(np.int32)
data["Weight"] = data["Weight"].str.replace("kg", "").astype(np.int32)

运动员的身高，体重，评分信息分布。

# data["Height"].plot(kind="kde")
# data["Weight"].plot(kind="kde")
# data["Rating"].plot(kind="kde")
data[["Height", "Weight", "Rating"]].plot(kind="kde")

左脚与右脚选手在数量上是否存在偏差？

# 第一种方式
# g = data.groupby("Preffered_Foot")
# g["Preffered_Foot"].count()
​
# 第二种方式
# g = data.groupby("Preffered_Foot")
# g.size()
​
# 第三种方式
data["Preffered_Foot"].value_counts().plot(kind="bar")

从球员平均评分上考虑，拥有top10评分能力的俱乐部 / 国家。【超过20人】

# 俱乐部
# g = data.groupby("Club")
# g["Rating"].mean().sort_values(ascending=False)
# t = g["Rating"].agg(["mean", "count"])
# t = t[t["count"] > 20]
# t = t.sort_values(by="mean", ascending=False).head(10)
# t["mean"].plot(kind="bar")
​
# 国家队
g = data.groupby("Nationality")
# g["Rating"].mean().sort_values(ascending=False)
t = g["Rating"].agg(["mean", "count"])
t = t[t["count"] > 20]
t = t.sort_values(by="mean", ascending=False).head(10)
t
# t["mean"].plot(kind="bar")

哪个俱乐部拥有更多忠心的球员（5年及以上）？

t = data["Club_Joining"].apply(lambda item: int(item.split("/")[-1]))
# 计算球员的效力时间。
year = 2017 - t
# 对数据集进行过滤，只保留效力时间达到或超过5年的球员。
t = data[(year >= 5) & (data["Club"] != "Free Agents")]
# t
t["Club"].value_counts()

足球运动员是否是出生年月相关？

1. 全体运动员
2. 知名运动员（80分及以上）

# 全体运行员
​
# expand 默认为False。如果设置为True，就是展开成为一个DataFrame。
t = data["Birth_Date"].str.split("/", expand=True)
# t[2].value_counts().plot(kind="bar")
# t[0].value_counts().plot(kind="bar")
# t[1].value_counts().plot(kind="bar")
​
# 80分以上的运动员
t = data[data["Rating"] >= 80]
t = t["Birth_Date"].str.split("/", expand=True)
# t[2].value_counts().plot(kind="bar")
# t[0].value_counts().plot(kind="bar")
# t[1].value_counts().plot(kind="bar")

Out[74]:

<matplotlib.axes._subplots.AxesSubplot at 0x108f5550>

足球运动员号码是否与位置相关？

# 去掉替补与预备队的球员
t = data[(data["Club_Position"] != "Res") & (data["Club_Position"] != "Sub")]
# g = data.groupby(["Club_Position", "Club_Kit"])
g = t.groupby(["Club_Kit", "Club_Position"])
g.size()

Out[78]:

Club_Kit  Club_Position
1.0       GK               333
2.0       CAM                1
          CB                 3
          GK                 1
          LB                26
          LCB               36
          LCM                3
          LDM                3
          LM                 5
          LW                 1
          LWB                1
          RB               148
          RCB               41
          RCM                4
          RDM                3
          RM                 3
          RWB               11
3.0       CAM                1
          CB                 5
          CDM                1
          CM                 2
          LB               103
          LCB               58
          LCM                2
          LDM                6
          LM                 3
          LW                 1
          LWB               12
          RB                19
          RCB               75
                          ... 
93.0      LM                 2
          LS                 1
          LW                 1
          RCM                1
          ST                 1
94.0      CAM                2
          RB                 1
          RCB                1
          RCM                1
          RM                 1
          RS                 1
          RW                 1
95.0      LB                 1
          LM                 2
          RB                 1
          RM                 1
96.0      LB                 1
97.0      CAM                1
          CM                 1