38年后的现在,用数据回顾女排精神!

640?wx_fmt=gif

图书+视频+源代码+答疑群,一本书带你入Python 640?wx_fmt=jpeg


作者 |  朱小五
本文经授权转载自凹凸玩数据(ID:alltodata)
38年前
1981年11月16日
中国队击败当时号称“东洋魔女“的日本女排,首次夺得世界冠军,这也是中国在三大球运动(足球、篮球、排球)中的首个世界冠军。
640?wx_fmt=png
然而2019年的11月16日,足球篮球无论怎样的“上上签”都无法挽救他们的颓势,接连失利均导致国家队主教练辞职。
中国女排在今年世界杯以十一连胜收获冠军,让世界知道我们不止小球是食物链顶端。
其实中国女排走过来的一路并非一帆风顺的,也曾几度低谷几度巅峰。
但是女排精神从未变过,不仅激励着一代代女排人,也一直成为我们大众心中一种“拼搏精神”的代言。
38年后,我们尝试用数据再来探寻女排姑娘们拼搏的过去。


640?wx_fmt=png
获取数据


打开国际排联的官网,找到积分榜单。

640?wx_fmt=png

可以看到中国队依靠本次世界杯冠军的100积分,重新登上积分榜榜首。
但是国际排联只给出了最新这版的积分榜,如何查询历史榜单呢?
尝试更改一下URL后面的时间,发现可以成功获取√
 
 
http://www.fivb.org/en/volleyball/VB_Ranking_W_2011-10.asp

我们可以利用requests和正则来匹配并获取某年榜单的所有国家和积分。

import re
import requests

res = requests.get('http://www.fivb.org/en/volleyball/VB_Ranking_W_2019-09.asp')
pattern=re.compile('106px; ">(.*?) +</td>.*?<strong>(.*?) +</strong></td>',re.S)
#正则获取国家和当前积分

items = re.findall(pattern, res.text)      
print(items)

640?wx_fmt=png

成功获取2019年的榜单√
通过构建url最终爬取的国际排联积分榜发现是从2011年开始的,所以我们最终只获得了2011-2019的积分榜单数据。
我会在文章中利用这些数据来制作一个动态条形图。


640?wx_fmt=png
昨天&今天


1981年女排世界杯上,中国队首夺世界冠军。在随后的五年中,中国女排创下“五连冠”的神话。
90年代,中国女排跌入低谷期,而古巴女排则创造了八连冠王朝。
2000年至2008年是女排的中兴期。2003年、2004年中国女排分别夺得世界杯冠军和奥运会冠军,重回世界之巅。
但在接下来的2009年至2012年,中国女排又堕入低谷,人们都认为“女排精神”已经随着时代而烟消云散。
640?wx_fmt=gif
直到2013年,郎平正式挂帅,再次执教中国女排。
2014年世锦赛,中国女排重回世界前三。
2015年世界杯中国女排夺冠。
2016年里约奥运会,中国女排时隔12年后再次获得奥运冠军。
2019年世界杯中国女排夺冠。
640?wx_fmt=png
郎平教练带领着这支稚嫩的球队用一枚枚沉甸甸的金牌证明,“中国女排精神”永不会消失。


640?wx_fmt=png
明天


根据新京报的一组统计:
从近40年各国女排获得世界三大赛事的冠军总数看,苏联/俄罗斯夺冠次数最多,为12次。中国和古巴并列第二,都是10次。
640?wx_fmt=png
近几年来,古巴、俄罗斯和巴西女排整体实力下滑;日本女排在强攻多战术的模式变迁中惨遭历史淘汰;意大利、塞尔维亚近年来给中国也带来了一些压力。
预计女排在今后一段时间内都会保持较高的世界水平。
然而我们回首看旁边的其他两大球时。
我们会发现,
男篮在家门口失去了直通东京奥运资格,
国足面对叙利亚队连续三次不胜。
我们承认目前足篮球的综合实力较一些体育强国仍然相差甚远,
但是比赛的过程中让球迷们感受到女排一样的拼搏精神,
很难吗?
640?wx_fmt=png
作者:朱小五,互联网公司数据分析师。热衷于Python爬虫,数据分析,可视化,个人公众号《凹凸玩数据》,有趣的不像个技术号~
640?wx_fmt=png
火爆技术人的中台是什么? 如何搭建中台? 如何选择? 「中台战略」作者亲自为你一一揭秘! 报名戳: https://edu.csdn.net/huiyiCourse/detail/1098
640?wx_fmt=jpeg
 热 文 推 荐 
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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