数据分析之历史上的百年奥运

2020东京奥运会已经结束了，才想起来写一篇关于奥运会的数据分析文章，真是前些天都太热衷于追奥运了。

找了一下，网上果然有从1896第一届现代奥运会开始至2016年里约奥运会的全部数据，当然如果你感兴趣，还可以把2020年的给加上，于是，我们就可以用这些数据来重新回顾一下这100多年来的奥运会历史了！

01 提出问题

奥运会，全称：奥林匹克运动会，发源于2000多年前的古希腊，因举办地在奥林匹亚而得名，每4年一届，是世界上影响力最大的体育盛会。

1896年，停办了1500年的奥运会终于得以重办，这也是首届现代奥运会，如今已举办了32界夏季奥运会，23界冬季奥运会。

我们可以带着以下3个问题来分析这份数据，了解历史。

1. 地域上，哪些国家/地区举办奥运会次数最多？参赛的运动员最多？获奖最多？
2. 个人上，历年来男女参赛的运动员表现如何？
3. 项目上，有没有哪些项目是某些国家/地区的强项？

02 数据探查

数据来源：
https://www.heywhale.com/mw/dataset/5b62ca77a711e60010ab1154

共两份数据，一份athlete_events.csv，包含了参赛运动员基本生物数据和奖牌结果。

一份noc_regions.csv，是国家奥委会3个字母的代码与对应国家信息。

分析工具：Power BI + Excel

1.1 字段介绍

运动员数据包含了从1896年至2016年，历届奥运会每位运动员参赛的数据，共271116行15个字段，每行对应每位运动员参加奥运会项目的信息。

• ID：每个运动员的唯一编号，共135571个编号
• Name：运动员姓名
• Sex：运动员性别，F是女性，M是男性
• Age：运动员年龄
• Height：运动员身高，单位cm
• Weight：运动员体重，单位kg
• Team：运动员代表队，如中国
• NOC：国家奥委会三字代码
• Games：运动员参加的哪一届奥运会
• Year：年份
• Season：季节
• City：主办城市，如北京
• Sport：运动项目，如篮球
• Event：具体项目，如男子篮球
• Medal：奖牌，如金牌、银牌、铜牌或没有

奥委会数据：

• NOC：国家奥委会3个字母的代码
• Region：国家/地区
• Notes：备注

这里需要理解的是：

• ID号比实际数据量少是因为会有1个运动员参加几个项目的情况，一个运动员对应一个ID编号，而非一条数据对应一个ID。
• NOC是指国家奥委会三字代码，比如中国的代码是CHN
• GAMES是用年份+季节命名的哪一届奥运会，比如2016 Summer是2016年夏季奥运会。奥运会其实包含夏季奥运会、冬季奥运会、残奥会等，夏奥会受关注较多，这份数据是包含夏奥会和冬奥会的。
• TEAM是该运动员所在的代表队，也就是运动员所属的国家/地区。插播一条冷知识，奥运会是以奥委会为代表团参加的，而不是以国家为代表，所以也一直在强调“国家或地区”这个概念，也是为什么台湾会参与，并且是以中华台北的名义，因为中华台北奥委会是国际奥委会的成员，所以它可以参与，历史上它还以“中华民国”的名义参与，被我们抵制了。

将两份数据以NOC为共同字段进行关联，就可以得到每个运动员所属的国家/地区了。

将数据导入Power BI，它会自动设置好关联。

1.2 数据处理

1.2.1 缺失值

这份数据在Age、Height、Weight、Medal列存在缺失值：

• Medal的缺失值表示该运动员在此项目上没有拿到奖牌，不用处理
• Age列有9474个缺失值，占比3.5%
• Height列有60171个缺失值，占比22%
• Weight列有62875个缺失值，占比23%

年龄、身高、体重属于个人信息ÿ