数据分析综合案例讲解，一文搞懂Numpy，pandas，matplotlib，seaborn技巧方法

景天科技苑

已于 2024-02-05 18:10:51 修改

阅读量4k

点赞数 31

分类专栏：数据分析系统化教学，零基础到进阶实战文章标签：数据分析 numpy pandas seaborn python matplotlib

于 2024-02-05 17:56:46 首次发布

本文链接：https://blog.csdn.net/littlefun591/article/details/136045723

版权

数据分析系统化教学，零基础到进阶实战专栏收录该内容

15 篇文章

订阅专栏

NBA综合案例

1 基本数据介绍

每个球迷心中都有一个属于自己的迈克尔·乔丹、科比·布莱恩特、勒布朗·詹姆斯。本案例将用jupyter notebook完成NBA菜鸟数据分析初探。

案例中使用的数据是2017年NBA球员基本数据，数据字段见下表：
在这里插入图片描述

首先先导包

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

获取数据
data = pd.read_csv("nba_2017_nba_players_with_salary.csv")
data

在这里插入图片描述

数据解释
在这里插入图片描述

看下数据形状
data.shape
在这里插入图片描述

看下数据描述
data.describe()
在这里插入图片描述

输出结果部分展示:
从数据中看几项比较重要的信息：
球员平均年龄为26.4岁，年龄段在19-40岁；
球员平均年薪为730万美金，当时最大的合同为年薪3000万美金；
球员平均出场时间为21.5分钟，某球员场均出场37.8分钟领跑联盟，当然也有只出场2.2分钟的角色球员，机会来之不易。
类似的信息我们还能总结很多。

数据分析

2.数据相关性

在众多数据中，有一项名为"RPM"，标识球员的效率值，该数据反应球员在场时对球队比赛获胜的贡献大小，最能反应球员的综合实力
我们来看一下它与其他数据的相关性
data_cor = data.loc[:, [‘RPM’, ‘AGE’, ‘SALARY_MILLIONS’, ‘ORB’, ‘DRB’, ‘TRB’,
‘AST’, ‘STL’, ‘BLK’, ‘TOV’, ‘PF’, ‘POINTS’, ‘GP’, ‘MPG’, ‘ORPM’, ‘DRPM’]]

data_cor.head()
在这里插入图片描述

3.球员数据分析

（1）基本分析

此处练习了一下pandas基本的数据框相关操作，包括提取部分列、head()展示、排序等，简单通过几个维度的展示，笼统地看一下16-17赛季那些球员冲在联盟的最前头。

（2）薪资最高的10名运动员

data.loc[:, [‘PLAYER’, ‘SALARY_MILLIONS’, ‘RPM’, ‘AGE’, ‘MPG’]
].sort_values(by=‘SALARY_MILLIONS’, ascending=False).head(10)
在这里插入图片描述

勒布朗詹姆斯为该赛季薪水最高的球员，麦克康利拿到了大合同，但是在群星璀璨的薪金榜单上略显黯淡。同样出现在榜单的还有威少、哈登、杜兰特等球星，库里由于之前的合同太小，并没有出现在前10名里。

（3）效率值最高的10名运动员

data.loc[:, [‘PLAYER’, ‘RPM’, ‘SALARY_MILLIONS’, ‘AGE’, ‘MPG’]
].sort_values(by=‘RPM’, ascending=False).head(10)
在这里插入图片描述

詹皇拿着联盟最高的薪水，打球也毫不含糊，效率值排名第一。
保罗和库里紧随其后，在前10的榜单里，宇宙勇占据3席。
值得一提的是，掘金队的约基奇和爵士队的戈贝尔，拿着较为微薄的工资却打出了联盟前10的效率，这也为他们接下来的大合同奠定了基础。

（4）出场时间最高的10名运动员

data.loc[:, [‘PLAYER’, ‘RPM’, ‘SALARY_MILLIONS’, ‘AGE’, ‘MPG’]
].sort_values(by=‘MPG’, ascending=False).head(10)

在这里插入图片描述

4.Seaborn常用的三个数据可视化方法

1.单变量

我们先利用seaborn中的distplot绘图来分别看一下球员薪水、效率值、年龄这三个信息的分布情况，上代码：

#利用seaborn中的distplot绘图来分别看一下球员薪水、效率值、年龄这三个信息的分布情况

#分布及核密度展示

sns.set_style('darkgrid')  # 设置seaborn的面板风格

plt.figure(figsize=(12, 12))
plt.subplot(3, 1, 1)  # 拆分页面，多图展示
sns.distplot(data['SALARY_MILLIONS'])
plt.xticks(np.linspace(0, 40, 9))  # 把0--40之间,分成9个间隔(包含0和40)
plt.ylabel('Salary', size=10)

plt.subplot(3, 1, 2)
sns.distplot(data['RPM'])
plt.xticks(np.linspace(-10, 10, 9))
plt.ylabel('RPM', size=10) 

plt.subplot(3, 1, 3)
sns.distplot(data['AGE'])
plt.xticks(np.linspace(20, 40, 11))
plt.ylabel('AGE', size=10)

在这里插入图片描述

可见年龄和效率值更符合正态分布，而球员薪水更像一个偏态分布，拿高薪的球员占据较小的比例。这些与我们的主管感受基本一致，
那么这些变量之间是否有什么隐藏的关系呢？这里可以用seaborn中的pairplot绘图展示多个变量之间的关系：

2.双变量

#使用jointplot查看年龄和薪水之间的关系

dat1 = data.loc[:, ['RPM', 'SALARY_MILLIONS', 'AGE', 'POINTS']]
sns.jointplot(x =dat1.SALARY_MILLIONS, y =dat1.AGE, kind='kde', height=8)
plt.show()

在这里插入图片描述

上图展示的是球员薪水与年龄的关系，采用不同的kind方式（等高线图/hex/散点等），
我们可以整体感受一下年龄和薪水的集中特点，大部分球员集中在22-25岁拿到5million以下的薪水，当然也有“年少成名”和“越老越妖”的情况。

3.多变量

#用seaborn中的pairplot绘图展示多个变量之间的关系

dat1=data.loc[:,['RPM','SALARY_MILLIONS','AGE','POINTS']]
sns.pairplot(dat1) #相关性展示，斜对角为分布展示，可以直观地看变量是否具有现行关系 
plt.show()

在这里插入图片描述

上图展示的是球员薪水、效率值、年龄及场均得分四个变量间的两两相关关系，对角线展示的是本身的分布图，由散点的趋势我们可以看出不同特征的相关程度。

整体看各维度的相关性都不是很强，正负值与薪水和场均得分呈较弱的正相关性，而年龄这一属性和其他的变量相关性较弱，究竟是家有一老如有一宝还是廉颇老矣，接下来我们从年龄维度入手进一步分析.

5.衍生变量的一些可视化实践-以年龄为例

在已有的数据集里想要生成新的变量，例如：把球员按年龄分为老中青三代，可以借助定义一个函数，再利用apply的方式，生成新的变量。
#思路tips: 根据已有变量生成新的变量

data['avg_point'] = data['POINTS']/data['MP']  # 每分钟得分

# 分割年龄
def age_cut(df):
    if df.AGE <= 24:
        return 'young'
    elif df.AGE >= 30:
        return 'old'
    else:
        return 'best'


data['age_cut'] = data.apply(lambda x: age_cut(x), axis=1)  # 球员是否处于黄金年龄
data['cnt'] = 1  # 计数用

在这里插入图片描述

既然得到了老中青三代的标签，我们来看一下不同年龄段球员的RPM（正负值）与薪水之前的关系如何：
#球员薪水与效率值按年龄段来看

sns.set_style('darkgrid')  # 设置seaborn的面板风格
plt.figure(figsize=(8, 8), dpi=100)
plt.title('RPM and SALARY', size=15)

X1 = data.loc[data.age_cut == 'old'].SALARY_MILLIONS
Y1 = data.loc[data.age_cut == 'old'].RPM
plt.plot(X1, Y1, '.')

X2 = data.loc[data.age_cut == 'best'].SALARY_MILLIONS
Y2 = data.loc[data.age_cut == 'best'].RPM
plt.plot(X2, Y2, '^')

X3 = data.loc[data.age_cut == 'young'].SALARY_MILLIONS
Y3 = data.loc[data.age_cut == 'young'].RPM
plt.plot(X3, Y3, '.')

plt.xlim(0, 30)
plt.ylim(-8, 8)
plt.xlabel('Salary')
plt.ylabel('RPM')
plt.xticks(np.arange(0, 30, 3))
plt.legend(['old', 'best', 'young'])

在这里插入图片描述

点图横坐标为球员薪水，纵坐标为效率值。可以观测到：
绝大部分的年轻球员拿着较低的薪水，数据非常集中。有两个离群点，是上文提到的戈贝尔和约基奇，两个小兄弟前途无量啊。
黄金年龄的球员和老球员的数据相对发散，黄金年龄球员薪水与效率值正相关性更强。第一集团有几个全明星排头兵。
老球员过了呼风唤雨的年纪，运动状态有所下滑，“高薪低效”的球员也稍微多一些。
用上篇的方法看一下老中青三代各技术统计的分布情况：

dat2=data.loc[:,[‘RPM’,‘POINTS’,‘TRB’,‘AST’,‘STL’,‘BLK’,‘age_cut’]]
sns.pairplot(dat2,hue=‘age_cut’)
在这里插入图片描述

6.球队数据分析

（1）球队薪资排行

将数据按球队分组，平均薪水降序排列，看一下联盟十大土豪球队：

# 分组操作 按球队

dat_grp = data.groupby(by=['TEAM'], as_index=False).agg(
    {'SALARY_MILLIONS': np.mean, 'RPM': np.mean, 'PLAYER': np.size})

dat_grp.sort_values(by='SALARY_MILLIONS', ascending=False).head(10)

在这里插入图片描述

骑士队和勇士队已超高的薪水排在这份榜单的前两名，群星璀璨的他们最终在季后赛中一路厮杀，双双闯入分区决赛。

排在第三的开拓者有10名球员上榜，可谓后补活力充沛。球队薪金结构的健康与否对球队的发展至关重要。

（2）球队年龄结构

先胖不算胖，后胖压倒炕，优质的年轻球员储备是保持球队竞争性的密匙。

我按照分球队分年龄段，上榜球员降序排列，如上榜球员数相同，则按效率值降序排列。

# 分组操作 按场上位置

dat_grp2 = data.groupby(by=['TEAM', 'age_cut'], as_index=False).agg(
    {'SALARY_MILLIONS': np.mean, 'RPM': np.mean, 'PLAYER': np.size})

dat_grp2.sort_values(by=['PLAYER', 'RPM'], ascending=False).head(15)

在这里插入图片描述

在这份榜单里，排在榜首的公牛队(CHA)有年轻球员8人，但效率值偏低，小伙子们还需努力啊。

绿凯(BOS)不得了，黄金年龄球员和年轻球员共14人，效率值较高，未来一片光明。

年轻的森林狼(MIN)有6名黄金年龄球员，老马刺(SA)有5为年长球员，一老一小效率值还都不错。

最牛的还属宇宙勇(GS)，5名黄金年龄球员效率值为恐怖的4.7,明星在手天下我有！

（3）球队综合实力分析

最后我们来看看球队综合实力：

按照效率值降序排列前10名球队的相关信息如下：

# 数据可视化 按球队

dat_grp3 = data.groupby(by=['TEAM'], as_index=False).agg({'SALARY_MILLIONS': "mean",
                                                          'RPM': "mean",
                                                          'PLAYER': "size",
                                                          'POINTS': "mean",
                                                          'eFG%': "mean",
                                                          'MPG': "mean",
                                                          'AGE': "mean"})
dat_grp3 = dat_grp3.loc[dat_grp3.PLAYER > 5]
dat_grp3.sort_values(by=['RPM'], ascending=False).head(10)

在这里插入图片描述

勇士(GS)和骑士(CLE)占据前两名的位置，效率值反映球队实力的事实情况。

老马刺(SA)排名第三，平均年龄达29.5岁排名第一，更新血液迫在眉睫。

雷霆(OKC)由于大威少的存在能排在第5位，各项数据中规中矩。

利用箱线图和小提琴图看着10支球队的相关数据

7.利用箱线图和小提琴图看着10支球队的相关数据

（1）箱线图



sns.set_style('whitegrid')  # 设置seaborn的面板风格
plt.figure(figsize=(12, 8))
dat_grp4 = data[data['TEAM'].isin(['GS', 'CLE', 'SA', 'LAC', 'OKC', 'UTAH', 'CHA', 'TOR', 'NO', 'BOS']
     )]

plt.subplot(3, 1, 1)
sns.boxplot(x='TEAM', y='AGE', data=dat_grp4)
plt.subplot(3, 1, 2)
sns.boxplot(x='TEAM', y='SALARY_MILLIONS', data=dat_grp4)
plt.subplot(3, 1, 3)
sns.boxplot(x='TEAM', y='MPG', data=dat_grp4)

在这里插入图片描述

（2）小提琴图

plt.figure(figsize=(12, 8))
plt.subplot(3, 1, 1)
sns.violinplot(x='TEAM', y='POINTS', data=dat_grp4)
plt.subplot(3, 1, 2)
sns.violinplot(x='TEAM', y='eFG%', data=dat_grp4)
plt.subplot(3, 1, 3)
sns.violinplot(x='TEAM', y='RPM', data=dat_grp4)

在这里插入图片描述

从年龄结构看，老马刺年龄跨度最大，年龄中位数最高。猛龙队最年轻且年龄跨度最小，后劲十足。
从球队薪金看，勇士和骑士最高，俄村雷霆在失去杜兰特后栽了大跟头，薪金健康情况堪忧。
从出场时间看，骑士队最高且跨度低，小团体战斗能力出众。
从得分来看，骑士和勇士整体出众。雷霆的威少、绿军的小托马斯、醍醐的浓眉哥以及马刺的伦纳德均是各队的离群点，双拳难敌四手。
从命中率看，命中率各队非常集中，绿凯的小托马刺作为地表最强175远远高于其他人。
从效率值看，骑士和勇士是大赢家。