2024年用 Python 分析韦德职业生涯数据_解析韦德，字节面试pending

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

最后我们把解析到的数据利用 pandas 保存到 excel 中即可。

具体的爬虫代码如下：

from pyquery import PyQuery as pq
from fake_useragent import UserAgent
import requests
import pandas as pd

def parse_html():
    url = “https://www.basketball-reference.com/players/w/wadedw01.html”
    ua = UserAgent()
    headers = {“User-Agent”: ua.random}
    reponse = requests.get(url, headers=headers)
    if reponse.status_code == 200:
        html = reponse.text
        extract_htm(html)

def extract_htm(html):
    doc = pq(html)
    Dwyane_Wade_data = []
    data_items = doc.find(“#div_per_game #per_game tbody tr”).items()
    for itme in data_items:
        season = itme.find(“th[data-stat=‘season’] a”).text()
        age = itme.find(“td[data-stat=‘age’]”).text()
        team = itme.find(“td[data-stat=‘team_id’] a”).text()
        league = itme.find(“td[data-stat=‘lg_id’] a”).text()
        position = itme.find(“td[data-stat=‘pos’]”).text()
        games = itme.find(“td[data-stat=‘g’]”).text()
        games_started = itme.find(“td[data-stat=‘gs’]”).text()
        minutes_played_per_game = itme.find(“td[data-stat=‘mp_per_g’]”).text()
        field_goals_per_game = itme.find(“td[data-stat=‘mp_per_g’]”).text()
        field_goals_attempts_per_game = itme.find(“td[data-stat=‘fga_per_g’]”).text()
        field_goal_percentage = itme.find(“td[data-stat=‘fg_pct’]”).text()
        point_3_field_goal_per_game = itme.find(“td[data-stat=‘fg3_per_g’]”).text()
        point_3_field_goal_percentage = itme.find(“td[data-stat=‘fg3_pct’]”).text()
        point_2_filed_goals_per_game = itme.find(“td[data-stat=‘fg2_per_g’]”).text()
        point_2_filed_goals_attempts_per_game = itme.find(“td[data-stat=‘fg2a_per_g’]”).text()
        fg2_pct = itme.find(“td[data-stat=‘fg2_pct’]”).text()
        efg_pct = itme.find(“td[data-stat=‘efg_pct’]”).text()
        ft_per_g = itme.find(“td[data-stat=‘ft_per_g’]”).text()
        fta_per_g = itme.find(“td[data-stat=‘fta_per_g’]”).text()
        ft_pct = itme.find(“td[data-stat=‘ft_pct’]”).text()
        orb_per_g = itme.find(“td[data-stat=‘orb_per_g’]”).text()
        drb_per_g = itme.find(“td[data-stat=‘drb_per_g’]”).text()
        trb_per_g = itme.find(“td[data-stat=‘trb_per_g’]”).text()
        ast_per_g = itme.find(“td[data-stat=‘ast_per_g’]”).text()
        stl_per_g = itme.find(“td[data-stat=‘stl_per_g’]”).text()
        blk_per_g = itme.find(“td[data-stat=‘blk_per_g’]”).text()
        tov_per_g = itme.find(“td[data-stat=‘tov_per_g’]”).text()
        pf_per_g = itme.find(“td[data-stat=‘pf_per_g’]”).text()
        pts_per_g = itme.find(“td[data-stat=‘pts_per_g’]”).text()
        item_data = {‘season’: season, “age”: age, “team”: team, “league”: league, “position”: position, “games”: games,
                “games_started”: games_started, “minutes_played_per_game”: minutes_played_per_game, “field_goals_per_game”: field_goals_per_game,
                “field_goals_attempts_per_game”: field_goals_attempts_per_game, “field_goal_percentage”: field_goal_percentage,
                “point_3_field_goal_per_game”: point_3_field_goal_per_game, “point_3_field_goal_percentage”: point_3_field_goal_percentage,
                “point_2_filed_goals_per_game”: point_2_filed_goals_per_game, “point_2_filed_goals_attempts_per_game”: point_2_filed_goals_attempts_per_game,
                “fg2_pct”: fg2_pct, “efg_pct”: efg_pct, “ft_per_g”: ft_per_g, “fta_per_g”: fta_per_g, “ft_pct”: ft_pct,
                “orb_per_g”: orb_per_g, “drb_per_g”: drb_per_g, “trb_per_g”: trb_per_g, “ast_per_g”: ast_per_g, “stl_per_g”: stl_per_g,
                “blk_per_g”: blk_per_g, “tov_per_g”: tov_per_g, “pf_per_g”: pf_per_g, “pts_per_g”: pts_per_g}
        print(item_data)
        Dwyane_Wade_data.append(item_data)

data = pd.DataFrame(Dwyane_Wade_data)
    data.to_csv(“Dwyane_Wade_data.csv”, encoding=‘utf_8_sig’)

if __name__ == ‘__main__’:
    parse_html()

最后保存的 excel 表如下：

出场次数和首发数据分析

首先我们对韦德生涯参加的场数和时间进行一个分析。

games:参与的比赛场数（都为82场)

games_start: 先发次数

age：年龄

minutes_played: 平均每场比赛进行的时间

韦德 22 岁就进入 NBA 打比赛，出道就打了 61 场比赛，首发 56 场，往后的几年时间里都是打球队首发人员。一个赛季按 82 场来算，韦德在 2008 - 09 赛季恐怖的达到了 79 场比赛。

平均每场比赛时间都在 30 分钟以上。

从这些数据可以看出韦德是队伍中的主力军，绝对的领袖。

投球命中率

韦德投球命中率平均在 0.47 。

2013-14 赛季达到职业生涯最大命中率：0.55。

由于篇幅的问题其他的数据就暂时不再继续分析，感兴趣的同学可获取相应的源代码进行分析，这里给大家一个单词对照表。

链接: https://pan.baidu.com/s/1PCQ-gEX-aaV5JvgDva_0lQ 提取码: dx73

数据名	含义
Rk – Rank	排名
G – Games	参与的比赛场数（都为82场）
MP – Minutes Played	平均每场比赛进行的时间
FG–Field Goals	投球命中次数
FGA–Field Goal Attempts	投射次数
FG%–Field Goal Percentage	投球命中次数
3P–3-Point Field Goals	三分球命中次数
3PA–3-Point Field Goal Attempts	三分球投射次数
3P%–3-Point Field Goal Percentage	三分球命中率
2P–2-Point Field Goals	二分球命中次数
2PA–2-point Field Goal Attempts	二分球投射次数
2P%–2-Point Field Goal Percentage	二分球命中率
FT–Free Throws	罚球命中次数
FTA–Free Throw Attempts	罚球投射次数
FT%–Free Throw Percentage	罚球命中率
ORB–Offensive Rebounds	进攻篮板球
DRB–Defensive Rebounds	防守篮板球
TRB–Total Rebounds	篮板球总数

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！