【python数据分析】足球运动员的特征分析

写在前面

本文是跟哔哩哔哩的一个教程一步一步实现做的，视频链接献上。
【一小时快速入门】python数据科学分析实战

数据集概况

数据集包含的是2017年所有活跃的足球运动员
本次数据集的来源是kesci，提供者是Ustinian

---

• 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

---

加载数据集

# 导入相关的库
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt

mpl.rcParams["font.family"] = "AR PL UMing CN"
mpl.rcParams["axes.unicode_minus"] = False

# 加载数据集
players = pd.read_csv("dataset/FullData.csv")
# 设置展示的最大列数
pd.set_option("max_columns",100)
players.head()

对数据集进行简单的处理查看

# 通过info方法查看每列的缺失信息。也可以查看每类的数据类型
players.info()

     通过观察可以发现，该数据集中有17588条信息，可以发现National_Position（国家队位置）和National_Kit（国家队的号码）是存在数据缺失的，其余的属性值中：Club_Position，Club_Kit，Club_Joining，Contract_Expiry也是存在缺失的
     对缺失数据的处理，往往要加入经验的判断，哪些需要忽略，哪些需要进行处理

     接来下打开原文件，通过观察可以发现缺失的后面那4个属性的值都在同一行（execl打开排序查看），因此对其进行数据补全操作

players = players[players["Club_Position"].notnull()]
players.info()

     通过观察输出结果，Club_Position，Club_Kit，Club_Joining，Contract_Expiry 中缺失的值已经被补全了

查看异常值

# 查看异常值
players.describe()

使用describe方法，可以看到对象中属性的数量count，平均值mean，标准差std，最小值min，四分之一分位点25%，中位数50%，四分之三分位点75%，最大值max。通过这种方式，可以看到数据中是否有异常点的信息。

是否包含重复值

# 是否包含重复值
players.duplicated().any() #False 无重复值
# 如果有重复值
# players = players.drop_duplicates(inplace=True)

检查数据集中是否有重复值
调用duplicated()是用于查看当前数据中的每一行是否有重复值，返回布尔型，但是只用该方法会返回数据集中每一行是否包含重复值，显得太啰嗦，而我们只想要知道该数据集中是否存在重复值
再使用any()方法（只要存在真，结果就返回true），查看整个数据集是否存在重复值。相当于对duplicated()结果中的每一行返回值，进行一个逻辑运算
通过结果可以发现，我们的数据集中并无重复值

将身高体重转换成数字类型

#players.head()
players["Height"] = players["Height"].map(lambda x: int(x.replace("cm","")))
players["Weight"] = players["Weight"].map(lambda x: int(x.replace("kg","")))
#############还可以这样处理###############
# players["Height"] = players["Height"].str.replace("cm","").astype(np.int)
# players["Weight"] = players["Weight"].str.replace("kg","").astype(np.int)
players.head()

players.info()

查看运动员身高、体重、评分的信息分布情况

# dataframe上调用plot   kde核密度图
players[["Height","Weight","Rating"]].plot(kind="kde")

左脚与右脚选手在数量上的偏差

# players["Preffered_Foot"].value_counts()
# 画图展示
players["Preffered_Foot"].value_counts().plot(kind="bar")

从球员平均评分角度考虑，拥有Top10评分能力的俱乐部/国家队。（超过20人）

1.俱乐部角度

# 从球员的平均评分考虑:先根据Club分组，再获取Rating，然后对分组的内容进行计算
s=players.groupby("Club")["Rating"].agg(["count","sum","mean"])

# 对结果s进行过滤，只需要前10的内容
s=s[s["count"]>10]

# 根据count将s进行降序排序,显示前十位的结果
s.sort_values("count",ascending=False).head(10)

# 根据平均评分mean将s进行降序排序,显示前十位的结果
s.sort_values("mean",ascending=False).head(10)

2.国家角度

# 从球员的平均评分考虑:先根据Nationality分组，再获取Rating，然后对分组的内容进行计算
s1=players.groupby("Nationality")["Rating"].agg(["count","sum","mean"])

# 对结果s进行过滤，只需要前10的内容
s1=s1[s1["count"]>10]

# 根据平均评分mean将s进行降序排序,显示前十位的结果
s1.sort_values("mean",ascending=False).head(10)

哪个俱乐部拥有更多忠心的球员（5年及其以上的球员）

# 获取年份,并转化成数值类型
year=players["Club_Joining"].map(lambda x:int(x.split("/")[-1]))
# 除了用int()转化，也可以使用np.int转化
# year=year.astype(np.int)

# 获取5年以上球员的信息
t=players[((2020-year)>=5) & (players["Club"] !="Free Agents")]

# 将结果显示出来
t["Club"].value_counts().head(10).plot(kind="bar")

全体足球运动员的出生月份与评分是否有关系

# 全体运动员的出生月份与评分是否有关系
y=players["Birth_Date"].str.split("/",expand=True)
y[0].value_counts().plot(kind="bar")

足球运动员的位置是否与位置有关

# 足球运动员的位置是否与位置有关
# 去除替补球员和后备队球员
t=players[(players["Club_Position"] != "Sub" ) & (players["Club_Position"] !="Res")]

# 为了便于观察，将对应球员俱乐部的号码和位置进行分组
x=t.groupby(["Club_Kit","Club_Position"]).size()
x[x>50].plot(kind="bar")

通过观察足球运动员的号码与位置的条形图，可以发现号码和位置基本上是有关系的

足球运动员的身高和体重是否有关联

players.plot.scatter(x="Height",y="Weight")

通过散点图可以找到，身高和体重是线性正相关的

查看相关系数，来观察哪些特征对数据集的影响程度大

players.corr()

通过这个相关系数表格，可以看出属性两两之间的相关度，数字越大，相关性越大。从表格可以发现，我们的反应能力Reactions与Rating的相关性是0.087811，相关性是很大的

观察年龄与评分之间的关系

# 使用pandas将年龄Age进行离散化
t["Age"]=pd.cut(players["Age"],bins=[0,20,30,40,60],labels=["小","中","大","很大"])

# 根据t的年龄进行分组，得到评分的均值
t.groupby("Age")["Rating"].mean().plot(kind="line",xticks=[0,1,2,3,4],marker="o")

总结

• 这篇文章主要是关于足球运动员数据集的一个分析,所作的工作仅是对数据的一个分析，重点在于熟悉python的数据分析方法
• 首先是对数据的预处理：缺失信息处理（过滤，补全），异常值处理，重复值处理
• 对想要调查的数据进行数据分析，画出相关的图：条形图bar，线性图line，散点图，核密度估计图kde