用 Python 分析韦德职业生涯数据-CSDN博客

本文链接：https://blog.csdn.net/weixin_44786530/article/details/90071808

2018 注定是不平凡的一年，这一年有太多我们熟知的大师离去。他们的离去代表着一个时代的终结，也代表这我们 90 后青春的落幕。我们这代 90 后是个男生都会看场 NBA 的比赛。

2013 那年我高二也是 NBA 球队热火队最火爆的时期，詹伟连线无人可挡。

那年的总决赛，热火大比分 2-3 落后马刺，当时第六场的最后几秒热火的比分还是落后于马刺，眼看就要输掉了比赛。那时候我们还在上课，但为了看热火这场生死大战，我和几个死党一起逃课。当时我们都觉得热火已经没有希望了，都准备要回去，但就在比赛快要结束时雷阿伦投入高难度扳平三分，从而把比赛拖入加时，最终逆转夺冠！我们几个当场就大喊起来：热火牛逼！

绝杀总是能让人激动不已！在NBA历史上，留下了不少的经典绝杀！我们的闪电侠韦德也是个中佼佼者，其中 2009 年对阵公牛一役完成抢断三分绝杀就是一大例证，绝杀之后韦德跑到站台上更是霸气的喊到「This is my house」。

当年的热火给我们的青春带来了太多的回忆，虽然曾经的队友，早已成为了彼此的对手。就像当年一起通宵的死党，如今都已变成陌生人，都在为现实奔波。

而就在昨天 12 月 11 日美国当地时间 10 日晚，NBA 常规赛湖人主场迎战热火队，这也是詹姆斯和韦德生涯最后一次常规赛对决。这场比赛就像多年以后老朋友再次相见，有太多不舍的回忆。赛后詹姆斯和韦德生互相交换了球衣，这个场景不知戳中多少球迷的心。

今天就带大家用 Python 分析韦德职业生涯的数据，多年以后或许还可以拿出这篇文章给自己的孩子诉说这自己的青春。

数据获取

数据的来源主要是爬 basketball-reference 网站上的数据。

网站地址：

https://www.basketball-reference.com/players/w/wadedw01.html

网站把韦德所有的生涯数据都展示出来，结构也很清晰我们只要用 requests + pyquery 解析就好。

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，感兴趣的同学可后台回复「nba」获取相应的源代码进行分析，这里给大家一个单词对照表。

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
AST--Assists	辅助
STL--Steals	偷球
BLK -- Blocks	封阻
TOV -- Turnovers	失误
PF -- Personal Fouls	个犯
PTS -- Points	得分