作者 | 石晓文

来源 | 小小挖掘机

NBA激战正酣，首轮除掘金和马刺的较量还没有结束外，其余对决都已经结束，本文将手把手带你可视化分析下各球队的首轮表现，同时将对次轮最受瞩目的火勇大战进行一个简单的前瞻分析！

通过本文，你将学会python中使用matplotlib库绘制柱状图、散点图、雷达图的相关知识！咱们开始吧！

01 数据获取及准备

我们首先获取各球队季后赛首轮的数据，网址是：https://www.basketball-reference.com/playoffs/NBA_2019.html。首先选择Playoffs：

然后，下拉到球队技术统计这里，导出csv，如果无法直接倒出，可以复制到txt文件里面(我就是这么干的)：

然后，我们再把对手表现的数据导出，这样基础数据就准备好了：

好了，我们使用代码将数据进行读取，首先导入所需要的库：

1import pandas as pd
2import matplotlib.pyplot as plt
3import numpy as np

将数据使用pandas进行读取，看看数据如何：

1team_stats_df = pd.read_csv(~q~data/nba1.txt~q~,sep=~q~,~q~)
2team_stats_df

同样，将对手表现的数据读入，但是这里列名需要修改一下：

1team_opp_stats_df = pd.read_csv(~q~data/nba2.txt~q~,sep=~q~,~q~)
2team_opp_stats_df.columns = [~q~Rk~q~,~q~Team~q~,~q~G~q~] + [~q~opp~q~ + x for x in team_opp_stats_df.columns[3:]]

将两个表按照队名进行merge，这样oppPTS列，可以表示场均失分，这也是我们在对手表现数据里面主要关注的列：

1mergedf = pd.merge(team_stats_df,team_opp_stats_df,on=[~q~Team~q~])

02 柱状图分析球队场均得失分

绘制柱状图，需要使用的是plt.bar方法，其主要输入的有两个参数，一个是x轴的值，一个是高度，比如，我们绘制一下各球队首轮平均得分的柱状图：

1pts = np.array(mergedf[[~q~PTS~q~,~q~oppPTS~q~]].values.tolist())
2index = np.arange(pts.shape[0])
3plt.bar(index,pts[:,1])
4plt.show()

结果如下：

上面的图还是有几个问题的，首先，我们不希望X显示的是数值，我们希望展示各个球队名称的缩写，同时刻度可以不从0开始，这样看上去区分度不是十分的明显。

针对第一个问题，我们需要首先按顺序得到各个球队名称的缩写：

1team_name = [~q~DEN~q~,~q~SA~q~,~q~GSW~q~,~q~PHI~q~,~q~LAC~q~,~q~BKN~q~,~q~POR~q~,~q~HOU~q~,~q~TOR~q~,~q~OKC~q~,~q~UTA~q~,~q~MIL~q~,~q~ORL~q~,~q~BOS~q~,~q~DET~q~,~q~IND~q~]

随后，将x轴的刻度设置为相应的队名：

1plt.xticks(index,team_name) # 设置x轴的刻度

针对第二个问题，我们需要限定y轴的范围，使用ylim方法：

1plt.ylim(80,140) # y轴的范围

这样，我们得到了下面的图片：

上面这部分的完整代码如下：

1team_name = [~q~DEN~q~,~q~SA~q~,~q~GSW~q~,~q~PHI~q~,~q~LAC~q~,~q~BKN~q~,~q~POR~q~,~q~HOU~q~,~q~TOR~q~,~q~OKC~q~,~q~UTA~q~,~q~MIL~q~,~q~ORL~q~,~q~BOS~q~,~q~DET~q~,~q~IND~q~]
2plt.ylabel(~q~Score~q~) # 设置y轴的label
3plt.xlabel(~q~Team~q~) # 设置x轴的label
4plt.xticks(index,team_name) # 设置x轴的刻度
5plt.yticks(np.arange(80,141,10)) #y轴的刻度
6plt.ylim(80,140) # y轴的范围
7plt.bar(index,pts[:,0]) # 绘制直方图
8plt.rcParams[~q~figure.figsize~q~] = (12.0, 6.0) # 修改图片大小
9plt.show()

此时，我们可能想要将球队的得失分表示出来，代码如下：

 1fig, ax = plt.subplots()
 2bar_width = 0.35
 3opacity = 0.4
 4rects1 = ax.bar(index, pts[:,0], bar_width,alpha=opacity, color=~q~b~q~,label=~q~OFFENSE~q~)
 5rects2 = ax.bar(index + bar_width, pts[:,1], bar_width,alpha=opacity, color=~q~r~q~,     label=~q~DEFENSE~q~)
 6ax.set_xlabel(~q~Team~q~)
 7ax.set_ylabel(~q~PTS~q~)
 8ax.set_xticks(index + bar_width / 2)
 9ax.set_xticklabels(team_name)
10ax.set_yticks(np.arange(80,141,10)) #y轴的刻度ax.set_ylim(80,140) # y轴的范围ax.legend()
11plt.show()

绘制的结果如下：

03 散点图分析球队场均得失分

这一部分，我们使用散点图来分析球队场均得失分，使用plt.scatter函数，分别指定各个点的x和y值：

1plt.scatter(pts[:,0], pts[:,1])
2plt.xlabel(~q~Offense PTS~q~) # 设置x轴的label
3plt.ylabel(~q~Defense PTS~q~) # 设置y轴的label
4plt.show()

得到的效果如下：

简单的绘制散点图，什么都看不出来，此时，我们提出两个需求，首先，能不能将各个球队的简称放到各个点的旁边，这样我们就能清楚知道哪个点代表哪个球队。其次，能不能在图中添加两条直线，分别表示球队得分和失分的平均值？我们一个一个来解决。

首先，将球队标记加入到图中，我们使用plt.annotate函数，该函数需要传入三个参数，依次是注释文本内容，被注释的坐标点，注释文字的坐标位置：

1plt.scatter(pts[:,0], pts[:,1])
2plt.xlabel(~q~Offense PTS~q~) # 设置x轴的label
3plt.ylabel(~q~Defense PTS~q~) # 设置y轴的label
4for i in range(len(pts[:,0])):    
5    plt.annotate(team_name[i], xy = (pts[i,0], pts[i,1]), xytext = (pts[i,0]+0.1, pts[i,1]+0.1)) # 这里xy是需要标记
6plt.show()

此时的效果就能满足我们的第一个需求：

对于第二个需求，我们使用plt.vlines和plt.hlines方法，对于plt.vlines方法，它是在图中绘制一条竖直线，因此需要指定x轴的坐标，同时需要指定y轴的起始坐标和结束坐标，对于plt.hlines方法，它是在图中绘制一条水平线，因此需要指定y轴的坐标，同时需要指定x轴的起始坐标和结束坐标：

 1offense_mean = np.mean(pts[:,0])
 2defense_mean = np.mean(pts[:,1])
 3print(offense_mean,defense_mean)
 4plt.scatter(pts[:,0], pts[:,1])
 5plt.vlines(np.mean(pts[:,0]), np.min(pts[:,1])-5,np.max(pts[:,1])+5,colors = "r", linestyles = "dashed")
 6plt.hlines(np.mean(pts[:,1]), np.min(pts[:,0])-5,np.max(pts[:,0])+5,colors = "r", linestyles = "dashed")
 7plt.ylim(np.min(pts[:,1])-5,np.max(pts[:,1])+5) # y轴的范围
 8plt.xlim(np.min(pts[:,0])-5,np.max(pts[:,0])+5) # x轴的范围plt.xlabel(~q~Offense PTS~q~) # 设置x轴的
 9labelplt.ylabel(~q~Defense PTS~q~) # 设置y轴的label
10for i in range(len(pts[:,0])):    
11    plt.annotate(team_name[i], xy = (pts[i,0], pts[i,1]), xytext = (pts[i,0]+0.1, pts[i,1]+0.1)) # 这里xy是需要标记plt.show()

结果如下：

基于上面的散点图，我们就能很快将十六支球队分为四个象限。
1）第一象限：进攻好，防守差，包含的球队有金州勇士、费城76人、洛杉矶快船、布鲁克林篮网
2）第二象限：进攻差，防守差，包含的球队有底特律活塞、俄克拉荷马雷霆、圣安东尼奥马刺
3）第三象限：进攻差，防守好，包含的球队有休斯顿火箭、奥兰多魔术、印第安纳步行者、犹他爵士、多伦多猛龙、波士顿凯尔特人
4）第四象限：进攻好，防守好，包含的球队有密尔沃基雄鹿、波特兰开拓者、丹佛掘金

哈哈，是不是跟你想象的不太一样，比如火箭怎么能说是进攻差的球队呢！因为他们的对手爵士是全联盟常规赛防守第一的球队，这种因素我们是无法通过这种图分析出来的。也就是说，数据不能表明一切！

04 基于雷达图的火勇对决前瞻

勇士在今天的比赛中，凭借杜兰特的神奇表现，击败快船与火箭会师西部半决赛，这也是半决赛对决中最受人瞩目的。那么，我们通过雷达图来分析下两队在季后赛首轮的表现吧。这里要说明的是，我们的数据是在勇船第六场之前获取的，因此只有勇士五场的数据。

我们先来看看两队的基础数据，我们挑选了场均得分，场均失分、命中率、三分命中率、篮板、助攻、抢断、盖帽、失误等九项数据：

1two_team_stats = mergedf[(mergedf[~q~Team~q~]==~q~Houston Rockets~q~) | (mergedf[~q~Team~q~]==~q~Golden State Warriors~q~)]
2hou_and_gsw_df = two_team_stats[[~q~FG%~q~,~q~3P%~q~,~q~TRB~q~,~q~AST~q~,~q~STL~q~,~q~BLK~q~,~q~PTS~q~,~q~oppPTS~q~,~q~TOV~q~]]
3print(hou_and_gsw_df)

结果如下，其中2代表勇士，7代表火箭：

接下来，我们想通过雷达图来对比一下二者的这九项数据，matplotlib里面的雷达图貌似必须是统一刻度的，至少我目前还没有找到如何设置为不同刻度。因此，我们首先将二者的数据，用统一的标准，转换到0-1区间内：

1hou_and_gsw_data[:,0] = hou_and_gsw_data[:,0] / 0.55hou_and_gsw_data[:,1] = hou_and_gsw_data[:,1] / 0.55hou_and_gsw_data[:,2] = hou_and_gsw_data[:,2] / 55hou_and_gsw_data[:,3] = hou_and_gsw_data[:,3] / 40hou_and_gsw_data[:,4] = hou_and_gsw_data[:,4] / 12hou_and_gsw_data[:,5] = hou_and_gsw_data[:,5] / 12hou_and_gsw_data[:,6] = hou_and_gsw_data[:,6] / 130hou_and_gsw_data[:,7] = hou_and_gsw_data[:,7] / 130hou_and_gsw_data[:,8] = hou_and_gsw_data[:,8] / 20

绘制雷达图，使用的是极坐标系，因此，我们需要设置一下：

1fig=plt.figure(figsize=(14,8))
2ax1=fig.add_subplot(1,1,1,polar=True) #设置第一个坐标轴为极坐标体系

随后，我们获取勇士和火箭的数据，并取得对应的数据标签：

1gsw=hou_and_gsw_data[0,:] #提取GSW的信息
2hou=hou_and_gsw_data[1,:] #提取HOU的信息
3label=np.array([j for j in hou_and_gsw_df.columns]) #提取标签

随后，我们基于label的数量，对整圆进行切分，在切分的同时，我们需要加入切分后的第一个元素，以形成一个闭环：

1angle = np.linspace(0, 2*np.pi, len(gsw), endpoint=False) #有几个label，就把整圆360°分成几份angles = 
2np.concatenate((angle, [angle[0]])) #增加第一个angle到所有angle里，以实现闭合gsw = 
3np.concatenate((gsw, [gsw[0]])) #增加gsw的第一项数据，以实现闭合
4hou = np.concatenate((hou, [hou[0]])) 

	pts
	team
	数据
	球队
	需要