等開學前每天都寫blogger有關的文章有點膩,
於是今天來點不一樣的口味,NBA數據分析.
說實話,我對球類運動一直很不在行,很少關注這類運動.
(除了棒球跟亞洲列強打時,會跟風看球賽..)
總而言之,這篇文章的重點在分析上其實很簡單,讓我們輕鬆看過去吧.
以上為使用R著名的套件dplyr.
在處理大量資料上非常的方便強大.
一開始學R要切割資料時,都很花時間,因為我不會迴圈又沒邏輯...
後來得知這個套件,真的覺得超猛,省下很多資料整理時間.
(教學:請看這dplyr)
於是今天來點不一樣的口味,NBA數據分析.
說實話,我對球類運動一直很不在行,很少關注這類運動.
(除了棒球跟亞洲列強打時,會跟風看球賽..)
總而言之,這篇文章的重點在分析上其實很簡單,讓我們輕鬆看過去吧.
資料格式
變數如下圖,很多變數跟資料,但只是簡單練習,沒有要全面分析,所以只用四變數做分析.
之後有其他想法會再做更多分析.
之後有其他想法會再做更多分析.
使用變數為:投球球員,節數,有無進球,得分數
(此資料來源為Kaggle資料科學平台,提供各式資料樣本)
Analysis Tool: R+Tableau
這兩樣工具一樣是我上研所才學的東西,經驗值約兩個月.
分析過程
此次分析的 R code
### 2014-2015 每節FG% ### shot_logs %>% filter(投球球員=='kyle korver') %>% group_by(節數) %>% summarise(sum(有無進球)/length(有無進球)) shot_logs %>% filter(投球球員=='stephen curry') %>% group_by(節數) %>% summarise(sum(有無進球)/length(有無進球)) shot_logs %>% filter(投球球員=='klay thompson') %>% group_by(節數) %>% summarise(sum(有無進球)/length(有無進球)) ### 2014-2015得分數總計 ### shot_logs %>% filter(投球球員=='kyle korver') %>% summarise(sum(得分數*有無進球)) shot_logs %>% filter(投球球員=='stephen curry') %>% summarise(sum(得分數*有無進球)) shot_logs %>% filter(投球球員=='klay thompson') %>% summarise(sum(得分數*有無進球))
以上為使用R著名的套件dplyr.
在處理大量資料上非常的方便強大.
一開始學R要切割資料時,都很花時間,因為我不會迴圈又沒邏輯...
後來得知這個套件,真的覺得超猛,省下很多資料整理時間.
(教學:請看這dplyr)
分析結果
Tableau(Data Viz)
可以看到以上三名射手,在2014-2015年的總得分.
按照排名的話就是Stephen Curry-Klay Thompson-Kyle Korver.
對不常看籃球的人來說感覺Curry超強的啦,根本神紀錄.
但實際上身為一個籃球迷或NBA賭徒,一定要懂各NBA統計的指標啊(雖然我都不是...
而其中有一項指標為FG%(Field Goal Percentage),看起來不是很懂沒關係.
簡單來說,FG%=投進球數/投球數,就是投籃命中率囉.
但單只計算FG%有點無聊,所以我按照各節數計算投籃命中率.
可以觀察到這三個球員,在每節球賽的投球表現,
非常有趣的是按照這個FG%重新來排名為Kyle Korver-Stephen Curry-Klay Thompson.
從總得分數和FG%,得知Kyle Korver較少上場,較少出手.
但每一出手就幾乎必中,他才是真正的神射手.
從三個球員的FG%走勢圖,可得知越好的射手到比賽快結束時,狀況不只要保持,而且到關鍵時刻要手感發燙,來一個大爆發逆轉秀,這樣才能符合球隊和觀眾的期待.
最後,
此篇射手分析,並不代表這三位球員相互比較的價值,僅針對2014-2015的射籃數據做分析,如果你是Curry迷,別生氣,因為一個球員能全方位的協助球隊獲勝才能真正決定他的價值.
