6-2. 实战项目：足球运动员分析

足球运动员分析

1. 项目背景

当前，足球运动是最受欢迎的运动之一（也可以说没有之一）。

我们的任务，就是在众多的足球运动员中，发现统计一些关于足球运动员的共性，或某些潜在的规律。也是好玩。

2. 数据集描述

数据集包含的是2017年所有活跃的足球运动员。

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

3. 程序实现

导入相关的库

导入需要的库，同时，进行一些初始化的设置。

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt# 支持中文
mpl.rcParams["font.family"] = "SimHei"
mpl.rcParams["axes.unicode_minus"] = False

3.1 加载相关的数据集

加载相关的数据集（注意原数据集中是否存在标题），并查看数据的大致情况。
可以使用head / tail，也可以使用sample。
列没有显式完整，我们需要进行设置。（pd.set_option）

data = pd.read_csv("FullData.csv")
# data.head()
# data.tail()
# data.sample(5)
# 设置最大显示的列数。
pd.set_option("max_columns", 100)
data.head()

3.2 数据探索与清洗

缺失值处理

通过info查看缺失值信息（以及每列的类型信息）。
可以通过isnull, any, dropna，fillna等方法结合使用，对缺失值进行处理。

# data.info()
# 查看缺失值的记录
# data[data["Club_Position"].isnull()]
data = data[data["Club_Position"].notnull()]

异常值处理

通过describe查看数值信息。
可配合箱线图辅助。

# data.describe()
# data.plot(kind="box")
data["Age"].plot(kind="box")

重复值处理

使用duplicate检查重复值。可配合keep参数进行调整。
使用drop_duplicate删除重复值。

# data.drop_duplicates()
# data.duplicated().any()
np.sum(data.duplicated())

将身高与体重处理成数值类型，便于分析。

# data.head()
t = data.copy()
# 注意：Height本来是str类型，替换掉cm之后，还是str类型，我们需要显式转换为int类型。
# 这里除了使用apply之外，也可以使用map。
# t["Height"] = t["Height"].apply(lambda item: item.replace("cm", "")).astype(np.int32)
# t["Weight"] = t["Weight"].apply(lambda item: item.replace("kg", "")).astype(np.int32)# 我们也可以使用字符串的矢量化计算进行数据的转换。
# t["Height"] = t["Height"].str.replace("cm", "").astype(np.int32)
# t["Weight"] = t["Weight"].str.replace("kg", "").astype(np.int32)data["Height"] = data["Height"].str.replace("cm", "").astype(np.int32)
data["Weight"] = data["Weight"].str.replace("kg", "").astype(np.int32)

运动员的身高，体重，评分信息分布。

# 直方图，离散化的显示。
# data["Rating"].plot(kind="hist")
# 核密度图（概率密度）
data[["Height", "Weight", "Rating"]].plot(kind="kde")

左脚与右脚选手在数量上是否存在偏差？

# 第一种方式
# g = data.groupby("Preffered_Foot")
# g["Preffered_Foot"].count().plot(kind="bar")
# 第二种方式
# g = data.groupby("Preffered_Foot")
# g.size().plot(kind="bar")
# 第三种方式
data["Preffered_Foot"].value_counts().plot(kind="bar")

从球员平均评分上考虑，拥有top10评分能力的俱乐部 / 国家。【超过20人】

# 俱乐部的统计
# g = data.groupby("Club")
# g["Rating"].mean().sort_values(ascending=False)
# r = g["Rating"].agg(["mean", "count"])
# r = r[r["count"] >= 20]
# r.sort_values("mean", ascending=False).head(10).plot(kind="bar")# 国家队的统计
g = data.groupby("Nationality")
# g["Rating"].mean().sort_values(ascending=False)
r = g["Rating"].agg(["mean", "count"])
r = r[r["count"] >= 20]
r.sort_values("mean", ascending=False).head(10).plot(kind="bar")

哪个俱乐部拥有更多忠心的球员（5年及以上）？

data.sample()join_year = data["Club_Joining"].apply(lambda item: int(item.split("/")[-1]))
year = 2017 - join_year
# 选择（过滤）所有加入俱乐部时间大于等于5年的球员。
# 注意，同时需要过滤自由身的球员。（Free Agents）
t = data[(year >= 5) & (data["Club"] != "Free Agents")]
t["Club"].value_counts()

足球运动员是否是出生年月相关？

全体运动员
知名运动员（80分及以上）

# 全体运动员
# expand 参数： 可以将字符串矢量化计算，切分之后的结果进行展开，展开成DataFrame类型。（默认为list列表类型）
# t = data["Birth_Date"].str.split("/", expand=True)
# t[2].value_counts().plot(kind="bar")
# t[0].value_counts().plot(kind="bar")
# t[1].value_counts().plot(kind="bar")# 80分以上（知名运动员）
t = data[data["Rating"] >= 80]
t = t["Birth_Date"].str.split("/", expand=True)
t[0].value_counts().plot(kind="bar")

足球运动员号码是否与位置相关？

# 去掉替补球员与预备队球员。
t = data[(data["Club_Position"] != "Sub") & (data["Club_Position"] != "Res")]
g = t.groupby(["Club_Position", "Club_Kit"])
g.size().sort_values(ascending=False)

身高与体重是否具有相关性？

# data.plot(kind="scatter", x="Height", y="Weight")
# data.plot(kind="scatter", x="Height", y="Rating")
# data.plot(kind="scatter", x="Rating", y="Reactions")

哪些指标对评分的影响最大？

data.corr()

在这里插入图片描述

假设我们不清楚后2列的具体含义是什么，分析该标题可能的含义。

g = data.groupby("Club_Position")
g["GK_Handling"].mean().sort_values(ascending=False).plot(kind="bar")

在这里插入图片描述

年龄与评分具有怎样的关系？

data.plot(kind="scatter", x="Age", y="Rating")

在这里插入图片描述

t = data.copy()
# 对一个数组进行切分，可以将连续值变成离散值。
# bins 指定区间数量（桶数）。bins如果为int类型，则进行等分。
# 此处的区间边界与直方图略有不同。（前开后闭）
# pd.cut(t["Age"], bins=4)
# 如果需要进行区间的不等分，则可以将bins参数指定为数组类型。
# 数组来指定区间的边界。
min_, max_ = t["Age"].min() - 0.5, t["Age"].max()
# pd.cut(t["Age"], bins=[min_, 20, 30, 40, max_])
# pd.cut 默认显示的内容为区间的范围，如果我们希望自定义内容(每个区间显示的内容)，可以通过labels参数
# 进行指定。
t["Age"] = pd.cut(t["Age"], bins=[min_, 20, 30, 40, max_], labels=["弱冠之年", "而立之年","不惑之年", "知天命"])
g = t.groupby("Age")
g["Rating"].mean().plot(kind="line", marker="o", xticks=[0, 1, 2, 3])