Python数据分析-2023-2024 NBA 球员统计数据分析

一、研究背景

近年来，NBA（美国国家篮球协会）已经成为全球最受关注的篮球联赛之一。随着比赛的日益激烈和球员表现的多样化，分析NBA球员的表现数据变得越来越重要。现代数据分析技术的进步使得我们能够更加详细地研究和理解球员的表现，进而为球队的战略决策提供支持。这些分析不仅帮助教练和管理层做出更明智的决策，也为球迷提供了更深入的比赛理解。

在这个数据集和研究项目中，我们收集并分析了2023-2024赛季NBA球员的详细统计数据，包括每场比赛的表现指标，如得分、篮板、助攻、抢断和盖帽等。这些数据来自于多个信源，通过精确的统计和分析，可以揭示球员之间的差异和相似之处，从而帮助我们更好地理解比赛中的关键因素。

二、研究意义

• 球员表现评估：通过详细的统计分析，我们可以对球员的表现进行客观评估，识别出顶尖球员和潜力球员。这对于球队的选材和培养年轻球员具有重要指导意义。

• 球队战术制定：理解不同球员的优势和劣势，可以帮助教练制定更有效的比赛战术。例如，通过分析球员的投篮命中率、助攻和失误，可以调整进攻和防守策略。

• 球员健康管理：通过数据分析，可以识别出球员在高强度比赛中的疲劳情况和受伤风险，进而优化训练和比赛计划，降低受伤风险。

• 球迷互动：深入的数据分析和洞察可以提升球迷的观赛体验，通过更多的数据可视化和互动，球迷可以更直观地了解比赛和球员表现。

三、实证分析

该数据集提供了 2023-2024 年 NBA 季后赛的大量球员统计数据。它包括各种指标，可以深入了解玩家的表现和效率。分析玩家表现以确定关键贡献者，使用高级指标评估玩家效率，并探索不同统计指标之间的相关性。

首先读取数据

代码和数据

import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt
import seaborn as sns
import os

df = pd.read_csv('NBA Stats 202324 All Stats  NBA Player Props Tool (4).csv')
df
# 2. 查看数据
data.head()

 查看一下数据类型

df.info()

best_player_ppg = df[['RANK','NAME','PPG']].sort_values(by='PPG', ascending=False).head(10)
best_rebound_player =  df[['RANK', 'NAME','RPG']].sort_values(by='RPG', ascending=False).head(10)
best_assist_player = df[['RANK', 'NAME','APG']].sort_values(by='APG', ascending=False).head(10)

#可视化
fig, axs = plt.subplots(1, 3, figsize=(18, 6))
sns.set_style('whitegrid')

# # 每场比赛得分排名前 10 的球员
sns.barplot(x='PPG', y='NAME', data=best_player_ppg, palette='rocket', ax=axs[0])
axs[0].set_title('Top 10 Points per Game Players')

# # 每场比赛篮板排名前 10 的球员
sns.barplot(x='RPG', y='NAME', data=best_rebound_player, palette='rocket', ax=axs[1])
axs[1].set_title('Top 10 Rebounds per Game Players')

# 每场比赛助攻数排名前 10 的球员
sns.barplot(x='APG', y='NAME', data=best_assist_player, palette='rocket', ax=axs[2])
axs[2].set_title('Top 10 Assists per Game Players')

# Adjust layout
plt.tight_layout()
plt.show()

 前 10 名 3 分百分比球员

best_3pt_player = df[['RANK', 'NAME','3P%']].sort_values(by='3P%', ascending=False).head(10)
sns.barplot(x='3P%', y='NAME', data=best_3pt_player, palette='rocket')
plt.title('Top 10 3 Point percentages Player')
plt.show()

fig, axs = plt.subplots(1, 3, figsize=(18, 6))

sns.histplot(df['PPG'], bins=20,  kde=True, ax=axs[0])
axs[0].set_title('Distribution of Point per Game')

sns.histplot(df['APG'], bins=20,  kde=True, ax=axs[1])
axs[1].set_title('Distribution of Assist per Game')

sns.histplot(df['RPG'], bins=20,  kde=True, ax=axs[2])
axs[2].set_title('Distribution of Rebound per Game')

plt.tight_layout()
plt.show()

sns.scatterplot(x='AGE', y='PPG', data=df, hue='POS')
plt.title('Plot AGE vs Point per Game')
plt.show()

position_ppg = df.groupby('POS')['PPG'].mean().reset_index()
position_ppg = position_ppg.sort_values(by='PPG', ascending=False)

sns.barplot(x='PPG', y='POS', data=position_ppg, palette='rocket')
plt.title('Average Points per Game by Position')
plt.xlabel('Average Points per Game')
plt.ylabel('Position')
plt.show()

position_apg = df.groupby('POS')['APG'].mean().reset_index()
position_apg = position_apg.sort_values(by='APG', ascending=False)
sns.barplot(x='APG', y='POS', data=position_apg, palette='rocket')
plt.title('Average Points per Game by Position')
plt.xlabel('Average Points per Game')
plt.ylabel('Position')
plt.show()

四、结论

1. 球员表现差异：顶尖球员和普通球员在多项关键指标上表现出显著差异，如得分、助攻、篮板等。这些差异反映了球员在比赛中的实际影响力和贡献。

2. 关键因素识别：通过多变量分析，我们发现一些指标如使用率（USG%）、得分效率（ORtg和DRtg）对球员整体表现有显著影响。这些指标可以作为球队选材和战术制定的参考。

3. 健康与表现：分析结果显示，球员的比赛时间和负荷与其受伤风险之间存在一定关联。合理的轮换和休息对于保持球员的长期健康和高水平表现至关重要。

4. 战术优化建议：根据不同球员的特点，制定个性化的战术策略可以显著提升球队整体表现。例如，对于具有高助攻能力的球员，应更多地安排他们组织进攻，而得分能力突出的球员则应集中于进攻端。

总体而言，通过对NBA球员数据的深入分析，我们不仅加深了对球员个体表现和团队战术的理解，也为未来的篮球数据分析研究提供了重要参考。本研究的结果可以为球队管理层、教练组和球迷提供有价值的洞察，推动NBA赛事的进一步发展。

 创作不易，希望大家多点赞关注评论！！！（类似代码或报告定制可以私信）