38年来,NBA最有价值球员|数据分析

使用工具:Ipython notebook/Anacoda-Spyder

使用的库:Pandas,Matplotlib,Seaborn

Python版本:Py3.6

1

数据来源

1).本次用到的数据

来源于https://www.basketball-reference.com/awards/mvp.html，其中可以选择多种形式，我选的是CSV格式，方便后面的数据分析,(文末会分享CSV文件和源码给大家)

一共是38年的数据，我为了截图效果，隐藏了一部分数据

2).主要术语解释

可能有一些非篮球迷看不太懂上面的缩写，下面介绍一下

Player：球员姓名

Age：年龄

Tm：所在球队

G：  上场次数

MP：场均上场时间

PTS：场均得分

TRB：场均篮板

AST：场均助攻

STL：场均抢断

BLK：场均盖帽

FG%：命中率（不包含罚球）

3P%：3分球命中率

FT%：罚球命中率

WS：  胜利贡献值

2

数据分析

1).读取数据

新建一个MVP.py文件，把MVP.py和NBA_mvp.csv文件放在一个目录下

看一下数据的基本情况：列出了13个维度的一些基本信息

比如年龄维度的基本资料：

统计总数38年,平均年龄28岁,最小是22岁,最大35岁

嗯，NBA最佳球员平均28岁左右，这应该是每个人体力的鼎盛时期，但我更关心的是“大龄”MVP，看看最老的MVP是谁，又是几岁获得的呢？

2).看看谁是年纪最大的MVP是谁

print (data['Age'].max())

>>35

既然我们已经知道age里面最大的是35岁，我们只需要找到年纪35岁对于的人名

print(data[data.Age==data.Age.max()])

>>

发现年纪最大的是卡尔-马龙，江湖人称“邮差”，在35岁获得了MVP，真的不容易。其实职业球员过了30岁之后体力已经慢慢走下坡路了，接着我们看看30岁以后获得MVP的球员

3).30岁以上获得MVP的球员

mvp_age30=data.loc[data.Age>=30][['Player','Age']]

print (mvp_age30)

>>一共有10个30岁+的MVP球员

30岁+以上还能获得MVP的是纳什（风之子），卡尔马龙（邮差），乔丹（篮球之神），奥拉朱旺（梦幻脚步），约翰孙（魔术师），朱利叶斯欧文（J博士），贾巴尔（天勾）都是NBA历史上有名的人物啊（不过话说回来，能得MVP的还是厉害的)

4).MVP次数最多球员

其实除了年龄之外，我还关心近38年来谁拿到的MVP次数最多，只要一行代码就能搞定了,Pandas真的是太酷了

print (data.Player.value_counts())

>>

Michael Jordan\jordami01         5

LeBron James\jamesle01           4

Larry Bird\birdla01              3

Magic Johnson\johnsma02          3

Stephen Curry\curryst01          2

Moses Malone\malonmo01           2

Steve Nash\nashst01              2

Karl Malone\malonka01            2

Tim Duncan\duncati01             2

Julius Erving\ervinju01          1

Russell Westbrook\westbru01      1

Shaquille O'Neal\onealsh01       1

Dirk Nowitzki\nowitdi01          1

Kevin Garnett\garneke01          1

Kobe Bryant\bryanko01            1

Kevin Durant\duranke01           1

Hakeem Olajuwon\olajuha01        1

David Robinson\robinda01         1

Allen Iverson\iversal01          1

Kareem Abdul-Jabbar\abdulka01    1

Derrick Rose\rosede01            1

Charles Barkley\barklch01        1

• 第一名和我想的一样 乔丹“乔帮主”，比较出乎我意料的是奥尼尔，科比只有1次，可见MVP的争夺是十分激烈的，能拿到一次的MVP都是外界对自己实力的肯定

• 并且从这里也可以看出，MVP更倾向于球场上的“小个子”，大多是后场球员，会不会是他们球权多一点呢~~

5).MVP的均场数据如何

>>

assistants     6.134211

blocks         1.173684

point         26.718421

rebounds       8.600000

steals         1.592105

从数据大致可以看出，MVP大多都是攻守较为平衡，可以犀利的进攻，也可以严密的防守，攻防兼备才是最有价值球员

6).胜利贡献值

最后来看一个综合的值：WS，即胜利贡献值

• 这个值是根据球队胜场数、每个球员的详细技术统计等诸多数据分析出的，结合了球队战绩以及个人在获胜中起到的作用

• 可以说是衡量一个球员个人能力和团队能力的指数。而我们将要探讨，这个指数和其他的指数有什么联系，我们将用矩阵相关系数来衡量

先来一个热力图，如果你不喜欢在一个矩阵里看数字的话，热力图将是一个不错的选择：

corrmat = data.corr()#获取data的相关系数

f, ax = plt.subplots(figsize=(12, 6))#大小我们设为大一点12*6英寸

sns.heatmap(corrmat,annot=True)#用sns来画图

这样就清楚很多了吧，不仅有颜色深度，还有数字，简直就是上面的升级版，于是我们可以来分析：

和胜利贡献值（WS）联系比较相关的有:

G（比赛场次）

PTS（场均得分

STL（抢断）

FG%（投篮命中率）

也就是说，具备了上面几点，你离MVP就不远了！

• 有好的体力，打的比赛才多，才能贡献更多（大家也可以自己撸代码看一下MVP的场均上场时间和上场次数，肯定不少）

• 能得分高且保持稳定可观的命中率，应当注意的是，高得分和命中率不一定成正比，想象比较极端的情况，你的命中率不高，但我有球权可以一直进攻投篮，比如说我投了50次，进了10个球，也大概有20+了，但命中率并不能称得上是MVP的水准，所以这两个指数应该可以分开的。

• 有不俗的抢断能力，就是平常我们说的“眼疾手快”，有了抢断意味着你就多了一次进攻机会，且大多数能形成快攻，得分的几率更高

标签：数据分析,MVP,38,命中率,场均,球员,NBA,data,Age
来源： https://blog.csdn.net/m0_55389447/article/details/118672446