用python基于2015-2016年的NBA常规赛及季后赛的统计数据分析

时间:2022-05-04
本文章向大家介绍用python基于2015-2016年的NBA常规赛及季后赛的统计数据分析,主要内容包括一、实验介绍、1.2 实验知识点、1.3 实验环境、1.4 实验流程、1.5 代码获取、二、获取 NBA比赛统计数据、2.2 获取比赛数据、三、数据分析、四、基于数据进行模型训练和预测、4.2 代码实现、五、总结、基本概念、基础应用、原理机制和需要注意的事项等,并结合实例形式分析了其使用技巧,希望通过本文能帮助到大家理解应用这部分内容。

一、实验介绍

1.1 内容简介

不知道你是否朋友圈被刷屏过nba的某场比赛进度或者结果?或者你就是一个nba狂热粉,比赛中的每个进球,抢断或是逆转压哨球都能让你热血沸腾。除去观赏精彩的比赛过程,我们也同样好奇比赛的结果会是如何。因此本节课程,将给同学们展示如何使用nba比赛的以往统计数据,判断每个球队的战斗力,及预测某场比赛中的结果。

我们将基于2015-2016年的NBA常规赛及季后赛的比赛统计数据,预测在当下正在进行的2016-2017常规赛每场赛事的结果。

1.2 实验知识点

  • nba球队的Elo score计算
  • 特征向量
  • 逻辑回归

1.3 实验环境

  • python2.7
  • Xfce终端

1.4 实验流程

本次课程我们将按照下面的流程实现NBA比赛数据分析的任务:

  1. 获取比赛统计数据
  2. 比赛数据分析,得到代表每场比赛每支队伍状态的特征表达
  3. 利用机器学习方法学习每场比赛与胜利队伍的关系,并对2016-2017的比赛进行预测

1.5 代码获取

本次实验的源码可通过以下命令获得:

$ wget http://labfile.oss.aliyuncs.com/courses/782/prediction.py

二、获取 NBA比赛统计数据

2.1 比赛数据介绍

在本次实验中,我们将采用Basketball Reference.com

http://www.basketball-reference.com/

中的统计数据。在这个网站中,你可以看到不同球员、队伍、赛季和联盟比赛的基本统计数据,如得分,犯规次数等情况,胜负次数等情况。而我们在这里将会使用2015-16 NBA Season Summary中数据。

在这个2015-16总结的所有表格中,我们将使用的是以下三个数据表格:

  • Team Per Game Stats:每支队伍平均每场比赛的表现统计

数据名

含义

Rk -- Rank

排名

G -- Games

参与的比赛场数(都为82场)

MP -- Minutes Played

平均每场比赛进行的时间

FG--Field Goals

投球命中次数

FGA--Field Goal Attempts

投射次数

FG%--Field Goal Percentage

投球命中次数

3P--3-Point Field Goals

三分球命中次数

3PA--3-Point Field Goal Attempts

三分球投射次数

3P%--3-Point Field Goal Percentage

三分球命中率

2P--2-Point Field Goals

二分球命中次数

2PA--2-point Field Goal Attempts

二分球投射次数

2P%--2-Point Field Goal Percentage

二分球命中率

FT--Free Throws

罚球命中次数

FTA--Free Throw Attempts

罚球投射次数

FT%--Free Throw Percentage

罚球命中率

ORB--Offensive Rebounds

进攻篮板球

DRB--Defensive Rebounds

防守篮板球

TRB--Total Rebounds

篮板球总数

AST--Assists

辅助

STL--Steals

偷球

BLK -- Blocks

封阻

TOV -- Turnovers

失误

PF -- Personal Fouls

个犯

PTS -- Points

得分

  • Opponent Per Game Stats:所遇到的对手平均每场比赛的统计信息,所包含的统计数据与Team Per Game Stats中的一致,只是代表的该球队对应的对手的
  • Miscellaneous Stats:综合统计数据

数据项

数据含义

Rk (Rank)

排名

Age

队员的平均年龄

W (Wins)

胜利次数

L (Losses)

失败次数

PW (Pythagorean wins)

基于毕达哥拉斯理论计算的赢的概率

PL (Pythagorean losses)

基于毕达哥拉斯理论计算的输的概率

MOV (Margin of Victory)

赢球次数的平均间隔

SOS (Strength of Schedule)

用以评判对手选择与其球队或是其他球队的难易程度对比,0为平均线,可以为正负数

SRS (Simple Rating System)

3

ORtg (Offensive Rating)

每100个比赛回合中的进攻比例

DRtg (Defensive Rating)

每100个比赛回合中的防守比例

Pace (Pace Factor)

每48分钟内大概会进行多少个回合

FTr (Free Throw Attempt Rate)

罚球次数所占投射次数的比例

3PAr (3-Point Attempt Rate)

三分球投射占投射次数的比例

TS% (True Shooting Percentage)

二分球、三分球和罚球的总共命中率

eFG% (Effective Field Goal Percentage)

有效的投射百分比(含二分球、三分球)

TOV% (Turnover Percentage)

每100场比赛中失误的比例

ORB% (Offensive Rebound Percentage)

球队中平均每个人的进攻篮板的比例

FT/FGA

罚球所占投射的比例

eFG% (Opponent Effective Field Goal Percentage)

对手投射命中比例

TOV% (Opponent Turnover Percentage)

对手的失误比例

DRB% (Defensive Rebound Percentage)

球队平均每个球员的防守篮板比例

FT/FGA (Opponent Free Throws Per Field Goal Attempt)

对手的罚球次数占投射次数的比例

毕达哥拉斯定律:win% = frac{{runs scored}^2}{{runs scored}^2 + {runs allowed}^2}win%=runs scored2+runs allowed2runs scored2

我们将用这三个表格来评估球队过去的战斗力,另外还需2015-16 NBA Schedule and Results中的2015~2016年的nba常规赛及季后赛的每场比赛的比赛数据,用以评估Elo score(在之后的实验小节中解释)。在Basketball Reference.com中按照从常规赛至季后赛的时间。列出了2015年10月份至2016年6月份的每场比赛的比赛情况。

可在上图中,看到2015年10月份的部分比赛数据。在每个Schedule表格中所包含的数据为:

数据项

数据含义

Date

比赛日期

Start (ET)

比赛开始时间

Visitor/Neutral

客场作战队伍

PTS

客场队伍最后得分

Home/Neutral

主场队伍

PTS

主场队伍最后得分

Notes

备注,表明是否为加时赛等

在预测时,我们同样也需要在2016-17 NBA Schedule and Results中2016~2017年的NBA的常规赛比赛安排数据。

2.2 获取比赛数据

我们将以获取Team Per Game Stats表格数据为例,展示如何获取这三项统计数据。

  1. 进入到basketball-refernce.com中,在导航栏中选择Season并选择2015~2016赛季中的Summary
  1. 进入到2015~2016年的Summary界面后,滑动窗口找到Team Per Game Stats表格,并选择左上方的Share & more,在其下拉菜单中选择Get table as CSV (for Excel):
  1. 复制在界面中生的的csv格式数据,并复制粘贴至一个文本编辑器保存为csv文件即可:

为了方便同学们进行实验,我们已经将数据全部都保存成csv文件上传至实验楼的云环境中。在后续的代码实现小节里,我们将给出获取这些文件的地址。

三、数据分析

在获取到数据之后,我们将利用每支队伍过去的比赛情况和Elo 等级分来判断每支比赛队伍的可胜概率。在评价到每支队伍过去的比赛情况时,我们将使用到Team Per Game Stats,Opponent Per Game Stats和Miscellaneous Stats(之后简称为T、O和M表)这三个表格的数据,作为代表比赛中某支队伍的比赛特征。我们最终将实现针对每场比赛,预测比赛中哪支队伍最终将会获胜,但并不是给出绝对的胜败情况,而是预判胜利的队伍有多大的获胜概率。因此我们将建立一个代表比赛的特征向量。由两支队伍的以往比赛情况统计情况(T、O和M表),和两个队伍各自的Elo等级分构成。

关于Elo score等级分,不知道同学们是否看过《社交网络》这部电影,在这部电影中,Mark(主人公原型就是扎克伯格,FaceBook创始人)在电影起初开发的一个美女排名系统就是利用其好友Eduardo在窗户上写下的排名公式,对不同的女生进行等级制度对比,最后PK出胜利的一方。

这条对比公式就是Elo Score等级分制度。Elo的最初为了提供国际象棋中,更好地对不同的选手进行等级划分。在现在很多的竞技运动或者游戏中都会采取Elo等级分制度对选手或玩家进行等级划分,如足球、篮球、棒球比赛或LOL,DOTA等游戏。

在这里我们将基于国际象棋比赛,大致地介绍下Elo等级划分制度。在上图中Eduardo在窗户上写下的公式就是根据Logistic Distribution计算PK双方(A和B)对各自的胜率期望值计算公式。假设A和B的当前等级分为R_ARA何R_BRB,则A对B的胜率期望值为:

E_A=frac{1}{1+10^{(R_B-R_A)/400}}EA=1+10(RBRA)/4001

B对A的胜率期望值为

E_B=frac{1}{1+10^{(R_A-R_B)/400}}EB=1+10(RARB)/4001

如果棋手A在比赛中的真实得分S_ASA(胜1分,和0.5分,负0分)和他的胜率期望值E_AEA不同,则他的等级分要根据以下公式进行调整:

R_A^{new} = R_A^{old} + K(S_A - R_A^{old})RAnew=RAold+K(SARAold)

在国际象棋中,根据等级分的不同K值也会做相应的调整:

  • ge2400≥2400,K=16
  • 2100~2400分,K=24
  • le2100≤2100,K=32

因此我们将会用以表示某场比赛数据的特征向量为(加入A与B队比赛):[A队Elo score, A队的T,O和M表统计数据,B队Elo score, B队的T,O和M表统计数据]

四、基于数据进行模型训练和预测

4.1 实验前期准备

在本次实验环境中,我们将会使用到Python的pandasnumpyscipysklearn库,不过实验楼中已经安装了numpy,所以在实验前,我们需要先利用pip命令安装另外两个python库。

$ sudo pip install pandas
$ sudo pip install scipy
$ sudo pip install sklearn

在安装完所需的实验库之后,进入到实验环境的Code目录下,创建cs_782文件夹,并且通过以下地址获取我们为大家处理好的csv文件压缩包data.zip

$ cd Code
$ mkdir cs_782 && cd cs_782# 获取数据文件$ wget http://labfile.oss.aliyuncs.com/courses/782/data.zip# 解压data压缩包并且删除该压缩包$ unzip data.zip 
$ rm -r data.zip

data文件夹中,包含了2015~2016年的NBA数据T,O和M表,及经处理后的常规赛和挑战赛的比赛数据2015~16result.csv,这个数据文件是我们通过在basketball-reference.com的2015-16 Schedule and result的几个月份比赛数据中提取得到的,其中包括三个字段:

  • WTeam: 比赛胜利队伍
  • LTeam: 失败队伍
  • WLoc: 胜利队伍一方所在的为主场或是客场 另外一个文件就是16-17Schedule.csv,也是经过我们加工处理得到的NBA在2016~2017年的常规赛的比赛安排,其中包括两个字段:
  • Vteam: 访问/客场作战队伍
  • Hteam: 主场作战队伍

4.2 代码实现

Codecs_782目录下,创建prediciton.py开始实验。 首先插入实验相关模块:

# -*- coding:utf-8 -*-import pandas as pdimport mathimport csvimport randomimport numpy as npfrom sklearn import cross_validation, linear_model

设置回归训练时所需用到的参数变量:

# 当每支队伍没有elo等级分时,赋予其基础elo等级分base_elo = 1600team_elos = {} 
team_stats = {}
X = []
y = []
folder = 'data' #存放数据的目录

在最开始需要初始化数据,从T、O和M表格中读入数据,去除一些无关数据并将这三个表格通过Team属性列进行连接:

# 根据每支队伍的Miscellaneous Opponent,Team统计数据csv文件进行初始化def initialize_data(Mstat, Ostat, Tstat):
    new_Mstat = Mstat.drop(['Rk', 'Arena'], axis=1)
    new_Ostat = Ostat.drop(['Rk', 'G', 'MP'], axis=1)
    new_Tstat = Tstat.drop(['Rk', 'G', 'MP'], axis=1)

    team_stats1 = pd.merge(new_Mstat, new_Ostat, how='left', on='Team')
    team_stats1 = pd.merge(team_stats1, new_Tstat, how='left', on='Team')    return team_stats1.set_index('Team', inplace=False, drop=True)

获取每支队伍的Elo Score等级分函数,当在开始没有等级分时,将其赋予初始base_elo值:

def get_elo(team):
    try:        return team_elos[team]    except:        # 当最初没有elo时,给每个队伍最初赋base_elo
        team_elos[team] = base_elo        return team_elos[team]

定义计算每支球队的Elo等级分函数:

# 计算每个球队的elo值def calc_elo(win_team, lose_team):
    winner_rank = get_elo(win_team)
    loser_rank = get_elo(lose_team)

    rank_diff = winner_rank - loser_rank
    exp = (rank_diff  * -1) / 400
    odds = 1 / (1 + math.pow(10, exp))    # 根据rank级别修改K值
    if winner_rank < 2100:
        k = 32
    elif winner_rank >= 2100 and winner_rank < 2400:
        k = 24
    else:
        k = 16
    new_winner_rank = round(winner_rank + (k * (1 - odds)))
    new_rank_diff = new_winner_rank - winner_rank
    new_loser_rank = loser_rank - new_rank_diff    return new_winner_rank, new_loser_rank

基于我们初始好的统计数据,及每支队伍的Elo score计算结果,建立对应2015~2016年常规赛和季后赛中每场比赛的数据集(在主客场比赛时,我们认为主场作战的队伍更加有优势一点,因此会给主场作战队伍相应加上100等级分):

def  build_dataSet(all_data):
    print("Building data set..")
    X = []
    skip = 0
    for index, row in all_data.iterrows():

        Wteam = row['WTeam']
        Lteam = row['LTeam']        #获取最初的elo或是每个队伍最初的elo值
        team1_elo = get_elo(Wteam)
        team2_elo = get_elo(Lteam)        # 给主场比赛的队伍加上100的elo值
        if row['WLoc'] == 'H':
            team1_elo += 100
        else:
            team2_elo += 100

        # 把elo当为评价每个队伍的第一个特征值
        team1_features = [team1_elo]
        team2_features = [team2_elo]        # 添加我们从basketball reference.com获得的每个队伍的统计信息
        for key, value in team_stats.loc[Wteam].iteritems():
            team1_features.append(value)        for key, value in team_stats.loc[Lteam].iteritems():
            team2_features.append(value)        # 将两支队伍的特征值随机的分配在每场比赛数据的左右两侧
        # 并将对应的0/1赋给y值
        if random.random() > 0.5:
            X.append(team1_features + team2_features)
            y.append(0)        else:
            X.append(team2_features + team1_features)
            y.append(1)        if skip == 0:            print X
            skip = 1

        # 根据这场比赛的数据更新队伍的elo值
        new_winner_rank, new_loser_rank = calc_elo(Wteam, Lteam)
        team_elos[Wteam] = new_winner_rank
        team_elos[Lteam] = new_loser_rank    return np.nan_to_num(X), y

最终在main函数中调用这些数据处理函数,使用sklearn的Logistic Regression方法建立回归模型:

if __name__ == '__main__':

    Mstat = pd.read_csv(folder + '/15-16Miscellaneous_Stat.csv')
    Ostat = pd.read_csv(folder + '/15-16Opponent_Per_Game_Stat.csv')
    Tstat = pd.read_csv(folder + '/15-16Team_Per_Game_Stat.csv')

    team_stats = initialize_data(Mstat, Ostat, Tstat)

    result_data = pd.read_csv(folder + '/2015-2016_result.csv')
    X, y = build_dataSet(result_data)    # 训练网络模型
    print("Fitting on %d game samples.." % len(X))

    model = linear_model.LogisticRegression()
    model.fit(X, y)    #利用10折交叉验证计算训练正确率
    print("Doing cross-validation..")
    print(cross_validation.cross_val_score(model, X, y, cv = 10, scoring='accuracy', n_jobs=-1).mean())

最终利用训练好的模型在16~17年的常规赛数据中进行预测。 利用模型对一场新的比赛进行胜负判断,并返回其胜利的概率:

def predict_winner(team_1, team_2, model):
    features = []    # team 1,客场队伍
    features.append(get_elo(team_1))    for key, value in team_stats.loc[team_1].iteritems():
        features.append(value)    # team 2,主场队伍
    features.append(get_elo(team_2) + 100)    for key, value in team_stats.loc[team_2].iteritems():
        features.append(value)

    features = np.nan_to_num(features)    return model.predict_proba([features])

在main函数中调用该函数,并将预测结果输出到16-17Result.csv文件中:

#利用训练好的model在16-17年的比赛中进行预测
    print('Predicting on new schedule..')
    schedule1617 = pd.read_csv(folder + '/16-17Schedule.csv')
    result = []    for index, row in schedule1617.iterrows():
        team1 = row['Vteam']
        team2 = row['Hteam']
        pred = predict_winner(team1, team2, model)
        prob = pred[0][0]        if prob > 0.5:
            winner = team1
            loser = team2
            result.append([winner, loser, prob])        else:
            winner = team2
            loser = team1
            result.append([winner, loser, 1 - prob])    with open('16-17Result.csv', 'wb') as f:
        writer = csv.writer(f)
        writer.writerow(['win', 'lose', 'probability'])
        writer.writerows(result)

运行prediction.py

生成预测结果文件16-17Result.csv文件:

五、总结

在本节课程中,我们利用Basketball-reference.com的部分统计数据,计算每支nba比赛队伍的Elo socre,和利用这些基本统计数据评价每支队伍过去的比赛情况,并且根据国际等级划分方法Elo Score对队伍现在的战斗等级进行评分,最终结合这些不同队伍的特征判断在一场比赛中,哪支队伍能够占到优势。但在我们的预测结果中,与以往不同,我们没有给出绝对的正负之分,而是给出胜算较大一方的队伍能够赢另外一方的概率。当然在这里,我们所采用评价一支队伍性能的数据量还太少(只采用了15~16年一年的数据),如果想要更加准确、系统的判断,有兴趣的你当然可以从各种统计数据网站中获取到更多年份,更加全面的数据。结合不同的回归、决策机器学习模型,搭建一个更加全面,预测准确率更高的模型。在kaggle中有相关的篮球预测比赛项目,有兴趣的同学可尝试一下。