赛题介绍：

这是科赛网的一个非商业练手项目，数据集内含从上世纪90年代开始到16-17赛季，包括NBA所有球员、球队的常规赛，季后赛数据，还收录有教练的执教数据，甚至包括球员各赛季的薪金数据。解决的问题就是对这个数据进行多维度分析，提炼有价值的结论。

我的开源：http://git.yoqi.me/lyq/NBA.git

作品浏览：https://www.kesci.com/apps/home/#!/lab/59b6ad982110010662302a60/v/latest/code

经历了一个堪称疯狂的休赛期，新赛季的NBA以一种超乎想象的方式拉开大幕。你可能想到了太多球员变动会带来磨合问题，想到了再夺冠军之后的勇士会在开局松懈，也想到了某些球队或许没有预期中那么不堪一击，但下面这些恐怕是你很难预料的。

当你看到詹姆斯和他的球队溃败于纽约尼克斯，看到锡伯杜带着一支防守全联盟倒数的球队时，一定会感叹一句：“什么情况！”

AAAlert使用K-Lab在线数据分析工具，构建梅西评分法模型对过往季后赛分数及逆行排名分析，带领大家探寻球队胜利的核心因素。

# coding:utf-8# import base tools import pandas as pd import numpy as np import matplotlib.pyplot as plt from matplotlib import style import warnings warnings.filterwarnings('ignore') style.use('ggplot') % matplotlib inline

“NBA变了”， 三年老球迷抽了一支烟，缓缓地说。

NBA真的变了吗？变在哪里？首先，我们考虑在不同赛季所有球队的表现究竟有何区别？

# 读取季后赛和常规赛数据 team_playoff = pd.read_csv('../input/NBAdata/team_playoff.csv') team_season = pd.read_csv('../input/NBAdata/team_season.csv')

# split season apart 自定义函数，整合出赛季标签便于后面分组；构造分差数据新特征 def add_season(date):    season = np.zeros(len(date))    for i,d in enumerate(date.str.split('-').str[0:2]):        season[i] = int(d[0]) if int(d[1])<7 else int(d[0])+1    return season# generate score_diff_team_a = score(team_a) - score(team_b) def add_score_diff(res):    diff = np.zeros(len(res))    for i,d in enumerate(res.str.split('-')):        diff[i] = abs(int(d[1][0:-3]) - int(d[0][3:]))    return diff team_season['分差'] = add_score_diff(team_season['比分']) team_playoff['分差'] = add_score_diff(team_playoff['比分']) team_season['赛季'] = add_season(team_season.时间) team_playoff['赛季'] = add_season(team_playoff.时间) # replace ['L'/'W'] with [-1/1] team_season['结果'].replace(['L','W'],[-1,1], inplace=True) team_playoff['结果'].replace(['L','W'],[-1,1], inplace=True)

下面从常规赛和季后赛对联盟的赛季发展进行分析。

常规赛

季后赛

# 季后赛分析 temp = team_playoff[['得分','赛季','分差','篮板','犯规','罚球','罚球命中','罚球出手','失误','助攻','投篮']].groupby('赛季') plt.figure(figsize=(14,4)) plt.subplot(121) plt.title('各个赛季得分: 极值与均值') plt.plot(temp['得分'].min(),'g.',alpha=0.7) plt.plot(temp['得分'].max(),'g.',alpha=0.7) plt.plot(temp['得分'].mean(),'bo',temp.mean()['得分'],'k',alpha=0.8) plt.subplot(122) plt.title('各个赛季得分标准差与场均分差') plt.plot(temp['得分'].std(),'go',temp['得分'].std(),'k',alpha=0.8) plt.plot(temp['分差'].mean(),'ro',temp['分差'].mean(),'k',alpha=0.8) plt.legend() plt.figure(figsize=(14,4)) plt.subplot(131) plt.plot(temp.min()['篮板'],'g.',alpha=0.7) plt.plot(temp.max()['篮板'],'g.',alpha=0.7) plt.plot(temp.mean()['篮板'],'o',temp.mean()['篮板'],'k',alpha=0.8) plt.subplot(231) plt.plot(temp['失误'].mean(),'ko',temp['失误'].mean(),'grey',alpha=0.8);plt.legend() plt.subplot(234) plt.plot(temp['助攻'].mean(),'yo',temp['助攻'].mean(),'c',alpha=0.8);plt.legend() plt.subplot(232) plt.plot(temp['犯规'].mean(),'co',temp['犯规'].mean(),'k',alpha=0.8);plt.legend() plt.subplot(235) plt.plot(temp['罚球'].mean(), 'o',temp['罚球'].mean(),'grey',alpha=0.8);plt.legend() plt.subplot(233) plt.plot(temp['投篮'].mean(),'ro',temp['投篮'].mean(),'k',alpha=0.8);plt.legend() plt.subplot(236) plt.plot(temp['篮板'].mean(),'ko',temp['篮板'].mean(),'orange',alpha=0.8);plt.legend()

NBA展现的30年历程，不只是成长，还有周期!

• 1985年起，场均普遍达到110分，联盟实力相对均衡。接下来的5年中NBA开始动荡，实力差距变大。

• 巨头出现：伯德和凯尔特人达到了极盛时期、乔丹一战封神、斯特恩新官上任三把火，开始改革选秀制度、休斯敦双塔首次震撼世人……

• 至1990年左右，得分标准差历史最高，联盟内差距达到顶峰;

• 90年后,得分、分差、不断下滑，在此期间，NBA的规则也在不断完善：裁判数、暂停数、恶犯、三分都在逼近当代的篮球规则体系
  

当然，规则都是用来权衡的。步入21世纪，NBA场均得分历史最低，联盟推出了no-handcheck规则，鼓励进攻，得分回升，实力差异扩大。

从上图的多项数据中仿佛可以看出NBA变迁的两种形式：

• 震荡周期性，主要表现在得分、篮板、分差、助攻、罚球与投篮命中率上，这类数据往往反映了联盟的竞赛风格与内部实力差距。

• 单向趋势性，主要表现在失误、犯规、投篮命中率上，这类数据体现了NBA战术、规则的完善与球员训练素质的逐渐进步 </li> ### 注意，以上特征在季后赛这种关乎生死与最终荣誉的比赛上尤其明显，也就是说：目前还不是全部在瞎编（#滑稽#）。

最有趣的年代是1994-1999年这一段时间，在篮板、投篮命中率、罚球以及场均分差上均是低谷时期。但是往往有不少球迷反而迷恋那个时代，慢进攻节奏，中投为主，缺少三分与罚球等等现代进攻技巧的所谓“效率低下”打法，或许这就是篮球的魅力！

说了这么多，NBA的各项数据，你方唱罢我登场，起起伏伏，仿佛天道轮回，2015年分差（实力差距）沉寂之后，何者独领风骚呢！

：）某杜姓民工的决定，我想，正式拉开了又一个轮回的序幕

看完了这么啰嗦的口水话，我们对NBA的发展有了初步印象。的确，联盟发展存在较大的差异性，那么如何在这些差异性中求得最终的赢家呢？

引入假设

• NBA各个时期的夺冠球队就是最强球队——也许胜负有巧合，但夺冠没有

• 夺冠的球队都是相似的，不夺冠各有各的不幸

• 为消除不同时期的数据分布差异，赛季数据按赛季分组正则化

• 只有季后赛球队参与建模，避免常规赛的各种奇葩情况

• 各位看官没有钦定的情感倾向——这条最严格（扯淡）。

   

def Messi_rank(season_data, index):    train = season_data[['球队',index]].groupby('球队').sum()    A = -np.ones((train.shape[0],train.shape[0]))    for i in range(0,train.shape[0]-1):        A[i,i] += train.shape[0]    A[i+1] = 1    train.iloc[-1] = 0    rank = np.dot(np.linalg.inv(A),train.values)    rank = pd.DataFrame(rank,index=train.index)    return rank group_playoff = team_playoff.groupby('赛季') messi_res = []for s,d in group_playoff:    messi_res.append(Messi_rank(d,'分差'))fig, axes = plt.subplots(nrows=2, ncols=3,figsize=(16,8)) r = c = 0for i,d in enumerate(messi_res):    if(i+1986 in [1996,1997,1998,2001,2014,2016]):        d.sort_values(by=0).plot(kind='bar',ax=axes[r,c],title=i+1986,label=None,legend=None)        c += 1        if(c==3):            c = 0;r=1

从梅西法，我选取了几个比较有竞争力的年份：

• 梅西法评分最高的年份出现在96公牛，01湖人，14马刺三个年代，均大于12.5

• 从评分的分布看出96公牛遇到劲敌96犹他，二者称霸季后赛；但是01湖人、14马刺均是毫无疑问的全面压制对手

• 梅西法评价结果基本符合当时比赛的情形

建模思路

• 寻找最强球队本质上类似一个排序问题，因此采用近似AUC的评估函数与优化方法

• 对每一个赛季而言，是否夺冠作为label

• 每个赛季数据内部正则化，并单独训练模型，产出30个模型

• 最终将所有年代夺冠球队数据放在一个组内，进行正则化并以30个模型的集成结果为定论

• 输出结果，如果有空，那么分析一下模型内部参数的意义。

data = team_playoff.groupby(['赛季','球队']) features = team_playoff.columns[5:-1] print('Simple Features: nt',features) gtrain_data = data.mean()[features].reset_index() winner_count = data.结果.sum() winner_count = winner_count.reset_index() winner_count.head()# 建立历年冠军index与冠军数据集 champs = None champs_index = winner_count.groupby('赛季').apply(lambda t: t[t['结果']==t['结果'].max()]) champs_index = champs_index.drop([(2013.0,411)]) # 数据有些问题，根据净胜结果选取冠军同时出现了2013马刺和热火，因此删除 champs = team_playoff.merge(champs_index, on=['赛季','球队'],how='inner').groupby(['赛季','球队']).mean()[features]# 最终获得的概率输出如图所示 cols = champs_index['赛季'].astype(str).str[0:4] + '-' + champs_index['球队'] finals = pd.DataFrame(finals) finals.columns = cols.values ranks = []for name,row in finals.iterrows():    row = np.array(row)    row[np.argsort(row)] = range(0,len(row))    ranks.append(row) ranks = pd.DataFrame(ranks, columns=finals.columns) ranks.sum().sort_values().plot(kind='barh',figsize=(10,6),color='darkred')finals = [] features_importance = [] # 记录最终结果和特征重要性(模型内参数)for season,tr in gtrain_data.groupby('赛季'):    tr = tr[features]    score = winner_count[winner_count['赛季']==season]['结果']    score = (score==max(score))*1    model1 = LR()    model1.fit(tr,score)    features_importance.append(model1.coef_[0])    finals.append(model1.predict_proba(champs)[:,1])    print(season,',',model1.score(tr,score),end='| ')    if(season%5==0): print('n')# 最终获得的概率输出如图所示 cols = champs_index['赛季'].astype(str).str[0:4] + '-' + champs_index['球队'] finals = pd.DataFrame(finals) finals.columns = cols.values ranks = []for name,row in finals.iterrows():    row = np.array(row)    row[np.argsort(row)] = range(0,len(row))    ranks.append(row) ranks = pd.DataFrame(ranks, columns=finals.columns) ranks.sum().sort_values().plot(kind='barh',figsize=(10,6),color='darkred')

# 这里使用seaborn来绘制一个colormap 每个模型的对球队的概率输出 plt.figure(figsize=(15,10)) _,ax = plt.subplots() ax.set_xticks(np.arange(ranks.shape[1])+0.5, minor=False) ax.set_yticks(np.arange(ranks.shape[0])+0.5, minor=False) ax.pcolor(ranks.T,cmap=plt.cm.Purples, alpha=0.8) ax.set_xticklabels(ranks.T.columns, minor=False) ax.set_yticklabels(ranks.T.index, minor=False)

上面的模型参数看起来很复杂，但是我们尝试去解释的话却也能看出一些门道，如下图：

• 看上去我们的模型中引入的分差过分重要了（当你比对手的分差是正数的时候，你很难输球）

• 有趣的是，罚球三项数据均和最终结果呈负相关……登哥，你可长点心吧。

• 投篮看上去和胜负无所谓；三分甩的多竟然比三分命中率高还重要；但是不要出手太多，容易输哦；失误和犯规少一点，比赛更容易赢……

• 当你的几项积极的数据都包围对手的时候，赢球还不是小目标吗？