NBA 2018/19¶

Analiziral bom igralce v košarkarski ligi NBA v sezoni 2018/19. V analizi bom igralce razdelil po državah iz katerih prihajajo, po poziciji na kateri igrajo in po njihovi starosti v tej sezoni ter podatke prikazal v grafih. Analiziral bom povezavo med procentom meta in višino ter težo igralca. Ugotavljal bom ali so višji igralci res manj natančni. Pogledal si bom tudi kdo so najboljši veterani in najboljši mladi igralci v ligi.

In [1]:

# naložimo paket
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline


# naložimo razpredelnico, s katero bomo delali
podatki_surovo = pd.read_csv('urejeni_podatki.csv', index_col='ID')

# ker bomo delali z velikimi razpredelnicami, povemo, da naj se vedno izpiše le 10 vrstic
pd.options.display.max_rows = 10

In [2]:

#odstranimo stolpec geslo
del podatki_surovo['geslo']   
#spremenimo ime stolpca
podatki_surovo.rename(columns={'Tri_FG':'Tri_game'}, inplace=True)  
podatki_surovo

Out[2]:

	ime_priimek	višina	teža	rojstvo	država	ekipa	pozicija	GP	MP_game	Tri_game	Tri_pct	FT_game	FT_pct	RPG	APG	PPG
ID
abrinal01	Álex Abrines	198	90	1993	Spain	OKC	SG	31	19.0	1.3	0.323	0.4	0.923	1.5	0.6	5.3
acyqu01	Quincy Acy	201	108	1990	Texas	PHO	PF	10	12.3	0.2	0.133	0.7	0.700	2.5	0.8	1.7
adamsja01	Jaylen Adams	188	86	1996	Maryland	ATL	PG	34	12.6	0.7	0.338	0.2	0.778	1.8	1.9	3.2
adamsst01	Steven Adams	211	120	1993	New Zealand	OKC	C	80	33.4	0.0	0.000	1.8	0.500	9.5	1.6	13.9
adebaba01	Bam Adebayo	206	115	1997	New Jersey	MIA	C	82	23.3	0.0	0.200	2.0	0.735	7.3	2.2	8.9
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
youngtr01	Trae Young	185	81	1998	Texas	ATL	PG	81	30.9	1.9	0.324	4.2	0.829	3.7	8.1	19.1
zelleco01	Cody Zeller	213	108	1992	Indiana	CHO	C	49	25.4	0.1	0.273	2.3	0.787	6.8	2.1	10.1
zellety01	Tyler Zeller	213	114	1990	California	TOT	C	6	15.5	0.0	0.000	2.3	0.778	4.0	0.7	7.7
zizican01	Ante Žižić	208	115	1997	Croatia	CLE	C	59	18.3	0.0	NaN	1.6	0.705	5.4	0.9	7.8
zubaciv01	Ivica Zubac	213	108	1997	Bosnia and Herzegovina	TOT	C	59	17.6	0.0	NaN	1.7	0.802	6.1	1.1	8.9

530 rows × 16 columns

LEGENDA:¶

GP -- koliko tekem je igralec odigral v sezoni
MP_game -- koliko minut na tekmo igra v povprečju
Tri_game -- koliko trojk na tekmo zadane v povprečju
Tri_pct -- kolikšen ima procent zadetih trojk
FT_game -- koliko prostih metov zadane na tekmo v povprečju
FT_pct -- kolikšen ima procent zadetih prostih metov
RPG -- skoki na tekmo
APG -- asistence na tekmo
PPG -- točke na tekmo

Igralci po državah¶

poglejmo si koliko igralcev prihaja iz posamezne države. Tu se vsaka zvezna država iz ZDA upošteva posebej. Kljub temu so te zvezne države na prvih mestih, torej je res večina igralcev iz ZDA. Prikazal sem najpogostejših 25 držav.

In [94]:

podatki_po_drzavah = podatki_surovo.groupby('država').count()
podatki_po_drzavah = podatki_po_drzavah.sort_values('ime_priimek', ascending=False)

In [139]:

podatki_po_drzavah['ime_priimek'].head(25).plot.bar(title= 'Število igralcev iz posamezne države', figsize=(17,6), grid=True)

Out[139]:

<AxesSubplot:title={'center':'Število igralcev iz posamezne države'}, xlabel='država'>

Višina igralcev glede na pozicijo¶

C - center (center)
PF - power forward (krilni center)
SF - small forward (krilo)
SG - shooting guard (branilec)
PG - point guard (organizator igre)

Igralce grupiramo glede na pozicijo na kateri igrajo in predstavimo njihovo višino. V grafu vidimo da imajo najnižjo povprečno višino igralci ki igrajo na poziciji organizatorja igre. Višina igralcev na tej poziciji tudi najbolj varira. Po pričakovanju so najvišji igralci na poziciji centra in krilnega centra.

In [39]:

#podatki_po_pozicijah = podatki_surovo.groupby('pozicija', as_index=False)['višina'].mean().sort_values('višina', ascending=False)
#podatki_po_pozicijah = podatki_po_pozicijah.drop([1,3,4,7], axis=0)
podatki_pozicija = podatki_surovo[(podatki_surovo.pozicija !='C,PF')&
                                  (podatki_surovo.pozicija !='PF,SF')&
                                 (podatki_surovo.pozicija !='PF,SG')&
                                 (podatki_surovo.pozicija !='SF,SG')]
podatki_pozicija.boxplot(by='pozicija', column='višina', showfliers=False, figsize=(11,6), fontsize=12, grid=True)
#podatki_surovo.groupby('pozicija').count()

Out[39]:

<AxesSubplot:title={'center':'višina'}, xlabel='pozicija'>

Prikaz igralcev glede na starost¶

S krožnim diagramom bomo predstavili kakšna je bila najpogostejša starost igralcev v sezoni 18/19. Vidimo da je največ igralcev starih od 21 do 26 let, najvišja starost pa je bila kar 41 let.

In [73]:

podatki_starost = podatki_surovo
podatki_starost['starost'] = 2018 - podatki_starost['rojstvo']

In [35]:

explode = (0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.03,0.07,0.1,0.12, 0.15, 0.2, 0.25, 0.3,0.4, 0.5,0.6)
podatki_starost['starost'].value_counts().plot(kind='pie', figsize=(12, 12), fontsize=10, 
                                               explode=explode, labeldistance=1.05, title='Delež igralcev po starosti')
plt.ylabel('')

Out[35]:

Text(0, 0.5, '')

Povezava med procentom meta in višino/težo igralca¶

S pomočjo razsevnega diagrama si poglejmo kako višina in teža vplivata na procent meta za tri točke. Za bolj zanesljive podatke sem vzel le igralce, ki so igrali vsaj 10 tekem in metali vsaj 0.5 trojk na tekmo. vidimo, da pri metu za tri točke povezava ni očitna, torej ne velja splošno prepričanje da so višji igralci manj natančni.

In [6]:

def naredi_scatter(stolpec_ena, omejitev_ena, stolpec_dva, omejitev_dva, x, y, title, color):
    podatki_scatter = podatki_surovo[(stolpec_ena >= omejitev_ena) & (stolpec_dva >= omejitev_dva) ]
    podatki_scatter.plot.scatter(x=x, y=y, title=title, color=color)

In [18]:

naredi_scatter(podatki_surovo.GP, 10, podatki_surovo.Tri_game, 0.5, 'višina', 'Tri_pct', 
               'Povezava procenta zadetih trojk in višine', "LightSeaGreen")

In [17]:

naredi_scatter(podatki_surovo.GP, 10, podatki_surovo.Tri_game, 0.5, 'teža', 'Tri_pct', 
               'Povezava procenta zadetih trojk in teže', "Blue")

Zgornji podatki pa lahko zavajajo, saj meti za tri točke niso najboljše merilo. Višji igralci se manj pogosto odločajo za ta met, kar nam potrdi spodnji razsevni diagram

In [36]:

naredi_scatter(podatki_surovo.GP, 10, podatki_surovo.PPG, 10, 'višina', 'Tri_game', 
               'Povezava zadetih trojk na tekmo in višine', "Red")

V spodnjih dveh razsevnih diagramih sem preverjal povezavo med procentom zadetih prostih metov in višino ter težo. Tokrat je mogoče opaziti negativno povezanost med procentom meta in višino oziroma težo igralca. Lahko tudi opazimo, da ima teža večji vpliv kot višina. Prosti meti so tudi bolj natančno merilo saj imajo pri njem vsi igralci enake pogoje, zato lahko potrdimo hipotezo da so višji in težji igralci manj natančni.

In [15]:

naredi_scatter(podatki_surovo.GP, 10, podatki_surovo.FT_game, 0.5, 'višina', 'FT_pct', 
               'Povezava procenta zadetih prostih metov in višine', "LightSeaGreen")

In [14]:

naredi_scatter(podatki_surovo.GP, 10, podatki_surovo.FT_game, 0.5, 'teža', 'FT_pct', 
               'Povezava procenta zadetih prostih metov in teže', "Blue")

Kdo ima najboljši in najslabši procent zadetih trojk¶

Poiščimo igralce z najboljšim procentom zadetih trojk. Za boljšo natančnost postavimo pogoj da je igral vsaj 25 tekem in metal vsaj 0.8 trojk na tekmo. V tabeli res najdemo nekaj najbolj znanih strelcev lige. Zanimivo je, da je na četrtem mestu igralec, ki je visok kar 213 centimetrov.

In [70]:

def naredi_tabelo(stolpec_ena, omejitev_ena, stolpec_dva, omejitev_dva, stolpci_za_prikaz, ureditev, narascujoce):
    return podatki_surovo[(stolpec_ena >= omejitev_ena) & (stolpec_dva >= omejitev_dva)
                         ][ stolpci_za_prikaz ].sort_values(ureditev, ascending = narascujoce).head(10).style.hide_index()

In [69]:

stolpci = ['ime_priimek', 'višina', 'teža', 'rojstvo', 'država', 'ekipa', 'pozicija', 'GP', 'MP_game', 
                     'Tri_game', 'Tri_pct', 'PPG']
naredi_tabelo(podatki_surovo.GP, 25, podatki_surovo.Tri_game, 0.8, stolpci, 'Tri_pct', False)

Out[69]:

ime_priimek	višina	teža	rojstvo	država	ekipa	pozicija	GP	MP_game	Tri_game	Tri_pct	PPG
Alex Caruso	196	84	1994	Texas	LAL	PG	25	21.2	1	0.48	9.2
Joe Harris	198	99	1991	Washington	BRK	SG	76	30.2	2.4	0.474	13.7
Danny Green	198	97	1987	New York	TOR	SG	80	27.7	2.5	0.455	10.3
Meyers Leonard	213	117	1992	Illinois	POR	C	61	14.4	0.8	0.45	5.9
Seth Curry	188	83	1990	North Carolina	POR	SG	74	18.9	1.5	0.45	7.9
Dwayne Bacon	198	100	1995	Florida	CHO	SG	43	17.7	0.9	0.437	7.3
Stephen Curry	190	86	1988	Ohio	GSW	PG	69	33.8	5.1	0.437	27.3
Danilo Gallinari	208	105	1988	Italy	LAC	SF	68	30.3	2.4	0.433	19.8
E'Twaun Moore	190	86	1989	Indiana	NOP	SG	53	27.6	1.4	0.432	11.9
Dāvis Bertāns	208	102	1992	Latvia	SAS	PF	76	21.5	1.9	0.429	8

Kdo pa so igralci z najslabšim procentom zadetih metov za tri točke. Tokrat vzamemo strožji pogoj in sicer, da je igral vsaj 40 tekem in metal vsaj 1.5 trojk na tekmo.

In [64]:

stolpci = ['ime_priimek', 'višina', 'teža', 'rojstvo', 'država', 'ekipa', 'pozicija', 
                                  'GP', 'MP_game', 'Tri_game', 'Tri_pct', 'PPG']
naredi_tabelo(podatki_surovo.GP, 40, podatki_surovo.Tri_game, 1.5, stolpci, 'Tri_pct', True)

Out[64]:

ime_priimek	višina	teža	rojstvo	država	ekipa	pozicija	GP	MP_game	Tri_game	Tri_pct	PPG
Russell Westbrook	190	90	1988	California	OKC	PG	73	36	1.6	0.29	22.9
Kyle Kuzma	203	99	1995	Michigan	LAL	PF	70	33.1	1.8	0.303	18.7
Kelly Oubre Jr.	201	92	1995	Louisiana	TOT	SF	69	28	1.6	0.32	15.2
Trae Young	185	81	1998	Texas	ATL	PG	81	30.9	1.9	0.324	19.1
Jordan Clarkson	193	87	1992	Florida	CLE	SG	81	27.3	1.8	0.324	16.8
Jrue Holiday	190	92	1990	California	NOP	SG	67	35.9	1.8	0.325	21.2
Devin Booker	196	95	1996	Michigan	PHO	SG	64	35	2.1	0.326	26.6
Luka Dončić	201	98	1999	Slovenia	DAL	SG	72	32.2	2.3	0.327	21.2
Lonzo Ball	198	86	1997	California	LAL	PG	47	30.3	1.6	0.329	9.9
Eric Bledsoe	185	92	1989	Alabama	MIL	PG	78	29.1	1.6	0.329	15.9

Kdo ima najboljši in najslabši procent zadetih prostih metov¶

Poiščimo igralce z najboljšim procentom zadetih prostih metov, pod pogojem da je igral vsaj 25 tekem in metal vsaj 0.5 prostih metov na tekmo.

In [66]:

stolpci = ['ime_priimek', 'višina', 'teža', 'rojstvo', 'država', 'ekipa', 'pozicija', 
                                  'GP', 'MP_game', 'FT_game', 'FT_pct', 'PPG']
naredi_tabelo(podatki_surovo.GP, 25, podatki_surovo.FT_game, 0.5, stolpci, 'FT_pct', False)

Out[66]:

ime_priimek	višina	teža	rojstvo	država	ekipa	pozicija	GP	MP_game	FT_game	FT_pct	PPG
Malcolm Brogdon	196	103	1992	Georgia	MIL	SG	64	28.6	2.2	0.928	15.6
Stephen Curry	190	86	1988	Ohio	GSW	PG	69	33.8	3.8	0.916	27.3
Damian Lillard	188	88	1990	California	POR	PG	80	35.5	5.9	0.912	25.8
Danilo Gallinari	208	105	1988	Italy	LAC	SF	68	30.3	5.4	0.904	19.8
Marco Belinelli	196	95	1986	Italy	SAS	SG	79	23	1.4	0.903	10.5
Justin Holiday	198	82	1989	California	TOT	SG	82	31.8	1.2	0.896	10.5
Yogi Ferrell	183	81	1993	Indiana	SAC	PG	71	15	0.8	0.896	5.9
J.J. Redick	190	90	1984	Tennessee	PHI	SG	76	31.3	3	0.894	18.1
Ian Clark	190	79	1991	Tennessee	NOP	SG	60	16.2	0.6	0.892	6.7
Nik Stauskas	198	92	1993	Canada	TOT	SG	68	14.9	0.8	0.891	5.9

Kdo so igralci z najslabšim procentom zadetih prostih metov, pod pogojem da je igral vsaj 40 tekem in metal vsaj 1 prosti met na tekmo.

In [67]:

stolpci = ['ime_priimek', 'višina', 'teža', 'rojstvo', 'država', 'ekipa', 'pozicija', 
           'GP', 'MP_game', 'FT_game', 'FT_pct', 'PPG']
naredi_tabelo(podatki_surovo.GP, 40, podatki_surovo.FT_game, 1, stolpci, 'FT_pct', True)

Out[67]:

ime_priimek	višina	teža	rojstvo	država	ekipa	pozicija	GP	MP_game	FT_game	FT_pct	PPG
Hassan Whiteside	213	106	1989	North Carolina	MIA	C	72	23.3	1.5	0.449	12.3
Steven Adams	211	120	1993	New Zealand	OKC	C	80	33.4	1.8	0.5	13.9
Willie Cauley-Stein	213	108	1993	Kansas	SAC	C	81	27.3	1.7	0.551	11.9
Mason Plumlee	211	107	1990	Indiana	DEN	C	82	21.1	1.4	0.561	7.8
Andre Drummond	208	126	1993	New York	DET	C	79	33.5	3.1	0.59	17.3
Mitchell Robinson	213	101	1998	Florida	NYK	C	66	20.6	1.2	0.6	7.3
Ben Simmons	208	104	1996	Australia	PHI	PG	79	34.2	3.3	0.6	16.9
Derrick Jones Jr.	198	95	1997	Pennsylvania	MIA	SF	60	19.2	1.2	0.607	7
Ed Davis	206	102	1989	District of Columbia	BRK	C	81	17.9	1.2	0.617	5.8
Greg Monroe	211	120	1990	Louisiana	TOT	C	43	11.2	1	0.625	5.3

Najboljši veterani in mladi igralci¶

V spodnji tabeli so prikazani najstarejši igralci, ki dosegajo vsaj 10 točk, 3 asistence in 3 skoke na tekmo. Pogoj je tudi da so igrali vsaj 25 tekem v sezoni. Najstarejši igralec, ki mu je to uspelo je bil Dwyane Wade.

In [86]:

def po_starosti(narascujoce, prikazi=10):
    return podatki_starost[(podatki_starost.GP >= 25) & (podatki_starost.PPG >= 10) & 
                (podatki_starost.APG >= 3) & (podatki_starost.RPG >= 3)
              ][['ime_priimek', 'višina', 'teža', 'starost', 'država', 'ekipa', 'pozicija', 
                 'GP', 'MP_game', 'RPG', 'APG', 'PPG']
                                      ].sort_values(['starost', 'PPG'], 
                                                    ascending = [narascujoce, False]).head(prikazi).style.hide_index()

In [87]:

po_starosti(False)

Out[87]:

ime_priimek	višina	teža	starost	država	ekipa	pozicija	GP	MP_game	RPG	APG	PPG
Dwyane Wade	193	99	36	Illinois	MIA	SG	72	26.2	4	4.2	15
LeBron James	206	113	34	Ohio	LAL	SF	55	35.2	8.5	8.3	27.4
Chris Paul	185	79	33	North Carolina	HOU	PG	58	32	4.6	8.2	15.6
Marc Gasol	211	115	33	Spain	TOT	C	79	30.8	7.9	4.4	13.6
Trevor Ariza	203	97	33	Florida	TOT	SF	69	34	5.4	3.7	12.5
Lou Williams	185	79	32	Tennessee	LAC	SG	75	26.6	3	5.4	20
Kyle Lowry	183	88	32	Pennsylvania	TOR	PG	65	34	4.8	8.7	14.2
Goran Dragić	190	86	32	Slovenia	MIA	PG	36	27.5	3.1	4.8	13.7
Al Horford	206	111	32	Dominican Republic	BOS	C	68	29	6.7	4.2	13.6
Mike Conley	185	79	31	Arkansas	MEM	PG	70	33.5	3.4	6.4	21.1

Nazadnje si poglejmo še pet najmlajših igralcev, ki dosegajo zgornje pogoje. Najmlajši igralec, ki mu je to uspelo je Luka Dončić.

In [88]:

po_starosti(True, 5)

Out[88]:

ime_priimek	višina	teža	starost	država	ekipa	pozicija	GP	MP_game	RPG	APG	PPG
Luka Dončić	201	98	19	Slovenia	DAL	SG	72	32.2	7.8	6	21.2
Trae Young	185	81	20	Texas	ATL	PG	81	30.9	3.7	8.1	19.1
Brandon Ingram	201	86	21	North Carolina	LAL	SF	52	33.8	5.1	3	18.3
Jamal Murray	193	91	21	Canada	DEN	PG	75	32.6	4.2	4.8	18.2
De'Aaron Fox	190	83	21	Louisiana	SAC	PG	81	31.4	3.8	7.3	17.3

Zaključek¶

Ugotovili smo, da višina in teža igralca ne vplivata na procent zadetih metov za tri točke, vendar je pomembno poudariti, da se višji igralci manj pogosto odločijo za tak met. Drugače je pri prostih metih, kjer pa res velja splošna prepričanost da imajo višji in težji igralci manj natančen met.