[PYTHON] Übergang von Baseball aus Daten gesehen

Ich habe anhand der Daten überlegt, wie sich Baseball als Ausgabe verändert hat.

Daten

Bibliothekslast

Laden Sie die erforderlichen Bibliotheken entsprechend.

import pandas as pd
import scipy as sp
import matplotlib.pyplot as plt
import seaborn as sns

Daten lesen

Bitte legen Sie sie in das gleiche Verzeichnis. Upload wenn colaboratry

team = pd.read_csv('Teams.csv')

Merkmalsauswahl

Wenn Sie es mit seaborn lesen, ohne die Feature-Menge auszuwählen, wird es eine große Menge sein, wählen Sie also die Feature-Menge.

teams  = teams[['yearID','teamID', 'Rank', 'W','L', 'H','SB','SO','RA','SV', 'BB', 'HBP', 'AB', 'SF', 'HR', '2B', '3B']]

Korrelationsmatrix

Visualisieren Sie die Korrelationsmatrix mit der Seaborn Heatmap.

colormap = plt.cm.RdBu
plt.figure(figsize=(16,10))
plt.title('Pearson Correlation of Features', y=1.05, size=15)
sns.heatmap(teams2.corr(),linewidths=0.1,vmax=1.0, 
            square=True, cmap=colormap, linecolor='white', annot=True)

Erwägung

Es kann bestätigt werden, dass HR (Anzahl der Home Runs) und SO (Triviation Rate) mit jedem Jahr zunehmen. Daraus lässt sich die Flyball-Revolution ableiten. Es ist eine bekannte Tatsache, dass die Flyball-Revolution die Trefferquote und die Anzahl der Home Runs erhöht hat. Dies kann auch anhand dieser Daten bestätigt werden. SV (Die Erhöhung der Anzahl der Paraden zeigt, dass das Pitcher-Divisionssystem zu der Zeit eingerichtet wurde.)

Als nächstes betrachten wir die Beziehung zwischen der Gesamtzahl der jährlichen Stöcke und der Anzahl der Gewinne.

Indem ich die Beziehung zwischen der Gesamtzahl der jährlichen Stöcke und der Anzahl der Siege kläre, möchte ich untersuchen, ob es einen Unterschied zwischen der Vergangenheit und der Gegenwart gibt, was die effizienteste Wahl ist.

Lesen Sie die Daten des Jahresbalkens

salaries = pd.read_csv('Salaries.csv')

Datenformung

teams = teams.set_index(['yearID'])
teams.head()
salaries_by_yearID_teamID = salaries.groupby(['yearID', 'teamID'])['salary'].sum()
teams = teams.join(salaries_by_yearID_teamID)

Visualisierung

plt.subplot(1,2,1)
plt.scatter(teams['salary'][2001], teams['W'][2001])
plt.title('2001')
plt.subplot(1,2,2)
plt.scatter(teams['salary'][2013], teams['W'][2013])
plt.title('2013')

Erwägung

Eine positive Korrelation kann 2013 als 2001 bestätigt werden. Dies kann daran liegen, dass sich die Technologie zur Erkennung der Fähigkeiten von Sportlern ab 2001 weiterentwickelt hat.

Zusammenfassung

Ich konnte mich an die Geschichte der Entwicklung von Sabre Metrics erinnern, während ich sie mit Daten analysierte. Die Flyball-Revolution hatte einen großen Einfluss auf den Baseball.