[PYTHON] Il semble qu'une nouvelle loterie avec un score total commencera dans la loterie sportive,

Contexte

• La loterie sportive est l'une des entreprises gérées par le Japan Sports Promotion Center (JAPAN SPORT COUNCIL) et est vendue pour obtenir des fonds pour la «promotion du sport». Japan Sports Promotion Centre: Sports Promotion Voting Business
• "MEGA BIG", qui dépasse le montant maximum de gains de 600 millions de yens à la loterie sportive, "MEGA BIG" sortira à partir de ce mois.
• "BIG" est pour 14 matchs avec des victoires, des divisions et des défaites, et "MEGA BIG" est pour 12 matchs avec un score total de 1 point ou moins, 2 points, 3 points et 4 points ou plus.

• Au-delà du désespéré "BIG", c'est "MEGA BIG" qui ne le décrit même pas.

Sujet principal

• Quelle est la répartition des scores totaux dans les matchs de la J-League?
• 6130 matchs ont été ciblés au cours des 6 années 2014 à 2019 lorsque la ligue J3 a commencé.
• La répartition est J1: 1 836 parties, J2: 2 772 parties, J3: 1 522 parties.

Flux de processus

1. Récupérez les données de la page calendrier / résultats de Jleague Data Site de 2014 à 2019
2. Lisez le fichier CSV obtenu en 1) et créez un DataFrame.
3. De plus, créez un DataFrame séparé pour J1, J2 et J3 uniquement.
4. Créez 4 graphiques avec matplotlib.
5. Agréger le «score total» à 1 point ou moins, 2 points, 3 points, 4 points ou plus de «MEGA BIG».
6. Faites un graphique des résultats agrégés.

code

① Obtenez les données de la page calendrier / résultats de Jleague Data Site de 2014 à 2019

(2) Lisez le fichier CSV obtenu en (1) et créez un DataFrame.

col_name = ['année','Tournoi','section','Jour de match','K/O temps','domicile','But','Une façon','Stade','Visiteurs','Diffusion TV']
results = pd.DataFrame(index=[], columns=col_name)

for f in files:
    tmp_data = pd.read_csv(f, sep=',', encoding='utf-8')
    results = results.append(tmp_data, ignore_index=True, sort=False)

③ De plus, créez DataFrame séparément pour J1, J2 et J3 uniquement.

#Score total des données pour J1, J2 et J3 uniquement
score_J1 = score_data[score_data['Tournoi'] == 'Ｊ１']
idx_J1 = sorted(score_J1['Score total'].unique())
scoreJ1 = pd.DataFrame({'Score total':idx_J1, 'cnt':score_J1['Score total'].value_counts()}, index=idx_J1)
scoreJ1 = scoreJ1.reset_index().drop('index', axis=1)

score_J2 = score_data[score_data['Tournoi'] == 'Ｊ２']
idx_J2 = sorted(score_J2['Score total'].unique())
scoreJ2 = pd.DataFrame({'Score total':idx_J2, 'cnt':score_J2['Score total'].value_counts()}, index=idx_J2)
scoreJ2 = scoreJ2.reset_index().drop('index', axis=1)

score_J3 = score_data[score_data['Tournoi'] == 'Ｊ３']
idx_J3 = sorted(score_J3['Score total'].unique())
scoreJ3 = pd.DataFrame({'Score total':idx_J3, 'cnt':score_J3['Score total'].value_counts()}, index=idx_J3)
scoreJ3 = scoreJ3.reset_index().drop('index', axis=1)

④ Créez 4 graphiques avec matplotlib.

#Graph J1, J2, J3 et le tout
fig = plt.figure(figsize=(16,9),dpi=144)
fig.subplots_adjust(hspace=0.4)

#Paramètres de style de graphique d'origine
plt.style.use("mystyle")
plt.rcParams["font.family"] = "IPAexGothic"

#Pour stocker des objets graphiques
axes = []
score_list = [scoreJ1['Score total'], scoreJ2['Score total'], scoreJ3['Score total'], score_all['Score total']]
cnt_list = [scoreJ1['cnt'], scoreJ2['cnt'], scoreJ3['cnt'], score_all['cnt']]
cat_list = ['J1', 'J2', 'J3', 'ALL']

#Parcourez 4 graphiques de J1, J2, J3, ALL
for i in range(4):
    axes.append(fig.add_subplot(4,1,i+1))
    axes[i].bar(score_list[i], cnt_list[i])
    [axes[i].text(score_list[i][s], cnt_list[i][s]+25, str(score), size=12, color='r', ha='center') for s, score in enumerate(cnt_list[i])]
    axes[i].set_xticks(np.arange(0,16,1))
    axes[i].set_ylabel(cat_list[i])
    axes[i].set_ylim(0,1500)
    axes[i].text(15-1, 1500-200, 'n:'+str(sum(cnt_list[i])))

plt.xlabel('Score total')

txt1 = 'J'ai essayé de visualiser le score total du match dans la J League.'
fig.text(.05, .9, txt1, fontsize=32, horizontalalignment="left")
txt2 = "Source: site de données JLeague"
fig.text(.9, .05, txt2, fontsize=14, horizontalalignment="right")

plt.savefig('./img/score.png')
plt.show()

⑤ Ajoutez la colonne "Mega" à "Score total" avec 1 point ou moins, 2 points, 3 points, 4 points ou plus de "MEGA BIG"

#Faire une classification de score MEGA
def mega(df):
    if df in (2, 3):
        return df
    elif df <= 1:
        return 1
    elif df >=4:
        return 4

score_data['Mega'] = score_data['Score total'].apply(mega)

⑥ Faites un graphique des résultats agrégés.

Résumé

• Dans n'importe quelle ligue, le total cumulatif de 0 point, 1 point, 2 points et 3 points équivaut à environ 75% du total.
• Plutôt que d'utiliser 5 types de 0 point, 1 point, 2 points, 3 points et 4 points ou plus, il semble que le taux d'apparition a été en moyenne et que 0 point et 1 point ont été définis sur 1 pour faire 4 types. (Devine)
• Il y a eu peu de partage technique et l'accent était mis sur le partage des faits.
• La quantité de code peut être réduite en bouclant plusieurs dessins sur «for» dans le graphique et «notation d'inclusion».
• Malheureusement, la loterie sportive serait devenue encore plus ** «don sans récompense» **.