[PYTHON] Transition du baseball vue à partir des données

J'ai considéré à partir des données comment le baseball a changé en tant que sortie.

Données

Charge de la bibliothèque

Chargez les bibliothèques requises selon vos besoins.

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

Lire les données

Veuillez les mettre dans le même répertoire. Télécharger si collaboration

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

Sélection de fonctionnalité

Si vous le lisez avec seaborn sans sélectionner le montant de la fonctionnalité, ce sera énorme, alors sélectionnez le montant de la fonctionnalité.

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

Matrice de corrélation

Visualisez la matrice de corrélation avec la carte thermique Seaborn.

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)

Considération

Il peut être confirmé que le HR (nombre de circuits) et le SO (taux de triviation) augmentent d'année en année. Ce qui peut être considéré à partir de là, c'est la révolution du flyball. C'est un fait bien connu que la révolution du flyball a augmenté le taux de frappe et le nombre de circuits. Cela peut également être confirmé à partir de ces données. SV (L'augmentation du nombre d'arrêts montre que le système de division des lanceurs a été établi par les temps)

Ensuite, nous examinerons la relation entre le nombre total de bâtons annuels et le nombre de victoires.

En clarifiant la relation entre le nombre total de bâtons annuels et le nombre de victoires, j'aimerais examiner s'il existe une différence entre le passé et le présent, ce qui est le choix le plus efficace.

Lire les données de la barre d'année

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

Mise en forme des données

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

Visualisation

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')

Considération

Une corrélation positive peut être confirmée en 2013 qu'en 2001. Cela peut être dû au fait que la technologie permettant de détecter les capacités des athlètes a évolué depuis 2001.

Résumé

J'ai pu rappeler l'historique de l'évolution de Saber Metrics tout en l'analysant avec des données. La révolution du flyball a eu un impact majeur sur le baseball.