【头歌】科比投篮预测——可视化与探索性数据分析（一）

第1关：投篮位置

import matplotlib.pyplot as plt
import pandas as pd
pd.set_option('display.max_columns', 1000)
pd.set_option('display.width', 1000)
pd.set_option('display.max_colwidth', 1000)def student():# ********* Begin *********#data=pd.read_csv("Task1/data.csv")data=data.dropna(axis=0)loc_x=data['loc_x']loc_y=data['loc_y']lat=data['lat']lon=data['lon']plt.figure(figsize=(10,10))plt.subplot(1,2,1)plt.scatter(loc_x,loc_y,alpha=0.02,c='b')plt.title('loc_x and loc_y')plt.subplot(1,2,2)plt.scatter(lon,lat,alpha=0.02,c='g')plt.title('lat and lon')plt.savefig('Task1/img/T1.png')# ********* End *********#

第2关：射击距离

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
pd.set_option('display.max_columns', 1000)
pd.set_option('display.width', 1000)
pd.set_option('display.max_colwidth', 1000)def student():# ********* Begin *********#data=pd.read_csv("Task1/data.csv")data=data.dropna(axis=0)loc_x=data['loc_x']loc_y=data['loc_y']dist=(loc_x**2+loc_y**2)**0.5shot_distance=data['shot_distance']plt.figure(figsize=(5,5))plt.scatter(dist,shot_distance)plt.title('dist and shot_distance')plt.savefig('Task2/img/T1.png')# ********* End *********#

第3关：射击区范围

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import matplotlib.cm as cm
pd.set_option('display.max_columns', 1000)
pd.set_option('display.width', 1000)
pd.set_option('display.max_colwidth', 1000)def student():# ********* Begin *********#data=pd.read_csv("./data.csv")cmap = plt.cm.rainbownorm = matplotlib.colors.Normalize()plt.figure(figsize=(10,10))plt.subplot(2,1,1)data1=datax=data1["shot_made_flag"].groupby(data1["shot_zone_range"]).mean()x=pd.DataFrame([x.index,x.values]).Tdata1=pd.merge(data1,x,left_on="shot_zone_range",right_on=0)plt.scatter(x=data1["lon"],y=data1["lat"],c=cmap(norm(list(data1[1].values))))plt.ylim(33.7,34.0883)plt.subplot(2,1,2)d=data["shot_zone_range"].groupby(data["shot_zone_range"]).count()d=pd.DataFrame([d.index,d.values]).Td.sort_values(by=[1],ascending=False,inplace=True)c=[]for i in d[0]:c.append(data1[data1["shot_zone_range"]==i][1].head(1).values[0])plt.bar(d[0],d[1],color=cmap(norm(c)))plt.savefig("Task4/img/T1.png")plt.show()# ********* End *********#

第4关：射击区

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import matplotlib.cm as cm
pd.set_option('display.max_columns', 1000)
pd.set_option('display.width', 1000)
pd.set_option('display.max_colwidth', 1000)def student():c={"Center(C)":"goldenrod","Right Side Center(RC)":"cornflowerblue","Right Side(R)":"fuchsia","Left Side Center(LC)":"limegreen","Left Side(L)":"turquoise","Back Court(BC)":"red"}# ********* Begin *********#plt.figure(figsize=(10,10))data=pd.read_csv("./data.csv")plt.subplot(2,1,1)data1=datax=data1["shot_made_flag"].groupby(data1["shot_zone_area"]).mean()x=pd.DataFrame([x.index,x.values]).Tdata1=pd.merge(data1,x,left_on="shot_zone_area",right_on=0)data2=pd.DataFrame([c.keys(),c.values()]).Tdata1=pd.merge(data1,data2,left_on="shot_zone_area",right_on=0)plt.scatter(x=data1["lon"],y=data1["lat"],color=data1["1_y"])plt.ylim(33.7,34.0883)plt.subplot(2,1,2)d=data["shot_zone_area"].groupby(data["shot_zone_area"]).count()d=pd.DataFrame([d.index,d.values]).Td.sort_values(by=[1],ascending=False,inplace=True)plt.bar(d[0],d[1],color=c.values())plt.xticks(rotation=45)plt.savefig("Task5/img/T1.png")plt.show()# ********* End *********#

第5关：具体投篮区域

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import matplotlib.cm as cm
pd.set_option('display.max_columns', 1000)
pd.set_option('display.width', 1000)
pd.set_option('display.max_colwidth', 1000)def student():c={"Mid-Range":"cornflowerblue","Restricted Area":"fuchsia","Above the Break 3":"tomato","In The Paint (Non-RA)":"limegreen","Right Corner 3":"green","Back Court(BC)":"fuchsia","Left Corner 3":"lime","Backcourt":"tan"}# ********* Begin *********#plt.figure(figsize=(10,10))data=pd.read_csv("./data.csv")plt.subplot(2,1,1)data1=datax=data1["shot_made_flag"].groupby(data1["shot_zone_basic"]).mean()x=pd.DataFrame([x.index,x.values]).Tdata1=pd.merge(data1,x,left_on="shot_zone_basic",right_on=0)data2=pd.DataFrame([c.keys(),c.values()]).Tdata1=pd.merge(data1,data2,left_on="shot_zone_basic",right_on=0)plt.scatter(x=data1["lon"],y=data1["lat"],color=data1["1_y"])plt.ylim(33.7,34.0883)plt.subplot(2,1,2)d=data["shot_zone_area"].groupby(data["shot_zone_basic"]).count()d=pd.DataFrame([d.index,d.values]).Td.sort_values(by=[1],ascending=False,inplace=True)plt.bar(d[0],d[1],color=c.values())plt.xticks(rotation=45)plt.savefig("Task6/img/T1.png")plt.show()# ********* End *********#

第6关：投篮准确度

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import matplotlib.cm as cm
pd.set_option('display.max_columns', 1000)
pd.set_option('display.width', 1000)
pd.set_option('display.max_colwidth', 1000)def student():# ********* Begin *********#data=pd.read_csv("./data.csv").dropna()plt.subplot(212)data1=data[["lat","lon","shot_zone_range","shot_made_flag"]]x=data1["shot_made_flag"].groupby(data1["shot_zone_range"]).mean()x=pd.DataFrame([x.index,x.values]).Tdata1=pd.merge(data1,x,left_on="shot_zone_range",right_on=0)d=plt.scatter(x=data1["lon"],y=data1["lat"],c=data1[1])plt.colorbar(d,)plt.ylim((33.7, 34.0883))plt.subplot(222)data2=data[["lat","lon","shot_zone_area","shot_made_flag"]]da=data2["shot_made_flag"].groupby(data2["shot_zone_area"]).mean()d=pd.DataFrame([da.index,da.values]).Tdata2=pd.merge(data2,d,left_on="shot_zone_area",right_on=0)plt.scatter(x=data2["lon"],y=data2["lat"],c=data2[1])plt.ylim((33.7, 34.0883))plt.subplot(221)data3=data[["lat","lon","shot_zone_basic","shot_made_flag"]]da=data3["shot_made_flag"].groupby(data3["shot_zone_basic"]).mean()da=pd.DataFrame([da.index,da.values]).Tdata3=pd.merge(data3,da,left_on="shot_zone_basic",right_on=0)plt.scatter(x=data3["lon"],y=data3["lat"],c=data3[1])plt.ylim((33.7, 34.0883))plt.savefig("Task7/img/T1.png")plt.show()# ********* End *********#

【头歌】科比投篮预测——可视化与探索性数据分析（一）相关推荐

科比投篮预测——可视化与探索性数据分析（一）
第1关:投篮位置本关任务:从数据中,我们无法看出特征lat,lon和loc_x,loc_y的区别,所以我们绘制一个一行两列的两个散点图,表示loc_x,loc_y,lat,lon的关系. impor ...
科比投篮预测——可视化与探索性数据分析（二）
第1关:射击精准度本关任务:绘制一个散点图,表示不同进攻方式与命中率之间的关系,具体图形示例请查看测试说明. import pandas as pd import matplotlib.pyplot ...
头哥教学平台-泰坦尼克生还预测-可视化与探索性数据分析
第1关存活率与性别和船舱等级之间的关系 import pandas as pd import numpy as np import seaborn as sns import warnings wa ...
Educoder中题目：泰坦尼克生还预测——可视化与探索性数据分析
第1关:存活率与性别和船舱等级之间的关系 import pandas as pdimport numpy as npimport seaborn as snsimport warningswarnin ...
泰坦尼克数据集预测分析_探索性数据分析—以泰坦尼克号数据集为例（第1部分）
泰坦尼克数据集预测分析 Imagine your group of friends have decided to spend the vacations by travelling to an am ...
科比投篮预测，可视化与探索性数据分析（二）
第一关: import pandas as pd import matplotlib.pyplot as plt pd.set_option('display.max_columns', 1000) ...
泰坦尼克数据集预测分析_探索性数据分析-泰坦尼克号数据集案例研究（第二部分）
泰坦尼克数据集预测分析 Data is simply useless until you don't know what it's trying to tell you. 除非您不知道数据在试图告诉您 ...
头歌实践平台：招聘大数据——数据分析
第1关:数据分析--行业/公司人才稀缺数据分析 import org.apache.spark.sql.{SaveMode, SparkSession}object zhaopin_fenxi1 {d ...
eda可视化_5用于探索性数据分析（EDA）的高级可视化
eda可视化 Early morning, a lady comes to meet Sherlock Holmes and Watson. Even before the lady opens he ...

【头歌】科比投篮预测——可视化与探索性数据分析（一）

第1关：投篮位置

第2关：射击距离

第3关：射击区范围

第4关：射击区

第5关：具体投篮区域

第6关：投篮准确度

【头歌】科比投篮预测——可视化与探索性数据分析（一）相关推荐

最新文章

热门文章