之前发过一篇用python展示NBA球员出手位置偏好的视频：

有些同学想要其中的代码和讲解。再加上当时用的NBA官方接口现在极不稳定，几乎无法使用，所以我这里就再发一篇图文，简单讲解下代码，以及新的替代接口。

项目代码地址：

https://gitee.com/crossin/snippet/tree/master/nba-fpa

NBA 2018-19 赛季已经落下帷幕，猛龙击败勇士，成为新科冠军球队。(注：这篇文章是2019年写的)

我想，不如来做个 NBA 相关的数据分析案例好了。实际上，数据分析团队对于现在的 NBA 球队已经算是标配了，无论是在球员选择还是战术制定上都起着重要的作用。当下整个联盟越来越盛行的“魔球化”打法，其实也正是基于数据分析的产物。

于是，我们就借助官方数据和 Python 的绘图函数，来看一看不同的球员都是在什么位置出手投篮的。

0. 效果展示

照例先看结果，每个点是一次投篮，蓝色点是投中，红色点是未中。挑几个有特点的：

哈登，魔球得很明显了，长两分这种低效率的事绝对不干

西蒙斯

德拉赞，中投小王子

字母哥，篮下都给你扣糊了！

库里，这个得放全场……

科比，生涯累计图，全方位无死角，包括篮板后负角度

下面来看具体步骤，我们以林书豪作为例子。

1. 获取数据

NBA 有一个官方统计网站：stats.nba.com，上面有各种数据，可以说是一个宝藏了。

从网页上，我没有找到这次所需的数据。但通过一番搜索，我找到了网站的开放接口 API。相关的接口和文档你可以从这个项目里查看：

nba_py - stats.nba.com API for python

https://github.com/seemethere/nba_py/

通过以下接口，我们可以获取某个球员在指定赛季的投篮详细数据：

https://stats.nba.com/stats/shotchartdetail?CFID=33&CFPARAMS=2018-19&ContextFilter=&ContextMeasure=FGA&DateFrom=&DateTo=&GameID=&GameSegment=&LastNGames=0&LeagueID=00&Location=&MeasureType=Base&Month=0&OpponentTeamID=0&Outcome=&PaceAdjust=N&PerMode=PerGame&Period=0&PlayerID=201935&PlusMinus=N&Position=&Rank=N&RookieYear=&Season=2018-19&SeasonSegment=&SeasonType=Regular+Season&TeamID=0&VsConference=&VsDivision=&mode=Advanced&showDetails=0&showShots=1&showZones=0&PlayerPosition=

其中参数 PlayerID 是查询球员的 ID，这个 ID 可以通过在网页上搜索球员姓名，从对应的 URL 中获取。比如林书豪就是 202391

https://stats.nba.com/player/202391/

链接中的两处 2018-19 是赛季参数，你可以改成其他赛季，不过我试过不能太早，大约 96 年往前就没数据了，而且早期数据精度要差些。

其他参数可以不用管。

用 requests 库可轻松获取结果(需加上 headers)：

response = requests.get(url, headers=headers,timeout=5)

注意：如果上述投篮详细数据你无法请求得到数据，说明此接口已失效。所以我又找了2个替代方案：

1. 使用别人下载好的数据：https://github.com/toddwschneider/nba-shots-db

2. 一个付费API服务：https://probasketballapi.com/docs/shotcharts 可以免费试用一周，拿来做个练习足够(但部分球员部分赛季数据有缺失)

这里我来讲下第2个方法。从上面的地址点进去可以看到接口和说明。注册一下，拿到 API_KEY 就可以请求了。

接口地址：

https://probasketballapi.com/shotcharts

参数：

player_id - 球员ID

season - 赛季

比如获取林书豪 2013-14 赛季：

2. 解析数据

返回的数据是 JSON 格式，用 pandas 转成 DataFrame 格式，方便后续处理：

data = r.json()

shot_df = pd.DataFrame(data)

我们关心的数据就是 loc_x、loc_y(出手位置)和 shot_made(是否投中)这三列。

3. 绘制投篮点

使用 matplotlib 库的散点图绘制 scatter 方法就可以把投篮点画出来，这个我们之前的各种案例里也用过不少次了：

made = shot_df[shot_df['shot_made']==1]

miss = shot_df[shot_df['shot_made']==0]

plt.scatter(miss.loc_x, miss.loc_y, color='r', marker='.', alpha=0.3)

plt.scatter(made.loc_x, made.loc_y, color='b', marker='.', alpha=0.3)

我们通过参数设定点的大小和透明度，让显示更清楚。

4. 绘制球场

投篮点画出来了，不过只是这样不够直观。我们再来加个球场的图。

这个是通过 matplotlib 里的 Circle、Rectangle、Arc 等方法拼出来的，没啥特别的技术，但代码比较繁琐，这边就不贴了。(只要你愿意，甚至可以用它画出小猪佩奇)

5. 添加头像

最后，再给数据图加上一个头像，让它看起来更完整。头像地址：

https://stats.nba.com/media/players/230x185/202391.png

或者

https://ak-static.cms.nba.com/wp-content/uploads/headshots/nba/latest/260x190/202391.png

文件名依然是球员的 ID，但这个地址并不是对所有球员有效，可做下异常处理。

pic = urllib.request.urlretrieve("http://stats.nba.com/media/players/230x185/202391.png")

# imread 读取的图像可以被 matplotlib 绘制

head_pic = plt.imread(pic[0])

# 将球员图片放置于右上角，并设置缩小等级以配合整个图片

img = OffsetImage(head_pic, zoom=0.6)

# (x, y) 控制将球员放在你想要放的位置

img.set_offset((540,640))

# 添加球员图片

fig.gca().add_artist(img)

如果在你的电脑上位置不对，记得修改下 offset 的值(不同系统，甚至不同编译器都可能存在差异)。

最终效果：

项目代码地址：

https://gitee.com/crossin/snippet/tree/master/nba-fpa

一起学，不孤单

圆老司 @ Crossin的编程教室