世界杯:用Python分析热门夺冠球队 1
2019独角兽企业重金招聘Python工程师标准>>>
2018年,火热的世界杯即将拉开序幕。在比赛开始之前,我们不妨用 Python 来对参赛队伍的实力情况进行分析,并大胆的预测下本届世界杯的夺冠热门球队。
文中有获取本文源代码的方式。
通过数据分析,可以发现很多有趣的结果,比如:
找出哪些队伍是首次进入世界杯的黑马队伍
找出2018年32强中之前已经进入过世界杯,但在世界杯上没有赢得过一场比赛的队伍
当然,我们本次的主要任务是要通过数据分析来预测2018年世界杯的夺冠热门队伍。
本次分析的数据来源于 Kaggle, 包含从 1872 年到今年的数据,包括世界杯比赛、世界杯预选赛、亚洲杯、欧洲杯、国家之间的友谊赛等比赛,一共大约 40000 场比赛的情况。小编推荐一个学Python的学习裙【 二二七,四三五,四五零 】,无论你是大牛还是小白,是想转行还是想入行都可以来了解一起进步一起学习!裙内有开发工具,很多干货和技术资料分享!希望新手少走弯路
本次的环境为
window 7 系统
python 3.6
Jupyter Notebook
pandas version 0.22.0
先来看看数据的情况:
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
plt.style.use('ggplot')
df = pd.read_csv('results.csv')
df.head()
该数据集包含的数据列的信息如下:
日期
主队名称
客队名称
主队进球数 (不含点球)
客队进球数 (不含点球)
比赛的类型
比赛所在城市
比赛所在国家
是否中立
结果如下:
▼
1、 获取所有世界杯比赛的数据(不含预选赛)
df_FIFA_all = df[df['tournament'].str.contains('FIFA', regex=True)]
df_FIFA = df_FIFA_all[df_FIFA_all['tournament']=='FIFA World Cup']
df_FIFA.head()
结果如下:
▼
数据做一个初步整理
df_FIFA.loc[:,'date'] = pd.to_datetime(df_FIFA.loc[:,'date'])
df_FIFA['year'] = df_FIFA['date'].dt.year
df_FIFA['diff_score'] = df_FIFA['home_score']-df_FIFA['away_score']
df_FIFA['win_team'] = ''
df_FIFA['diff_score'] = pd.to_numeric(df_FIFA['diff_score'])
创建一个新的列数据,包含获胜队伍的信息
# The first method to get the winners
df_FIFA.loc[df_FIFA['diff_score']> 0, 'win_team'] = df_FIFA.loc[df_FIFA['diff_score']> 0, 'home_team']
df_FIFA.loc[df_FIFA['diff_score']< 0, 'win_team'] = df_FIFA.loc[df_FIFA['diff_score']< 0, 'away_team']
df_FIFA.loc[df_FIFA['diff_score']== 0, 'win_team'] = 'Draw'
df_FIFA.head()
# The second method to get the winners
def find_win_team(df):
winners = []
for i, row in df.iterrows():
if row['home_score'] > row['away_score']:
winners.append(row['home_team'])
elif row['home_score'] < row['away_score']:
winners.append(row['away_team'])
else:
winners.append('Draw')
return winners
df_FIFA['winner'] = find_win_team(df_FIFA)
df_FIFA.head()
结果如下:
▼
2、 获取世界杯所有比赛的前20强数据情况
2.1 获取世界杯所有比赛获胜场数最多的前20强数据
s = df_FIFA.groupby('win_team')['win_team'].count()
s.sort_values(ascending=False, inplace=True)
s.drop(labels=['Draw'], inplace=True)
用pandas可视化如下:
柱状图
s.head(20).plot(kind='bar', figsize=(10,6), title='Top 20 Winners of World Cup')
▼
水平柱状图
s.sort_values(ascending=True,inplace=True)
s.tail(20).plot(kind='barh', figsize=(10,6), title='Top 20 Winners of World Cup')
▼
饼图
s_percentage = s/s.sum()
s_percentage
s_percentage.tail(20).plot(kind='pie', figsize=(10,10), autopct='%.1f%%',
startangle=173, title='Top 20 Winners of World Cup', label='')
▼
分析结论1:
从赢球场数来看,巴西、德国、意大利、阿根廷四支球队实力最强。
通过上面的分析,我们还可以来查看部分国家的获胜情况
s.get('China', default = 'NA')
s.get('Japan', default = 'NA')
s.get('Korea DPR', default = 'NA')
s.get('Korea Republic', default = 'NA')
s.get('Egypt', default = 'NA')
运行结果分别是 ‘NA’,4,1,5,‘NA’。
从结果来看,中国队,在世界杯比赛上(不含预选赛)还没有赢过。当然,本次世界杯的黑马-埃及队,之前两度进入世界杯上,但也没有赢过~~
上面分析的是赢球场数的情况,下面我们来看下进球总数情况。
2.2 各个国家队进球总数量情况
df_score_home = df_FIFA[['home_team', 'home_score']]
column_update = ['team', 'score']
df_score_home.columns = column_update
df_score_away = df_FIFA[['away_team', 'away_score']]
df_score_away.columns = column_update
df_score = pd.concat([df_score_home,df_score_away], ignore_index=True)
s_score = df_score.groupby('team')['score'].sum()
s_score.sort_values(ascending=False, inplace=True)
s_score.sort_values(ascending=True, inplace=True)
s_score.tail(20).plot(kind='barh', figsize=(10,6), title='Top 20 in Total Scores of World Cup')
▼
分析结论2:
从进球总数量来看,德国、巴西、阿根廷、意大利四支球队实力最强。
上面分析的是自1872年以来的所有球队的数据情况,下面,我们重点来分析下2018年世界杯32强的数据情况。
3、2018年世界杯32强分析
2018年世界杯的分组情况如下:
第一组:俄罗斯、德国、巴西、葡萄牙、阿根廷、比利时、波兰、法国
第二组:西班牙、秘鲁、瑞士、英格兰、哥伦比亚、墨西哥、乌拉圭、克罗地亚
第三组:丹麦、冰岛、哥斯达黎加、瑞典、突尼斯、埃及、塞内加尔、伊朗
第四组:塞尔维亚、尼日利亚、澳大利亚、日本、摩洛哥、巴拿马、韩国、沙特阿拉伯
获取32强的所有数据
首先,判断是否有队伍首次打入世界杯。
team_list = ['Russia', 'Germany', 'Brazil', 'Portugal', 'Argentina', 'Belgium', 'Poland', 'France',
'Spain', 'Peru', 'Switzerland', 'England', 'Colombia', 'Mexico', 'Uruguay', 'Croatia',
'Denmark', 'Iceland', 'Costa Rica', 'Sweden', 'Tunisia', 'Egypt', 'Senegal', 'Iran',
'Serbia', 'Nigeria', 'Australia', 'Japan', 'Morocco', 'Panama', 'Korea Republic', 'Saudi Arabia']
for item in team_list:
if item not in s_score.index:
print(item)
out:
Iceland
Panama
通过上述分析可知,冰岛队和巴拿马队是首次打入世界杯的。
由于冰岛队和巴拿马队是首次进入世界杯,所以这里的32强数据,事实上是没有这两支队伍的历史数据的。
df_top32 = df_FIFA[(df_FIFA['home_team'].isin(team_list))&(df_FIFA['away_team'].isin(team_list))]
3.1 自1872年以来,32强数据情况
赢球场数情况
s_32 = df_top32.groupby('win_team')['win_team'].count()
s_32.sort_values(ascending=False, inplace=True)
s_32.drop(labels=['Draw'], inplace=True)
s_32.sort_values(ascending=True,inplace=True)
s_32.plot(kind='barh', figsize=(8,12), title='Top 32 of World Cup since year 1872')
▼
进球数据情况
df_score_home_32 = df_top32[['home_team', 'home_score']]
column_update = ['team', 'score']
df_score_home_32.columns = column_update
df_score_away_32 = df_top32[['away_team', 'away_score']]
df_score_away_32.columns = column_update
df_score_32 = pd.concat([df_score_home_32,df_score_away_32], ignore_index=True)
s_score_32 = df_score_32.groupby('team')['score'].sum()
s_score_32.sort_values(ascending=False, inplace=True)
s_score_32.sort_values(ascending=True, inplace=True)
s_score_32.plot(kind='barh', figsize=(8,12), title='Top 32 in Total Scores of World Cup since year 1872')
▼
分析结论3:
自1872年以来,32强之间的世界杯比赛,从赢球场数和进球数量来看,德国、巴西、阿根廷三支球队实力最强。
自1872年到现在,已经有100多年,时间跨度较大,有些国家已发生重大变化,后续分别分析自1978年(近10届)以及2002年(近4届)以来的比赛情况。
程序代码是类似的,这里只显示可视化的结果。
3.2 自1978年以来,32强数据情况
赢球场数情况
▼
进球数据情况
▼
分析结论4:
自1978年以来,32强之间的世界杯比赛,从赢球场数来看,阿根廷、德国、巴西三支球队实力最强。从进球数量来看,前3强也是这三支球队,但德国队的数据优势更明显。
3.3 自2002年以来,32强数据情况
赢球场数情况
▼
进球数据情况
▼
分析结论5:
自2002年以来,32强之间的世界杯比赛,从赢球场数和进球数量来看,德国、阿根廷、巴西三支球队实力最强。其中,德国队的数据优势更明显。
4、综合结论
2018年世界杯的32支队伍,根据以往的世界杯比赛数据来看,预测前三强为 德国、阿根廷和巴西,其中德国队应该是夺冠的最大热门。
特别说明:以上数据分析,纯属个人学习用,预测结果与实际情况可能偏差很大,不能用于其他用途。
本文是一次比较综合的项目实战,希望可以给大家带来一些启发。
转载于:https://my.oschina.net/u/3849396/blog/1829968
世界杯:用Python分析热门夺冠球队 1相关推荐
- 世界杯:用Python分析热门夺冠球队
2018年,火热的世界杯即将拉开序幕.在比赛开始之前,我们不妨用 Python 来对参赛队伍的实力情况进行分析,并大胆的预测下本届世界杯的夺冠热门球队. 文中有获取本文源代码的方式. 通过数据分析,可 ...
- python分析比赛_世界杯:用Python分析热门夺冠球队-(附源代码)
2018年,火热的世界杯即将拉开序幕.在比赛开始之前,我们不妨用 Python 来对参赛队伍的实力情况进行分析,并大胆的预测下本届世界杯的夺冠热门球队. 通过数据分析,可以发现很多有趣的结果,比如: ...
- 最强观战指南 | Python分析热门夺冠球队(附源代码)
来源:Python数据之道 本文约2000字,建议阅读5分钟. 本文用 Python 为你分析俄罗斯世界杯32强的实力情况,并大胆预测本届世界杯的夺冠热门球队. 2018年,火热的世界杯即将拉开序幕. ...
- python分析比赛_最强观战指南 | Python分析热门夺冠球队(附源代码)
2018年,火热的世界杯即将拉开序幕.在比赛开始之前,我们不妨用 Python 来对参赛队伍的实力情况进行分析,并大胆的预测下本届世界杯的夺冠热门球队. 通过数据分析,可以发现很多有趣的结果,比如: ...
- Python分析热门话题“不生孩子的人后来都怎么了”,看看丁克家庭最后都怎么样了...
随着三胎政策的开放,人们对于生娃的讨论也逐渐热烈了起来,经常能够在各大社交媒体当中看到相关的话题,而随着时间慢慢地流逝,中国的首批"丁克家庭"已步入晚年,而相关的话题"那 ...
- python分析比赛_实战项目练习 ---- 【2018世界杯】用python分析夺冠球队
2018世界杯 前言 在网上找到了个用Python分析2018世界杯夺冠热门的项目,感觉很有意思准备拿来练练手. 因为目前还没有学到图形可视化部分,所以这部分内容会完全借鉴网上的教程. 分析目的 通过 ...
- python体育竞技分析代码200行_使用Python进行体育竞技分析(预测球队成绩)
使用Python进行体育竞技分析(预测球队成绩) 发布时间:2020-09-18 06:38:27 来源:脚本之家 阅读:69 今天我们用python进行体育竞技分析,预测球队成绩 一. 体育竞技分析 ...
- EDG夺冠,我用Python分析一波:粉丝都炸锅了
EDG夺冠,粉丝炸锅了! 北京时间11月6日,在英雄联盟S11总决赛中,中国LPL赛区战队EDG电子竞技俱乐部以3∶2战胜韩国LCK赛区战队DK,获得2021年英雄联盟全球总决赛冠军. 这个比赛也是备 ...
- python选手的最后得分_用Python进行体育竞技分析(预测球队成绩)!身家都下注了!...
今天我们用python进行体育竞技分析,预测球队成绩 一. 体育竞技分析的IPO模式 : 输入I(input):两个球员的能力值,模拟比赛的次数(其中,运动员的能力值,可以通过发球方赢得本回合的概率来 ...
最新文章
- 负数分解质因数java_Java经典案例之-“分解质因数”
- Linux文件权限(3)
- 关于exchange 2013输入账号密码后owa空白页解决方法
- SAP CRM产品主数据应用里value node和model node的转换
- 51 NOD 1363 最小公倍数之和 (欧拉函数思维应用)
- Linux系统编程----8(竞态条件,时序竞态,pause函数,如何解决时序竞态)
- Adobe CTO:Android将超预期获50%份额
- RA维持期达标式减停生物制剂(DRESS研究)的18个月数据
- 【react】---组件传值的介绍
- iOS 开发比较实用的框架总结(上)
- Android使用NanoHttpd在app内搭建http server(一)
- 京东智联云能打破“强者恒强”的定律吗?
- 智能电表如何采集数据?
- 手搭深度推荐模型(四) NFM
- mysql中文拼音排序
- 最全面的外包公司的解释
- tekton入门 - tasks
- Direct3D 12 尝鲜(五): SDK 更新
- 非常精美的唐诗,无与伦比哦遥知兄弟登高处,遍插茱萸少一人。秦时明月汉时关,万里长征人未还。但使龙城飞将在,不教胡马度阴山。春眠不觉晓,处处闻啼鸟。夜来风雨声,花落知多少。君自故乡来,应知故乡事。来日绮
- mac 安装 pip
热门文章
- 浙江工业大学信息工程学院研究生申请学位学术成果要求
- 腾讯T2大牛亲自教你!看了谷歌大神写的Spring源码笔记,不愧是大佬
- logstash配置pipelines.yml后报错
- 最新代shua网秒shua订单量源码 上传即可使用
- surfacei5用matlab,良心爆料微软Surface Pro 6怎么样呢?评测好不好?老司机指教诉说...
- GCD全解-dispatch_after/dispatch_time-t延迟操作
- 气动调节蝶阀小知识!
- 部署FileZilla服务端与客户端
- php定时任务-宝塔Linux面板
- NodeList ,HTMLCollection