本文目录导读：
我将为您创建一个综合Python案例,用于分析高速跑动距离的对比，这个案例将模拟运动员在不同比赛中的高速跑动数据，并进行可视化对比。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
import warnings
warnings.filterwarnings('ignore')
# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False
class HighSpeedRunningAnalyzer:
"""高速跑动距离分析器"""
def __init__(self):
"""初始化分析器"""
self.data = None
self.speed_threshold = 21 # 高速跑动速度阈值 (km/h)
def generate_sample_data(self, n_players=10, n_matches=3):
"""
生成模拟数据
参数:
- n_players: 运动员数量
- n_matches: 比赛场次
"""
np.random.seed(42)
players = [f'球员_{chr(65+i)}' for i in range(n_players)]
matches = [f'第{i+1}轮' for i in range(n_matches)]
data_list = []
for player in players:
# 每个运动员的基础跑动能力
base_speed = np.random.uniform(15, 25) # 基础高速跑动距离(米/分钟)
base_distance = np.random.uniform(800, 1200) # 基础总跑动距离
for match in matches:
# 添加随机波动
speed_factor = np.random.normal(1, 0.1)
match_factor = np.random.normal(1, 0.05)
# 计算高速跑动距离
high_speed_distance = base_distance * 0.2 * speed_factor # 20%为高速跑动
high_speed_distance = max(100, high_speed_distance) # 确保最小值
# 计算其他指标
total_distance = base_distance * match_factor
sprint_count = int(high_speed_distance / np.random.uniform(30, 50))
max_speed = np.random.uniform(28, 35)
data_list.append({
'球员': player,
'比赛': match,
'高速跑动距离': round(high_speed_distance, 1),
'总跑动距离': round(total_distance, 1),
'冲刺次数': sprint_count,
'最高速度': round(max_speed, 1),
'高速跑动占比': round(high_speed_distance / total_distance * 100, 2)
})
self.data = pd.DataFrame(data_list)
return self.data
def load_real_data(self, filepath):
"""加载真实数据"""
try:
self.data = pd.read_csv(filepath)
return self.data
except FileNotFoundError:
print(f"文件 {filepath} 未找到，请检查路径")
return None
def basic_statistics(self):
"""基础统计分析"""
if self.data is None:
print("请先生成或加载数据")
return None
print("=" * 60)
print("基础统计分析")
print("=" * 60)
# 整体统计
print("\n整体统计：")
print(self.data[['高速跑动距离', '总跑动距离', '冲刺次数', '最高速度']].describe())
# 按球员统计
print("\n按球员平均统计：")
player_stats = self.data.groupby('球员')[['高速跑动距离', '总跑动距离', '冲刺次数']].mean()
print(player_stats)
return player_stats
def player_comparison(self, top_n=5):
"""球员对比分析"""
if self.data is None:
print("请先生成或加载数据")
return None
# 计算每名球员的平均高速跑动距离
avg_high_speed = self.data.groupby('球员')['高速跑动距离'].mean().sort_values(ascending=False)
print(f"\n高速跑动距离前{top_n}名球员：")
for i, (player, distance) in enumerate(avg_high_speed.head(top_n).items(), 1):
print(f"{i}. {player}: {distance:.1f}米")
return avg_high_speed
def visualize_comparison(self):
"""可视化对比"""
if self.data is None:
print("请先生成或加载数据")
return
fig, axes = plt.subplots(3, 2, figsize=(15, 12))
fig.suptitle('高速跑动距离对比分析', fontsize=16, fontweight='bold')
# 1. 球员高速跑动距离对比（条形图）
ax1 = axes[0, 0]
player_avg = self.data.groupby('球员')['高速跑动距离'].mean().sort_values()
bars = ax1.barh(range(len(player_avg)), player_avg.values, color='skyblue', edgecolor='navy')
# 添加数据标签
for i, (v, name) in enumerate(zip(player_avg.values, player_avg.index)):
ax1.text(v + 5, i, f'{v:.0f}m', va='center', fontsize=9)
ax1.set_yticks(range(len(player_avg)))
ax1.set_yticklabels(player_avg.index)
ax1.set_xlabel('高速跑动距离 (米)')
ax1.set_title('球员平均高速跑动距离')
ax1.grid(axis='x', alpha=0.3)
# 2. 各比赛高速跑动距离对比（箱线图）
ax2 = axes[0, 1]
match_data = [self.data[self.data['比赛'] == m]['高速跑动距离'] for m in self.data['比赛'].unique()]
bp = ax2.boxplot(match_data, patch_artist=True)
# 设置颜色
colors = ['lightblue', 'lightgreen', 'lightpink']
for patch, color in zip(bp['boxes'], colors):
patch.set_facecolor(color)
ax2.set_xticklabels(self.data['比赛'].unique())
ax2.set_ylabel('高速跑动距离 (米)')
ax2.set_title('各比赛高速跑动距离分布')
ax2.grid(axis='y', alpha=0.3)
# 3. 高速跑动距离 vs 总跑动距离（散点图）
ax3 = axes[1, 0]
for player in self.data['球员'].unique()[:5]: # 只显示前5名
player_data = self.data[self.data['球员'] == player]
ax3.scatter(player_data['总跑动距离'], player_data['高速跑动距离'],
label=player, alpha=0.7, s=80)
ax3.set_xlabel('总跑动距离 (米)')
ax3.set_ylabel('高速跑动距离 (米)')
ax3.set_title('高速跑动距离 vs 总跑动距离')
ax3.legend(bbox_to_anchor=(1.05, 1), loc='upper left')
ax3.grid(alpha=0.3)
# 4. 高速跑动占比对比（饼图）
ax4 = axes[1, 1]
avg_ratio = self.data.groupby('球员')['高速跑动占比'].mean()
top_players = avg_ratio.nlargest(5)
colors = plt.cm.Set3(np.linspace(0, 1, 5))
wedges, texts, autotexts = ax4.pie(top_players.values, labels=top_players.index,
autopct='%1.1f%%', colors=colors,
startangle=90)
ax4.set_title('高速跑动占比前5名')
# 5. 冲刺次数对比（折线图）
ax5 = axes[2, 0]
sprint_data = self.data.pivot_table(index='比赛', columns='球员', values='冲刺次数', aggfunc='mean')
sprint_data.plot(ax=ax5, marker='o', linewidth=2, markersize=6)
ax5.set_xlabel('比赛')
ax5.set_ylabel('平均冲刺次数')
ax5.set_title('各球员平均冲刺次数变化')
ax5.grid(alpha=0.3)
ax5.legend(bbox_to_anchor=(1.05, 1), loc='upper left')
# 6. 相关性热力图
ax6 = axes[2, 1]
corr_matrix = self.data[['高速跑动距离', '总跑动距离', '冲刺次数', '最高速度', '高速跑动占比']].corr()
im = ax6.imshow(corr_matrix, cmap='RdBu_r', aspect='auto', vmin=-1, vmax=1)
# 添加相关系数标签
for i in range(len(corr_matrix)):
for j in range(len(corr_matrix)):
ax6.text(j, i, f'{corr_matrix.iloc[i, j]:.2f}',
ha='center', va='center', fontsize=8)
ax6.set_xticks(range(len(corr_matrix.columns)))
ax6.set_yticks(range(len(corr_matrix.columns)))
ax6.set_xticklabels(corr_matrix.columns, rotation=45, ha='right')
ax6.set_yticklabels(corr_matrix.columns)
ax6.set_title('指标相关性热力图')
plt.tight_layout()
plt.show()
def statistical_tests(self):
"""统计检验"""
if self.data is None:
print("请先生成或加载数据")
return
print("\n" + "=" * 60)
print("统计检验")
print("=" * 60)
# 1. 方差分析 (ANOVA)
match_groups = [self.data[self.data['比赛'] == m]['高速跑动距离']
for m in self.data['比赛'].unique()]
f_stat, p_value = stats.f_oneway(*match_groups)
print(f"\n1. 单因素方差分析 (ANOVA)：")
print(f" F统计量: {f_stat:.4f}")
print(f" p值: {p_value:.6f}")
if p_value < 0.05:
print(" 不同比赛间的高速跑动距离存在显著差异")
else:
print(" 不同比赛间的高速跑动距离无显著差异")
# 2. 正态性检验
all_high_speed = self.data['高速跑动距离']
stat, p_value = stats.normaltest(all_high_speed)
print(f"\n2. 正态性检验 (D'Agostino-Pearson)：")
print(f" 统计量: {stat:.4f}")
print(f" p值: {p_value:.6f}")
if p_value < 0.05:
print(" 数据不符合正态分布")
else:
print(" 数据符合正态分布")
# 3. 相关性分析
print(f"\n3. 相关性分析：")
correlation_matrix = self.data[['高速跑动距离', '总跑动距离', '冲刺次数', '最高速度']].corr()
print(correlation_matrix)
def generate_report(self):
"""生成分析报告"""
if self.data is None:
print("请先生成或加载数据")
return
print("\n" + "=" * 60)
print("高速跑动距离分析报告")
print("=" * 60)
# 整体表现
print(f"\n1. 整体表现")
print(f" 平均高速跑动距离: {self.data['高速跑动距离'].mean():.1f} 米")
print(f" 最大高速跑动距离: {self.data['高速跑动距离'].max():.1f} 米")
print(f" 最小高速跑动距离: {self.data['高速跑动距离'].min():.1f} 米")
print(f" 标准差: {self.data['高速跑动距离'].std():.1f} 米")
# 最佳表现球员
best_player = self.data.groupby('球员')['高速跑动距离'].mean().idxmax()
best_distance = self.data.groupby('球员')['高速跑动距离'].mean().max()
print(f"\n2. 最佳表现")
print(f" 最佳球员: {best_player}")
print(f" 平均高速跑动距离: {best_distance:.1f} 米")
# 比赛影响
match_avg = self.data.groupby('比赛')['高速跑动距离'].mean()
print(f"\n3. 比赛影响")
for match, avg_distance in match_avg.items():
print(f" {match}: {avg_distance:.1f} 米")
# 建议
print(f"\n4. 分析建议")
weak_players = self.data.groupby('球员')['高速跑动距离'].mean().nsmallest(3)
print(f" 需要加强训练的球员: {', '.join(weak_players.index)}")
print(f"\n5. 最佳冲刺表现")
sprint_king = self.data.groupby('球员')['冲刺次数'].mean().idxmax()
print(f" 冲刺王: {sprint_king}")
# 主程序
def main():
"""主函数"""
# 创建分析器实例
analyzer = HighSpeedRunningAnalyzer()
# 生成模拟数据
print("生成模拟数据...")
data = analyzer.generate_sample_data(n_players=8, n_matches=3)
# 显示数据预览
print("\n数据预览：")
print(data.head(10))
# 基础统计分析
analyzer.basic_statistics()
# 球员对比
analyzer.player_comparison(top_n=3)
# 统计检验
analyzer.statistical_tests()
# 可视化对比
analyzer.visualize_comparison()
# 生成报告
analyzer.generate_report()
# 导出数据
print("\n正在导出数据...")
data.to_csv('high_speed_running_analysis.csv', index=False, encoding='utf-8-sig')
print("数据已导出到 high_speed_running_analysis.csv")
if __name__ == "__main__":
main()
这个案例的主要功能包括：
📊 核心功能
-
数据生成与加载
- 自动生成模拟的高维跑动数据
- 支持加载真实CSV数据
-
统计分析
- 基础统计指标计算
- 方差分析(ANOVA)
- 正态性检验
- 相关性分析
-
可视化对比
- 球员间高速跑动距离对比(条形图)
- 各比赛分布对比(箱线图)
- 散点图分析相关性
- 占比饼图
- 趋势分析折线图
- 相关性热力图
-
报告生成
- 自动生成分析报告
- 识别最佳/需改进球员
- 提供训练建议
🚀 运行示例
python high_speed_analysis.py
输出示例：
生成模拟数据...
数据预览：
球员 比赛 高速跑动距离 总跑动距离 冲刺次数 最高速度 高速跑动占比
0 球员_A 第1轮 223.5 1117.3 6 32.5 20.01
1 球员_A 第2轮 218.9 1094.7 5 31.8 20.00
...
基础统计分析
...这个综合案例展示了Python在体育数据分析中的应用,涵盖了数据生成、统计分析、可视化和报告生成的全流程，您可以根据实际需求调整参数或扩展功能。
版权声明：NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
