这个python案例显示远射次数哪队多？

wen python案例 2026-08-27 3

Python数据揭秘：季后赛远射次数哪队更强？——用代码解剖NBA/英超投射图谱

目录导读

引言：为什么“远射”是数据科学的热门话题？
数据准备：从公开API抓取真实比赛日志
核心算法：如何用Python精准统计“远射”次数 （含代码片段）
可视化对比：条形图与热力图揭示“投射倾向”
案例分析：某赛季东西部冠军的远射博弈
常见问题解答（FAQ） —— 数据清洗、样本偏差与结果解读
SEO优化要点：如何让这篇文章被搜索引擎青睐

引言：为什么“远射”是数据科学的热门话题？

这个python案例显示远射次数哪队多？

在篮球（NBA）或足球（英超）比赛中，“远射”往往决定比赛走势，但“远射”的定义因项目而异——篮球中通常指三分线外出手，足球中则指禁区外射门，手动翻看技术统计既耗时又易错，而Python能通过自动化脚本，在几分钟内算出哪支球队的远射次数更多，本文将以一个真实案例，展示如何用pandas、matplotlib和seaborn完成从数据抓取到可视化的全流程，并回答“哪队更爱远射”这一问题。

数据准备：从公开API抓取真实比赛日志

我们使用requests库从公开体育数据API（如balldontlie.io或football-data.org）获取JSON格式的比赛数据，示例代码：

import requests
import pandas as pd
# NBA示例：获取2024赛季所有比赛事件
url = "https://www.balldontlie.io/api/v1/stats?seasons[]=2024&per_page=100"
response = requests.get(url)
data = response.json()["data"]
# 提取字段：球队、投篮距离、是否命中
df = pd.DataFrame(data)
df = df[["team.abbreviation", "shot_distance", "shot_made"]]
df["shot_distance"] = pd.to_numeric(df["shot_distance"], errors="coerce")

此步骤关键在于字段筛选——必须包含球员ID、球队缩写和“投篮距离”字段，若数据缺失，可尝试抓取play_by_play接口。

核心算法：如何用Python精准统计“远射”次数

我们用条件筛选统计每队投篮距离≥25英尺（篮球）或≥20码（足球）的出手次数，代码逻辑如下：

# 定义远射阈值（NBA三分线为23.75英尺，取25英尺以排除“骑线投”）
three_pt_distance = 25
df["is_long_range"] = df["shot_distance"] >= three_pt_distance
# 分组统计
team_long_shots = df.groupby("team.abbreviation")["is_long_range"].sum().sort_values(ascending=False)
print("远射次数排行榜（前5）：")
print(team_long_shots.head(5))

技术要点：使用groupby和sum即可聚合，若需按赛季或主客场分类，可添加df["home_away"]字段。

可视化对比：条形图与热力图揭示“投射倾向”

仅看数字不直观,我们用matplotlib生成横向条形图：

import matplotlib.pyplot as plt
plt.figure(figsize=(12, 8))
team_long_shots.head(10).plot(kind="barh", color="#FF5733")"2024赛季远射次数排名（Top 10）", fontsize=16)
plt.xlabel("远射次数")
plt.gca().invert_yaxis()  # 降序排列
plt.show()

若需对比两队在不同区域的远射效率,可绘制热力图（seaborn.heatmap），横轴为距离区间，纵轴为球队，颜色深浅代表出手频率，这一步能直观看出哪队更依赖超远距离（如30英尺以上）。

案例分析：某赛季东西部冠军的远射博弈

假设数据集中,金州勇士（健康水花兄弟）远射总次数为≥1800次，而密尔沃基雄鹿为≈1400次，但单纯看次数有陷阱——勇士场均远射多，但命中率可能偏低，我们计算“远射效率”：

# 计算每队的远射命中率
made_long = df[(df["is_long_range"]) & (df["shot_made"] == 1)].groupby("team.abbreviation").size()
all_long = df[df["is_long_range"]].groupby("team.abbreviation").size()
efficiency = (made_long / all_long).dropna().sort_values(ascending=False)
print("远射效率前三名：")
print(efficiency.head(3))

勇士队远射次数多但命中率中游；而某队（如凯尔特人）虽次数少，但效率极高，远射次数多”≠“远射强”，需结合效率综合评判。

常见问题解答（FAQ）

Q1: 数据包含“垃圾时间”的远射吗？为何不剔除？
A: 为了演示简便，我们未筛选比赛时间，实战中可通过过滤period（如仅保留第四节分差<10分钟）消除偏差。
Q2: 如果API返回超时怎么办？
A: 加try-except块或使用time.sleep(1)做限速，必要时切换备用镜像API。
Q3: 如何将结果导出为CSV分享？
A: 一行代码：team_long_shots.to_csv("long_shots_output.csv")。
Q4: 该代码能用于足球吗？
A: 可以，只需将shot_distance换成shot_location（如“outside box”），并调整阈值大于20码。