Seaborn数据分析NBA球员信息数据集
更新时间:2022年09月29日 09:42:54 作者:ZacheryZHANG
这篇文章主要为大家介绍了Seaborn数据分析处理NBA球员信息数据集案例,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪
本案例使用 Jupyter Notebook进行案例演示,数据集为NBA球员信息数据集。本项目将进行完整的数据分析演示。
1. 数据介绍
- 数据集共有342个球员样本,38个特征,即342行×38列。
- 数据集主要信息如下表所示:
球员姓名 | 位置 | 身高 | 体重 | 年龄 | 球龄 | 上场次数 | 场均时间 | 进攻能力 | 防守能力 | 是否入选过全明星 | 球员薪金 |
---|
- 本数据集主要可以用来做数据处理以及数据挖掘,进行数据可视化。
- 本小结,我们将对NBA球员数据集进行初步统计学分析,并且绘制出相关性热力图。
2. 案例演示
2.1 获取数据
导入相关库,并使用如下代码进行本地数据集获取。
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns # 获取数据集 NBA = pd.read_csv("nba_2017_nba_players_with_salary.csv") NBA.head()
运行结果:
2.2 查看数据基本信息
先进行简单的统计学分析,查看标准差、中位数、方差等等信息。
# 看一下数据有多少 NBA.shape # 查看基本统计信息 NBA.describe()
部分运行结果:
2.3 数据分析
2.3.1 效率值相关性分析
在众多数据中,有一项名为RPM,表示球员的效率值。该数据反映球员在场时对球队比赛获胜的贡献大小,最能反映球员的综合实力。我们可以看一下它与其他数据的相关性。
首先,我们取出几个有用的特征分析相关性,并绘制热力图。
# 2. 数据分析 ## 2.1 效率值相关性分析 NBA_1 = NBA.loc[:, ['RPM','AGE','SALARY_MILLIONS','ORB','DRB','TRB','AST','AST','STL','BLK','TOV','PF','POINTS','GP','MPG','ORPM','DRPM']] NBA_1.head()
然后,使用如下代码计算出相关性表。
# 计算相关性 # 获取两列之间的相关性 corr = NBA_1.corr() corr
部分运行结果如下图所示:
最后,使用刚才的相关性表,绘制出相关性关系热力图
# 调用热力图绘制相关性关系 plt.figure(figsize=(20,20),dpi=120) sns.heatmap(corr, square=True, linewidths=0.1, annot=True) # 保存图像 plt.savefig("./test.png") # 颜色越深:相关性越弱 # 颜色越浅:相关性越强
运行结果如下图所示:
以上就是Seaborn数据分析NBA球员信息数据集的详细内容,更多关于Seaborn数据分析的资料请关注脚本之家其它相关文章!
最新评论