Seaborn數(shù)據(jù)分析NBA球員信息數(shù)據(jù)集

更新時間：2022年09月29日 09:42:54 作者：ZacheryZHANG

這篇文章主要為大家介紹了Seaborn數(shù)據(jù)分析處理NBA球員信息數(shù)據(jù)集案例，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪

1. 數(shù)據(jù)介紹

數(shù)據(jù)集共有342個球員樣本，38個特征，即342行×38列。
數(shù)據(jù)集主要信息如下表所示：

球員姓名	位置	身高	體重	年齡	球齡	上場次數(shù)	場均時間	進攻能力	防守能力	是否入選過全明星	球員薪金

本數(shù)據(jù)集主要可以用來做數(shù)據(jù)處理以及數(shù)據(jù)挖掘，進行數(shù)據(jù)可視化。
本小結(jié)，我們將對NBA球員數(shù)據(jù)集進行初步統(tǒng)計學分析，并且繪制出相關(guān)性熱力圖。

2. 案例演示

2.1 獲取數(shù)據(jù)

導入相關(guān)庫，并使用如下代碼進行本地數(shù)據(jù)集獲取。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 獲取數(shù)據(jù)集
NBA = pd.read_csv("nba_2017_nba_players_with_salary.csv")
NBA.head()

運行結(jié)果：

2.2 查看數(shù)據(jù)基本信息

先進行簡單的統(tǒng)計學分析，查看標準差、中位數(shù)、方差等等信息。

# 看一下數(shù)據(jù)有多少
NBA.shape
# 查看基本統(tǒng)計信息
NBA.describe()

部分運行結(jié)果：

2.3 數(shù)據(jù)分析

2.3.1 效率值相關(guān)性分析

在眾多數(shù)據(jù)中，有一項名為RPM，表示球員的效率值。該數(shù)據(jù)反映球員在場時對球隊比賽獲勝的貢獻大小，最能反映球員的綜合實力。我們可以看一下它與其他數(shù)據(jù)的相關(guān)性。

首先，我們?nèi)〕鰩讉€有用的特征分析相關(guān)性，并繪制熱力圖。

# 2. 數(shù)據(jù)分析
## 2.1 效率值相關(guān)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，使用如下代碼計算出相關(guān)性表。

# 計算相關(guān)性
# 獲取兩列之間的相關(guān)性
corr = NBA_1.corr()
corr

部分運行結(jié)果如下圖所示：

最后，使用剛才的相關(guān)性表，繪制出相關(guān)性關(guān)系熱力圖

# 調(diào)用熱力圖繪制相關(guān)性關(guān)系
plt.figure(figsize=(20,20),dpi=120)
sns.heatmap(corr, square=True, linewidths=0.1, annot=True)
# 保存圖像
plt.savefig("./test.png")
# 顏色越深：相關(guān)性越弱
# 顏色越淺：相關(guān)性越強

運行結(jié)果如下圖所示：