1. 针对这个数据分析案例，我做了一个视频版本，讲解了代码，讲了运行的注意事项，还有一些其他的东西，供需。我对视频制作不是很有经验，所以请大家多多包涵。（视频里有彩蛋

）

同样，我之前也上传过一份到，大家可以点击文末的“阅读原文”直接前往阅读，喜欢的话请多多支持我哦。

2.本文示例的代码写完后，我把它发到了虎扑上，结果被推荐到了首页，阅读量超过25万，回复近800条……谢谢各位JR们的好意！

3.获取原图、更多玩家生成结果及完整代码请在公众号“编程课堂”回复关键字：nba

2018-19NBA赛季已经结束，猛龙队击败勇士队成为新科冠军球队。

我觉得最好做个NBA相关的数据分析案例。其实数据分析团队现在已经成为NBA球队的标配，无论是在球员选拔还是战术制定中都发挥着重要作用。现在整个联盟越来越流行的“点球成金”打法，其实就是基于数据分析的产物。

因此，我们使用官方数据和绘图功能来查看不同球员射门的位置。

0.效果展示

和往常一样nba 球员数据，我们先看看结果。每个点都是一次射击，蓝点表示成功，红点表示未命中。挑选几个具有特征的点：

哈登，很明显他有魔力球，他绝对不会干长距离两分球这种低效的事情。

西蒙斯，经典中锋

德拉赞，中距离投篮之王

字母哥，你篮下扣篮失败了！

库里，这场比赛必须在各处进行……

科比布莱恩特，职业生涯累计图表，全面无盲区，包括篮板后的负角度

下面我们来看看具体的步骤，我们以本赛季刚夺得总冠军戒指的林书豪为例。

1.获取数据

NBA有一个官方数据统计网站：，里面包含了各类数据，可以说是一个宝库。

在网页上没找到我需要的数据，但搜索了一番，找到了网站的开放API，你可以从这个项目中查看相关的API和文档：

- API 适用于

通过如下接口，我们可以获取到指定赛季球员的详细射门数据：

https://stats.nba.com/stats/shotchartdetail?CFID=33&CFPARAMS=2018-19&ContextFilter=&ContextMeasure=FGA&DateFrom=&DateTo=&GameID=&GameSegment=&LastNGames=0&LeagueID=00&Location=&MeasureType=Base&Month=0&OpponentTeamID=0&Outcome=&PaceAdjust=N&PerMode=PerGame&Period=0&PlayerID=201935&PlusMinus=N&Position=&Rank=N&RookieYear=&Season=2018-19&SeasonSegment=&SeasonType=Regular+Season&TeamID=0&VsConference=&VsDivision=&mode=Advanced&showDetails=0&showShots=1&showZones=0&PlayerPosition=

参数为需要查询的球员ID，在网页上搜索球员名字即可从对应的URL获取该ID，例如 Lin

https://stats.nba.com/player/202391/

链接里两个2018-19是季节参数，你可以改成其他季节，不过我尽量不要改得太早nba 球员数据，1996年左右之前没有数据，早期数据准确率较低。

其余参数可以忽略。

使用库可以轻松获得结果（需要添加）：

response = requests.get(url, headers=headers,timeout=5)

2.解析数据

返回的数据是JSON格式，进行转换，方便后续处理：

data = response.json()# 获取列名即每项投球数据的意思headers = data['resultSets'][0]['headers']# 获取投球的相关数据shots = data['resultSets'][0]['rowSet']# 转 DataFrameshot_df = pd.DataFrame(shots, columns=headers)

我们关心的数据是LOC_X、LOC_Y（射击位置）和（射击是否成功）三列。

3. 画出射击点

我们可以使用库的散点图方法来绘制射击点，这种方法我们在之前的各种案例中已经使用过多次：

made = shot_df[shot_df['SHOT_MADE_FLAG']==1]miss = shot_df[shot_df['SHOT_MADE_FLAG']==0]plt.scatter(miss.LOC_X, miss.LOC_Y, color='r', marker='.', alpha=0.3)plt.scatter(made.LOC_X, made.LOC_Y, color='b', marker='.', alpha=0.3)

我们通过参数来设置点的大小和透明度，以使显示更加清晰。

4. 画出球场

射击点已经画出来了，但是这样还不够直观，我们再加一张球场的图片吧。

这是用 、 、 Arc 等方法实现的。没有什么特别的技术nba 球员数据，但代码比较复杂，这里就不贴出来了。（如果你愿意，你甚至可以用它来画小猪佩奇）

5. 添加头像

最后在数据图中添加头像，让它看起来更加完整。头像地址：

https://stats.nba.com/media/players/230x185/202391.png# 或者https://ak-static.cms.nba.com/wp-content/uploads/headshots/nba/latest/260x190/202391.png

文件名依然是玩家的ID，但是这个地址并不是对所有玩家都有效，所以可以做异常处理。

pic = urllib.request.urlretrieve("http://stats.nba.com/media/players/230x185/202391.png")# imread 读取的图像可以被 matplotlib 绘制head_pic = plt.imread(pic[0])# 将球员图片放置于右上角，并设置缩小等级以配合整个图片img = OffsetImage(head_pic, zoom=0.6)# (x, y) 控制将球员放在你想要放的位置img.set_offset((540,640))# 添加球员图片fig.gca().add_artist(img)

如果你的电脑上该位置不正确，记得修改下面的值（不同的系统甚至不同的编译器可能会有差异）。

最终效果：

获取原图、更多玩家生成结果及完整代码请在公众号“编程课堂”回复关键字：nba