提出问题
因为不懂球,所以想通过数据分析以下几个问题?
1.哪个球队的薪资比较多? 2.球员能力,身体素质和薪资的关系? 3.这些球队的球员的能力如何? 4.是否20%的人掌握了80%的财富
数据清理
获取数据
# coding=utf-8
import pandas as pd
import numpy as np
from pandas.core.frame import DataFrame
import seaborn as sns
import matplotlib.pyplot as plt
master = pd.read_csv('Master.csv')
salaries = pd.read_csv('Salaries.csv')数据清理 (合并2016年数据,并清理无用参数)
salaries_2016 = salaries[salaries['yearID'] == 2016]
merge_all = pd.merge(master,salaries_2016,on = ['playerID'])# 844
finalyData = merge_all.drop(["birthDay","birthCountry","birthState","birthCity","deathYear","deathMonth","deathDay","deathCountry","deathState","deathCity","nameFirst","nameLast","nameGiven","debut","finalGame","bbrefID","yearID","lgID","retroID"],axis = 1)
print len(finalyData)
print len(master)
print len(salaries)数据分析
球员出生年分析¶
%matplotlib inline
sns.distplot(master.birthYear.fillna(2018))
plt.ylabel('people count')
plt.title('player birthYear')
可以看出1925年左右出生的球员 明显减少 经查证美国这个时间处于大萧条时期 （1929年至1933年之间发源于美国的经济危机) 可能经济低迷是参加人数减少的一大主要原因
球员出生月分析
sns.distplot(master.birthMonth.fillna(13))
plt.ylabel('people count')
plt.title('player birthMonth')
为什么后8-1月出生人数比较多? 因为每年选秀在6月举行,春训于2月中开始,高中生只有毕业后才有资格(6月份毕业居多) 大概是因为报名时间的影响,所有在报名日这天,1-6月一部分人岁数未达标或许会受到影响 参考地址https://zh.m.wikipedia.org/zh-hans/美國職業棒球大聯盟
# throw = master.dropna().groupby(["bats","throws"])['playerID'].count().unstack().plot(kind = 'bar')
throw = master.dropna().groupby(["bats","throws"])['playerID'].count().plot(kind = 'bar')
plt.ylabel('people count')
plt.title('Player\'s hand')
可以直观的看出 bats 和 throws 都用右手的人最多
球员身高体重分析
hw_data = master[['weight','height']].dropna()
sns.jointplot(hw_data.weight, hw_data.height)
plt.title('Player\'s weight/height')
身高体重除了有一个异常值(忽略), 其他都相对较为集中
所有球队历年来发展分析¶
salaries_team = salaries.groupby(['teamID'])
for i, j in salaries_team:
yearId = j.groupby(['yearID']).mean()
plt.plot(yearId)
plt.xlabel('year')
plt.ylabel('salary')
plt.title('Salaries of team')
最佳团队分析¶
salaries_test = salaries.groupby(['teamID','yearID']).mean()
max_team = salaries_test['salary'].idxmax()
print max_team, salaries_test.max()2016年team 薪资数据展示¶
salaries_2016_team = salaries_2016.groupby('teamID').salary.mean()
salaries_2016_team.plot(kind = 'bar')
plt.ylabel('salary')
plt.title('2016 Salaries of team')
通过图表可以看出 有一个球队在2000-2015都别突出, 通过求得年均最大值 得到这个球队ID 是 NYA, 在2010年达到最高峰,均值为8253335.56 但比较奇怪的是 2016年最高均值的是NYY, 而且NYY是从2016年开始有数据的, 恰巧NYA2016年没有数据?
salaries_2016 = salaries[salaries['yearID'] == 2016]
salaries_2016_NYY = salaries_2016[salaries_2016['teamID'] == 'NYY']
salaries_2015 = salaries[salaries['yearID'] == 2015]
salaries_2015_NYA = salaries_2015[salaries_2015['teamID'] == 'NYA']
salaries_2014 = salaries[salaries['yearID'] == 2015]
salaries_2014_NYA = salaries_2014[salaries_2014['teamID'] == 'NYA']
print len(salaries_2016_NYY), len(salaries_2015_NYA) ,len(salaries_2014_NYA)
merge45 = pd.merge(salaries_2014_NYA,salaries_2015_NYA,on = ['playerID'])
merge56 = pd.merge(salaries_2016_NYY,salaries_2015_NYA,on = ['playerID'])
print len(merge56) , len(merge45)
15年NYY有30个球员,16年NYA有20个球员, 两个team 有16个球员ID相同的, 经调查发现 2015纽约扬基队(NYY) 认识人员变动很大,退休人数达到20人, 我为人NYY 和 NYA为同一个团队,但并未找到更改ID的原因
2016年球员薪资分析¶
import matplotlib.pyplot as plt
maxNum = finalyData['salary'].max()
minNum = finalyData['salary'].min()
meanNum = finalyData['salary'].mean()
modeNum = finalyData['salary'].mode().values[0]
medianNum = finalyData['salary'].median()
new_ticks = np.linspace(minNum,maxNum,7)
plt.xticks(new_ticks)
plt.hist(finalyData['salary'])
plt.xlabel('Salary')
plt.ylabel('People')
plt.title('2016 Data of Salary')
plt.text(maxNum/2,500,r'$min:%s$'%minNum)
plt.text(maxNum/2,450,r'$max:%s$'%maxNum)
plt.text(maxNum/2,400,r'$mode:%s$'%modeNum)
plt.text(maxNum/2,350,r'$median:%s$'%medianNum)
plt.text(maxNum/2,300,r'$mean:%s$'%meanNum)
plt.text(maxNum/2,250,r'$count:%s$'%len(finalyData))
plt.show()
球员获得的薪资占比情况分析¶
sort_data = finalyData.sort_values(by='salary', ascending=False)
before_20_num = int(round((0.2 * len(sort_data)),0))
sum_salary = sort_data['salary'].sum()
before_20_salary = sort_data.iloc[0:before_20_num,:]['salary'].sum()
proportion = round(before_20_salary * 1.0 /sum_salary,2)
print proportion #0.66得出结论20%的人掌握了薪资总和的66%,虽然离 人们常说的80%有些差距, 但还是说明了社会资产分配中 小部分人掌握了大部分的财富 此图可以直观的看出一多半人拿到的薪资在最低值附近, 月薪越高, 人数越少 也说明了 竞争是个很激烈的过程,但是你每往上走一步,你的竞争对手反而越少
到底什么在影响薪资呢?¶
出生年/出生月 和薪资关系分析
salaries_borthYear = finalyData.groupby('birthYear').mean()
salaries_borthYear.plot(y= 'salary')
plt.ylabel('salary')
plt.title('Salaries and BirthYear')
salaries_birthMonth = finalyData.groupby('birthMonth').mean()
salaries_birthMonth.plot(y = 'salary')
plt.ylabel('salary')
plt.title('Salaries and BirthMonth')
6月份出生的球员薪资最低,可能是6月份进来的球员,刚好在当界属于最小的那一个,也会影响到后期发展吧
身高体重与薪资的关系分析
salaries_weight = finalyData.groupby('weight').mean()
salaries_weight.plot(y = 'salary')
plt.ylabel('salary')
plt.title('Salaries and weight')
salaries_height = finalyData.groupby('height').mean()
salaries_height.plot(y = 'salary')
plt.ylabel('salary')
plt.title('Salaries and height')
身高体重数值越大,薪资越高,力大无穷吗? 是有钱了就吃胖了, 还是吃胖了就有钱了
使用手与薪资的关系分析
finalyData.boxplot(by = ['bats','throws'],column = 'salary')
plt.ylabel('salary')
图中可以看出 同手的人,薪资更有可能突出
总结
通过以上分析, 可以得出以下结论:
在球员分析和团队趋势分析中使用了1985-2016年的数据,数据量为2万左右,虽然不能代表全队美国棒球球员信息, 但我认为此数据量的分析误差应该还是表较小 在分析球员薪资中只使用了2016年的846个数据,样本数据量不够大,而且使用的是单一参数与薪资进行比较, 这种分析结果会产生很大的误差
球员分析 1.球员出生年份,1925年左右明显减少, 是被美国大萧条时期(1929年至1933年)所影响,每年参与棒球的人数总体还是呈上升趋势 2.球员出生月份8-1月最多,我觉得可能的原因是 因为选举日期 与 美国年龄的计算方法 所影响吧 3.球员中,bats 和 throws 都用右手的人最多 4.球员身高体重 相对较集中,但高体重可以是低体重的2倍, 所有可能身高体重并不会影响你称为棒球球员
团队趋势分析 1.上述数据可能很明显的看出NYY这个团队从 2000年到15年有明显的优势,但趋势目前是在固定范围内波动, 其他全队处于慢速上升阶段, 中途有个意外NYY数据在2016消失,另一个NYA团队出现,根据分析, 应该为同一团队,在2016更换了一部分球员 NYY后期走势让人期待,是更换完球员后继续增长,还是被其他团队反超
薪资分析
1. 通过2016年薪资数据 得出结论20%的人掌握了薪资总和的66%,虽然离 人们常说的80%有些差距,
但还是说明了社会资产分配中 小部分人掌握了大部分的财富
2.薪资最高的是1975年左右的球员,这些球员都在43岁左右了,管理层了
3.6月份球员的薪资最低
4.身高体重数值越大,薪资越高
5.bats,throws 同手的人能拿到高薪资概率更大