CDA數(shù)據(jù)分析師出品

作者：澤龍、Mika

數(shù)據(jù)：真達  

后期：澤龍

【導(dǎo)讀】

北京時間7月20日，這個賽季的西甲聯(lián)賽正式結(jié)束，最受關(guān)注的“全村的希望”武磊和他的西班牙人隊徹底告別西甲。

今天我們就用數(shù)據(jù)來聊一聊武磊。Python技術(shù)部分請直接看第二部分。

今天我們聊一聊 武磊

最近，中國足球又成為了社會的焦點話題，12分鐘跑、體能、成績成了社會人士和專業(yè)人士互懟的話題，外行懟內(nèi)行基本功都不行，還玩啥，內(nèi)行懟外行足球是綜合運動，你不懂。真的是熱鬧非凡，可能足球真的只分為內(nèi)行和外行，完全不關(guān)心的人很少，是個看球的人都可以說自己懂足球，真是現(xiàn)實唯唯諾諾，網(wǎng)絡(luò)重拳出擊。

回到本期的主人公，中國足球第一人武磊，武球王，下賽季，武磊的去向一直占據(jù)的體育板塊的頭版頭條，幾家有中國背景的球隊都想得到武磊，商業(yè)價值的確無可比擬，看看愛奇藝西甲的收視率，武磊登場的比賽和不登場的比賽相差70%，西班牙人整體收視率可以和英超媲美了，這就是商業(yè)價值，西班牙人雖然降級，但是樂動體育可是知名度節(jié)節(jié)攀升，這筆投資性價比還是很高的。

我們抽取了皇家西班牙人足球俱樂部在18/19 19/20 2個賽季的全部比賽數(shù)據(jù)，做了可視化分析，下面我們就來對應(yīng)數(shù)據(jù)，解讀下武磊的表現(xiàn)。

本文主要從這幾個角度展開

• 武磊生涯評分
• 武磊身價浮動數(shù)據(jù)
• 武磊歐洲進球曲線圖
• 西班牙人進攻效率對比
• 數(shù)據(jù)分析過程

01數(shù)據(jù)解讀武磊

我們先來看看武磊職業(yè)生涯中的各項數(shù)據(jù)分析：

1武磊近年生涯回顧 

看到武磊的生涯評分，從16年到20年，雖然成下降趨勢，但是西甲的強度和中超的強度本身是2個世界，所以說下降也是情理之中，畢竟對手和隊友都不一樣，在西甲的1.5個賽季，武磊算是高開低走，但是西班牙人更是出現(xiàn)斷崖式的下滑，所以要是對比武磊和西班牙人的下滑曲線，C君覺得這個賽季西班牙人真的配不上武磊。

2武磊身價達到1000萬歐元

看了生涯走勢，再看下身價走勢。

武磊小時候的愿望，我要值1000萬—真的實現(xiàn)了，西甲中下游球隊的主力前鋒值1000萬也算是公平公正了，雖然進球數(shù)有點刺眼，但是創(chuàng)造機會能力強。最近武磊身價下降了200萬，主要是因為西班牙人本賽季真的不給力，下賽季假如武磊可以登陸英超，估計身價可以更高。

3武磊歐洲進球曲線圖

為了更直觀的感受武磊的進球效率，我們統(tǒng)計了武磊正式比賽的進球數(shù)，做了折線圖。

直觀感受是進球效率的確不高，但西班牙人的進攻效率更是低下，基本每場比賽射門更是寥寥無幾。只能說武磊不是強力中鋒，沒有能力一個人左右鋒線，他更加舒服的位置是踢二中鋒，跑位、射門，而不是護球、盤帶、過人、傳球。

4西班牙人進攻效率對比

其實也不能完全怪武磊的進攻效率，看看西班牙人的本賽季的進球數(shù)，也是慘絕人寰，而且這個不光是西甲，還加入了歐聯(lián)杯的比賽，要是只看西甲，可以說西班牙人不降級都說不過去，場均也就1個球，再加上后衛(wèi)線最強的是主力門將，防守常年出問題，可以說西班牙人配的上一個降級名額。 

西班牙人隊得分走勢（2018.8.19-2019.5.18）

西班牙人隊得分走勢（2019.7.27-至今）

我們對比了上賽季的西班牙人，可以明顯看出上賽季的西班牙人進攻好很多，可以達到場均2個球，而且穩(wěn)定，后防線和本賽季相差不多，但是1個球就可以決定勝負，3分和0分的差距是巨大的。 

說到防守，大家可能印象中防守弱的球隊都不夠兇狠，就是平時說的踢球比較干凈，我們統(tǒng)計了犯規(guī)走勢圖，其實大體上看，和西甲平均值相差無幾，西甲本身就不是強調(diào)身體的聯(lián)賽。實際看來，西班牙人的丟球主要源于漏人和被人打反擊。西班牙人和巴塞羅那同屬一個地區(qū)，其實踢球的風(fēng)格也相差無幾。在球員能力嚴重不足的情況下去打全攻全守的足球，去打傳控足球無異于自殺，中場丟球被人打反擊就是本賽季西班牙人的寫照。

西班牙人的降級真的是防守問題大于進攻問題，防守才是定位于小球會的球隊立足之本。武磊的確浪費了不少機會，但每場觸球都是個位數(shù)，也是挺難為武磊的，大家都在說孫興慜厲害，但是孫興慜浪費的機會、拿球的機會都要比武磊多很多，只能說他贏得了信任，拿球機會多了，形成了正向循環(huán)，武磊還沒有真正贏得五大聯(lián) 賽的最重。

02數(shù)據(jù)分析步驟

我們使用Python獲取了球探體育網(wǎng)站上西班牙人的球隊數(shù)據(jù)，地址：

http://zq.win007.com/cn/team/Summary/100.html

以下展示部分分析代碼：

首先導(dǎo)入所需包，其中pandas用于數(shù)據(jù)讀入和數(shù)據(jù)整理，pyecharts用于數(shù)據(jù)可視化分析。

import pandas as pd 

from pyecharts.charts import Bar, Pie, Line, Page
from pyecharts import options as opts 

1數(shù)據(jù)讀入

該數(shù)據(jù)包含了西班牙人球隊2013-08-20至2020-07-17日比賽數(shù)據(jù)，數(shù)據(jù)預(yù)覽如下：

# 讀入數(shù)據(jù)
df_4 = pd.read_excel('../data/球探體育比賽數(shù)據(jù).xlsx')

# 提取日期
df_4['日期'] = df_4['時間'].str.split(' ').str[0]
df_4.head() 

2數(shù)據(jù)預(yù)處理

去掉友誼賽的數(shù)據(jù)并按照日期進行升序排序。

# 去掉友誼賽
df_4 = df_4[df_4['比賽']!='球會友誼']

# 排序
df_4 = df_4.sort_values('日期')
df_4.shape

3數(shù)據(jù)可視化

3.1 賽季 2019-07-26 - 今 西班牙得分走勢圖

# 篩選時間
df_sel2 = df_4[(df_4['日期'] >= '2019-07-26')]
df_sel2.head() 

# 提西班牙人 主隊比分
zhudui = df_sel2[df_sel2['主隊']=='西班牙人'][['日期', '比分']]
# 分數(shù)
zhudui['分數(shù)'] = zhudui['比分'].str.split('-').str[0].astype('int')

# 提西班牙人 客隊比分
kedui = df_sel2[df_sel2['客隊']=='西班牙人'][['日期', '比分']]
# 分數(shù)
kedui['分數(shù)'] = kedui['比分'].str.split('-').str[1].astype('int')

# 提取日期
riqi = df_sel2[['日期']]

# 合并數(shù)據(jù)
riqi = pd.merge(riqi, zhudui[['日期', '分數(shù)']], on='日期', how='left') 
riqi = pd.merge(riqi, kedui[['日期', '分數(shù)']], on='日期', how='left')
riqi.columns = ['日期', '主隊分數(shù)', '客隊分數(shù)']

# 填補空值
riqi = riqi.fillna(0)
# 分數(shù)相加
riqi['分數(shù)'] = riqi['主隊分數(shù)'] + riqi['客隊分數(shù)'] 
riqi.head() 

# 產(chǎn)生數(shù)據(jù)
x_data = riqi['日期'].values.tolist()
y_data = riqi['分數(shù)'].values.tolist()

# 折線圖
line5 = Line(init_opts=opts.InitOpts(width='1350px', height='750px'))
line5.add_xaxis(x_data)
line5.add_yaxis('', y_data,
                label_opts=opts.LabelOpts(is_show=False), 
                markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(type_="min"),
                                                        opts.MarkPointItem(type_="max"),]),
               )   
line5.set_global_opts(title_opts=opts.TitleOpts(title='西班牙球隊得分走勢(2019.07.26-至今)'), 
                      xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate='45'),
                                               axisline_opts=opts.AxisLineOpts(is_on_zero=False),
                                              ),
                      yaxis_opts=opts.AxisOpts(max_=10, min_=-1,
                        name="",
                        type_="value",
                        axislabel_opts=opts.LabelOpts(formatter="{value}"),
                        splitline_opts=opts.SplitLineOpts(is_show=False),   
                    )
                     ) 
line5.set_series_opts(linestyle_opts=opts.LineStyleOpts(width=3, color='#4169E1'))
line5.render() 

3.2 賽季 2019-07-26 - 今 西班牙得分分布

# 計算得分
score_num = riqi['分數(shù)'].value_counts()

# 產(chǎn)生數(shù)據(jù)
data_pair = [list(z) for z in zip([str(i) + '分'for i in score_num.index], score_num.values.tolist())]

# 繪制餅圖
pie5 = Pie(init_opts=opts.InitOpts(width='1350px', height='750px'))
pie5.add('', data_pair, radius=['35%', '60%'])
pie5.set_global_opts(title_opts=opts.TitleOpts(title='西班牙球隊得分分布(2019.07.26-至今)'), 
                     legend_opts=opts.LegendOpts(orient='vertical', pos_top='15%', pos_left='2%'))
pie5.set_series_opts(label_opts=opts.LabelOpts(formatter=": {c} \n占比(geybsqlxm7mc%)"))
pie5.set_colors(['#EF9050', '#3B7BA9', '#6FB27C', '#FFAF34', '#D8BFD8', '#00BFFF', '#7FFFAA'])
pie5.render() 

3.3 賽季 2019-07-26 - 今 西班牙球隊犯規(guī) 黃牌 紅牌

# 篩選時間
df_sel2 = df_4[(df_4['日期'] >= '2019-07-26')]

# 產(chǎn)生數(shù)據(jù)
x_data = df_sel2['日期'].values.tolist()
y_data1 = df_sel2['犯規(guī)'].values.tolist()
y_data2 = df_sel2['黃牌'].values.tolist()
y_data3 = df_sel2['紅牌'].values.tolist()

# 折線圖
line6 = Line(init_opts=opts.InitOpts(width='1350px', height='750px'))
line6.add_xaxis(x_data) 
line6.add_yaxis('犯規(guī)', y_data1,
                markpoint_opts=opts.MarkPointOpts(data=[
                    opts.MarkPointItem(type_='max', name='最大值'),
                    opts.MarkPointItem(type_='min', name='最小值')
                ])) 
line6.add_yaxis('黃牌', y_data2,
                markpoint_opts=opts.MarkPointOpts(data=[
                    opts.MarkPointItem(type_='max', name='最大值'),
                    opts.MarkPointItem(type_='min', name='最小值')
                ])) 
line6.add_yaxis('紅牌', y_data3,
                markpoint_opts=opts.MarkPointOpts(data=[
                    opts.MarkPointItem(type_='max', name='最大值'),
                    opts.MarkPointItem(type_='min', name='最小值')
                ])) 
line6.set_global_opts(title_opts=opts.TitleOpts(title='西班牙球隊犯規(guī)-黃牌-紅牌走勢圖(2019.07.26-至今)'), 
                      xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate='45'),
                                               axisline_opts=opts.AxisLineOpts(is_on_zero=False)),
                      yaxis_opts=opts.AxisOpts(max_=30, min_=0,
                        name="",
                        type_="value",
                        axislabel_opts=opts.LabelOpts(formatter="{value}"),
                        splitline_opts=opts.SplitLineOpts(is_show=False),   
                    )
                     ) 
line6.set_series_opts(label_opts=opts.LabelOpts(is_show=False), 
                      linestyle_opts=opts.LineStyleOpts(width=3)  
                     )
line6.render() 

結(jié)語

本賽季，到底是武磊配不上西班牙人，還是西班牙人配不上武磊，這個還是留給大家去評判，可以留言給我們，說出你的觀點。

如果還想看任何體育相關(guān)的數(shù)據(jù)分析

同樣請給我們留言吧

我們立刻安排上！