Вводная часть
В современном спорте анализ данных играет важную роль в оценке эффективности игроков и команд. Особенно это актуально для NBA, где каждая игра сопровождается большим количеством статистических показателей: очки, передачи, подборы и другие метрики позволяют глубже понять вклад каждого игрока в результат.
В данном проекте рассматривается статистика игроков National Basketball Association за последний сезон. Анализ таких данных помогает выявить лидеров по ключевым показателям, определить взаимосвязи между различными характеристиками игры и лучше понять общие тенденции в лиге.
Используя методы анализа данных и визуализации, можно наглядно представить распределение показателей, сравнить игроков между собой и сделать обоснованные выводы о текущем уровне конкуренции и особенностях современной игры в NBA.
Цели и задачи
Цель: проанализировать статистику игроков NBA и выявить основные закономерности в их результативности и игровых показателях.
Задачи: — Загрузить и подготовить данные из датасета Kaggle — Построить графики для анализа распределения и сравнения показателей игроков — Выявить взаимосвязи между статистическими параметрами (очки, передачи и др.) — Определить лидеров по ключевым показателям — Оформить визуализации в едином стиле NBA — Сформулировать выводы на основе полученных данных
Типы графиков
• Горизонтальная столбчатая диаграмма — топ-10 самых результативных игроков по очкам • Гистограмма — распределение очков среди игроков • Диаграмма рассеяния — зависимость между передачами и очками • Boxplot (ящик с усами) — распределение очков и выявление выбросов • Тепловая карта — корреляция между основными статистическими показателями игроков
Визуализация данных
Цветовое решение проекта продиктовано самой темой NBA. Сине-красная гамма и оранжевые акценты напрямую связаны с официальными цветами лиги, что помогает сразу погрузиться в атмосферу соревнований и спорта. Каждый цвет несёт смысл: синий ассоциируется с профессионализмом и надёжностью, красный — с энергией и страстью, а оранжевый — с динамикой игры и результативностью.
Я подключила библиотеку kagglehub с поддержкой pandas, чтобы загружать датасет напрямую с Kaggle, и импортировала все необходимые библиотеки: pandas для работы с таблицами, numpy для вычислений, matplotlib и seaborn для визуализации данных. Также я отключила предупреждения, чтобы вывод был более аккуратным и не отвлекал от анализа.
Далее я загрузила датасет со статистикой игроков NBA напрямую с Kaggle с помощью kagglehub (с использованием адаптера для pandas) и вывела первые 5 строк таблицы, чтобы убедиться, что данные загрузились корректно, а также понять их структуру и содержимое.
Я подготовила данные для анализа: из всего датасета отобрала информацию только за последний доступный сезон, чтобы работать с актуальной статистикой игроков. Это позволило сделать сравнение более корректным и избежать смешивания данных за разные годы.
Также я настроила единый стиль визуализации: задала цветовую палитру в стиле NBA и оформила графики так, чтобы они выглядели аккуратно и согласованно между собой.
График 1
На данном графике я отобразила топ-10 самых результативных игроков NBA за последний сезон по среднему количеству набранных очков.
По результатам видно, что лидером является Joel Embiid, однако отрыв от ближайших преследователей — Luka Dončić и Damian Lillard — незначительный. Это говорит о высокой конкуренции среди лучших игроков лиги.
Также можно заметить, что в топе остаются опытные и известные игроки, такие как LeBron James и Stephen Curry, что подчёркивает их стабильный высокий уровень игры.
В целом, на основе графика я делаю вывод, что в современной NBA нет одного явного доминирующего скорера — сразу несколько игроков показывают примерно одинаково высокий уровень результативности, что делает лигу более конкурентной и зрелищной.
График 2
Большинство игроков набирают небольшое количество очков (примерно до 10 за игру), а игроков с очень высокими показателями значительно меньше. Распределение смещено вправо, что говорит о том, что высокие значения встречаются реже.
График 3
Наблюдается слабая положительная зависимость: в среднем, чем больше передач (ассистов) делает игрок, тем больше очков он набирает. Однако разброс точек довольно большой, что говорит о том, что связь не сильная — есть игроки, которые много набирают, но мало ассистируют, и наоборот.
График 4
Можно увидеть, что основная масса значений сосредоточена в среднем диапазоне — большинство игроков набирают примерно одинаковое количество очков за игру. При этом на графике присутствуют выбросы — отдельные игроки, которые значительно превосходят остальных по результативности.
Таким образом, можно сделать вывод, что хотя у большинства игроков показатели близки, в лиге есть небольшое число ярко выраженных лидеров по количеству набранных очков.
Заключение
В ходе проекта была проведена работа с данными игроков NBA, что позволило не только получить актуальную информацию о последних сезонах, но и визуально проанализировать ключевые статистические показатели.
Подготовка данных включала: • загрузку полного датасета всех сезонов; • фильтрацию данных по последнему сезону для актуального анализа; • выбор ключевых показателей: очки (PTS), передачи (AST), подборы (REB), перехваты (STL) и блоки (BLK); • сохранение подготовленных данных в CSV для дальнейшего использования.
Анализ и визуализация позволили: 1. Определить топ-10 самых результативных игроков сезона, что помогает быстро увидеть лидеров по очкам; 2. Исследовать распределение очков среди всех игроков, выявляя общие тенденции и разброс результатов; 3. Сравнить очки и передачи через диаграмму рассеяния, показывая связь между результативностью и командной игрой; 4. Построить корреляционную тепловую карту основных показателей, чтобы определить взаимосвязь между различными аспектами игры.
Цветовая концепция проекта была выбрана в соответствии с тематикой NBA: синий, красный, оранжевый, черный и светлый цвета отражают идентичность лиги и помогают визуально структурировать информацию, делая графики понятными и наглядными.
Описание применения генеративной модели
Использованные модели: ChatGPT (OpenAI) — https://chat.openai.com Источник картинок: Pinterest
— ИИ помог построить все графики по статистике игроков NBA: при ошибках с названиями колонок он показывал, какие данные реально есть в датасете, и подсказывал правильные имена для визуализаций. — ИИ предложил и настроил цветовую палитру для графиков, чтобы визуализация была яркой и последовательной, акцентируя ключевые показатели игроков. — ИИ помог оформить текстовые выводы: структурировал пояснения к каждому графику
