2018世界杯
前言
在网上找到了个用Python分析2018世界杯夺冠热门的项目，感觉很有意思准备拿来练练手。
因为目前还没有学到图形可视化部分，所以这部分内容会完全借鉴网上的教程。
分析目的
通过数据分析找出哪些队伍是这次世界杯的夺冠热门球队
开发环境
- Python 3.7
- SublimeText2
初步分析数据情况
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from pandas import DataFrame,Series
df = pd.read_csv('results.csv')
print(df.head())
由于sublimetext上打印数据显示不全，所以打印数据放在ipython中了
In [39]: df.head()
Out[39]:
date home_team away_team home_score away_score tournament city country neutral
0 1872-11-30 Scotland England 0 0 Friendly Glasgow Scotland False
1 1873-03-08 England Scotland 4 2 Friendly London England False
2 1874-03-07 Scotland England 2 1 Friendly Glasgow Scotland False
3 1875-03-06 England Scotland 2 2 Friendly London England False
4 1876-03-04 Scotland England 3 0 Friendly Glasgow Scotland False
目前包含有9种数据：日期、主队名、客队名、主队进球数、客队进球数、比赛类型、所在城市、所在国家、是否中立。
但是想要知道夺冠热门球队，光这些数据还不够。
分析思路
- 因为我们这次分析的是世界杯的夺冠热门，首先需要排除掉像友谊赛，亚洲杯等比赛数据。
- 这批数据是从1873年至2014年的比赛数据，所以一个国家队肯定换过好多批阵容了，早年强的队伍近期不一定强，需要以时间段对它们进行分析。
- 想要分析黑马球队，需要一个球队的胜率以及进球数。目前数据中缺少胜利队伍的变量，需要我们加进去。
获取世界杯相关数据
# 通过在比赛类型中抓取包含'FIFA'字符来获取世界杯数据
df_FIFA_all = df[df['tournament'].str.contains('FIFA', regex=True)]
# 其中世界杯类型的数据也蛮乱的，‘FIFA World Cup’以及‘FIFA World Cup qualification’都有，只提取‘FIFA World Cup’部分
df_FIFA = df_FIFA_all[df_FIFA_all['tournament']=='FIFA World Cup']
print(df_FIFA.head())
整理数据
- 要分析球队的获胜场数，需要添加一个获胜队伍的字段。
- 为了方便分割年份，添加一个‘届数’的字段。
- 统一时间数据格式
# 在做数据修改以前，先做拷贝
df_FIFA_COPY = df.copy()
df_FIFA_COPY.loc[:,'date'] = pd.to_datetime(df_FIFA_COPY.loc[:,'date'])
df_FIFA_COPY['session'] = df_FIFA_COPY['date'].dt.year
# 添加分差值，方便后面确定获胜队伍
df_FIFA_COPY['diff_score'] = df_FIFA_COPY['home_score']-df_FIFA_COPY['away_score']
df_FIFA_COPY['win_team'] = ''
df_FIFA_COPY['diff_score'] = pd.to_numeric(df_FIFA_COPY['diff_score'])
上面部分添加了年份这个参数，添加了获胜队伍的参数还未填入数据，还确定了分差值。
确认获胜队伍，填入win_team参数中
df_FIFA_COPY.loc[df_FIFA_COPY['diff_score']> 0, 'win_team'] = df_FIFA_COPY.loc[df_FIFA_COPY['diff_score']> 0, 'home_team']
df_FIFA_COPY.loc[df_FIFA_COPY['diff_score']< 0, 'win_team'] = df_FIFA_COPY.loc[df_FIFA_COPY['diff_score']< 0, 'away_team']
df_FIFA_COPY.loc[df_FIFA_COPY['diff_score']== 0, 'win_team'] = 'Draw'
print(df_FIFA_COPY.head())
结果如下：
date home_team away_team ... session diff_score win_team
1277 1930-07-13 Belgium USA ... 1930 -3 USA
1278 1930-07-13 France Mexico ... 1930 3 France
1279 1930-07-14 Brazil Yugoslavia ... 1930 -1 Yugoslavia
1280 1930-07-14 Peru Romania ... 1930 -2 Romania
1281 1930-07-15 Argentina France ... 1930 1 Argentina
现在已经获得了获胜队伍的数据，接下来通过对获胜队伍这个参数的统计来分析出前20强队伍：
获取获胜场数最多的前20强比赛队伍
s = df_FIFA_COPY.groupby('win_team')['win_team'].count()
s.drop(labels=['Draw'], inplace=True)
s.sort_values(ascending=False, inplace=True)
显示柱形图
s.head(20).plot(kind='bar', figsize=(10,6), title='Top 20 Winner of World')
plt.show()
1.png
柱状图中已经明确显示了前20强的队伍，其中巴西、德国、意大利、阿根廷、西班牙、法国等最为突出，他们的胜场占比非常的高。
再来查看下饼图情况：
#
s = df_FIFA_COPY.groupby('win_team')['win_team'].count()
s.drop(labels=['Draw'], inplace=True)
s.sort_values(ascending=True,inplace=True)
# 饼图
s_percentage = s/s.sum()
s_percentage
s_percentage.tail(20).plot(kind='pie', figsize=(10,10), autopct='%.1f%%',
startangle=173, title='Top 20 Winners of World Cup', label='')
WechatIMG37.png
通过百分比更能清晰的看到强队在整个世界杯历史中胜场比数。初步分析下来，从赢球场数来看，巴西、德国、意大利、阿根廷四支球队实力最强。
接下来在分析下各队的进球数情况
# 进球数统计
df_score_home = df_FIFA[['home_team','home_score']]
column_update = ['team','score']
df_score_home.columns = column_update
df_score_away = df_FIFA[['away_team','away_score']]
df_score_away.columns = column_update
df_score = pd.concat([df_score_home,df_score_away], ignore_index=True)
s_score = df_score.groupby('team')['score'].sum()
s_score.sort_values(ascending=False, inplace=True)
s_score.sort_values(ascending=True, inplace=True)
s_score.tail(20).plot(kind='barh', figsize=(10,6), title='Top 20 in Total Scores of World Cup')
plt.show()
WechatIMG38.png
从进球数的分析结果来看，德国、巴西、阿根廷、意大利这四支球队最强，结合上面的胜场数分析同样也是这四支球队排名最靠前。
开篇准备的分析思路里第一条和第三条已经完成了。
分析1872年以来按胜场数排名的32强数据情况
df_top32 = df_FIFA_COPY.copy()
s_32 = df_top32.groupby('win_team')['win_team'].count()
s_32.sort_values(ascending=False, inplace=True)
s_32.drop(labels=['Draw'], inplace=True)
s_32.sort_values(ascending=True,inplace=True)
s_32.plot(kind='barh', figsize=(8,12), title='Top 32 of World Cup since year 1872')
WechatIMG40.png
再看看从1978年至今的胜场排名前32队伍数据
df_since1978 = df_FIFA_COPY.loc[df_FIFA_COPY['session'] >= 1978]
s_32 = df_since1978.groupby('win_team')['win_team'].count()
s_32.sort_values(ascending=False, inplace=True)
s_32 = s_32[:32]
s_32.drop(labels=['Draw'], inplace=True)
s_32.sort_values(ascending=True,inplace=True)
s_32.plot(kind='barh', figsize=(8,12), title='Top 32 of World Cup since year 1978')
plt.show()
WechatIMG41.png
然后是自1978年以来的进球数排名前32队伍相关数据：
df_score_home = df_since1978[['home_team','home_score']]
column_update = ['team','score']
df_score_home.columns = column_update
df_score_away = df_FIFA[['away_team','away_score']]
df_score_away.columns = column_update
df_score = pd.concat([df_score_home,df_score_away], ignore_index=True)
s_score = df_score.groupby('team')['score'].sum()
s_score.sort_values(ascending=False, inplace=True)
s_score=s_score[:32]
s_score.sort_values(ascending=True, inplace=True)
s_score.tail(32).plot(kind='barh', figsize=(10,6), title='Top 32 in Total Scores of World Cup since year 1978')
plt.show()
代码都差不多就不再重复解释了
WechatIMG42.png
在这两组数据中，巴西、阿根廷、德国、意大利排名稳坐前四。
再分析下从2002年以来的相关数据情况：
自2002以来胜场排名数据：
2002-winteam.png
自2002以来得分排名数据：
2002-score.png
个人分析总结：
从这两组数据中可以看到，德国队在胜场和得分数上有很大的优势。虽然个人不大懂如何分析球队，但是光看这个数据觉得德国队在2018世界杯的赢面还是蛮大的。而排名第二、三的巴西、阿根廷、意大利在数据上明显差了德国队一截。
最终结论：2018世界杯冠军应该在前四强德国、巴西、意大利、阿根廷中产出。此次数据分析当做练习来用，而且2018年世界杯老早已经过了。
技术总结
在这里主要涉及到了一些基础功能点：
- 读取csv文件
- 数据整理：去除了和世界杯无关的数据、添加新变量获胜队伍
win_team，diff_score分差值、 - 按关键字对数据排序
- matplotlib库的初步使用，生成柱形图和饼图
- 数据分割与截取
