快捷搜索:  as

用 Python 预测 NBA 常规赛结果

  

用 Python 预测 NBA 常规赛结果

  在本次实验环境中,我们将会使用到python的pandas,numpy,scipy和sklearn库,不过实验楼中已经安装了numpy,所以在实验前,我们需要先利用pip命令安装另外三个Python库。

  为了方便同学们进行实验,我们已经将数据全部都保存成csv文件上传至实验楼的云环境中。在后续的代码实现小节里,我们将给出获取这些文件的地址。

  因此我们将会用以表示某场比赛数据的特征向量为(加入A与B队比赛):[A队Elo score, A队的T,O和M表统计数据,B队Elo score, B队的T,O和M表统计数据]

  在这里我们将基于国际象棋比赛,大致地介绍下Elo等级划分制度。在上图中Eduardo在窗户上写下的公式就是根据Logistic Distribution计算PK双方(A和B)对各自的胜率期望值计算公式。假设A和B的当前等级分为R_AR​A​​何R_BR​B​​,则A对B的胜率期望值为:

  从夜观天象到气象预报,从童话里的水晶球到今日的科技预言家,人类一直希望能够更早突破局限看穿未来,人类的生活也正在被大数据预测深刻改变。

  我们将以获取Team Per Game Stats表格数据为例,展示如何获取这三项统计数据。

  在很多人脑中,大数据都只是一个模糊的概念;也有人会说,大数据可以用来“预测股市”、“预测地震”、“预测消费者行为”。但其实,大数据与我们的关系可能比想象中得更紧密。

  每个月,我们帮助 1000 万的开发者解决各种各样的技术问题。并助力他们在技术能力、职业生涯、影响力上获得提升。

  这条对比公式就是Elo Score 等级分制度。Elo 的最初为了提供国际象棋中,更好地对不同的选手进行等级划分。在现在很多的竞技运动或者游戏中都会采取 Elo 等级分制度对选手或玩家进行等级划分,如足球、篮球、棒球比赛或 LOL、DOTA 等游戏。

  Opponent Per Game Stats:所遇到的对手平均每场比赛的统计信息,所包含的统计数据与Team Per Game Stats中的一致,只是代表的该球队对应的对手的。

  关于Elo score等级分,不知道同学们是否看过《社交网络》这部电影,在这部电影中,Mark(主人公原型就是扎克伯格,FaceBook创始人)在电影起初开发的一个美女排名系统就是利用其好友Eduardo在窗户上写下的排名公式,对不同的女生进行等级制度对比,最后PK出胜利的一方。

  ( 当然 NBA 比赛的影响因素有很多,转会、换教练、换球场甚至换保安,都有可能对比赛结果造成影响,所以本课程只提供方法,更多的信息挖掘和分析思路留给你来拓展。)

  本次项目,我们就基于 2015-2016 年的 NBA 常规赛及季后赛的比赛统计数据,预测在当下正在进行的 2016-2017 常规赛每场赛事的结果。

  从经验来看,只要有体育赛事历史数据,并且与指数公司进行合作,便可以进行其他赛事的预测,譬如欧冠、NBA 等赛事。

  在获取到数据之后,我们将利用每支队伍过去的比赛情况和Elo 等级分来判断每支比赛队伍的可胜概率。在评价到每支队伍过去的比赛情况时,我们将使用到Team Per Game Stats,Opponent Per Game Stats和Miscellaneous Stats(之后简称为T、O和M表)这三个表格的数据,作为代表比赛中某支队伍的比赛特征。我们最终将实现针对每场比赛,预测比赛中哪支队伍最终将会获胜,但并不是给出绝对的胜败情况,而是预判胜利的队伍有多大的获胜概率。因此我们将建立一个代表比赛的特征向量。由两支队伍的以往比赛情况统计情况(T、O和M表),和两个队伍各自的Elo等级分构成。

  复制在界面中生的的csv格式数据,并复制粘贴至一个文本编辑器保存为csv文件即可。

  介绍如何使用 Python 分析 NBA 比赛以往的统计数据,来判断每个球队的战斗力,及预测某场比赛结果。项目实例是利用 NBA 在 2015~2016 年的比赛统计数据进行回归模型建立,最终预测 2016~2017 的常规赛中每场比赛的输赢情况。

  在安装完所需的实验库之后,进入到实验环境的Code目录下,创建cs_782文件夹,并且通过以下地址获取我们为大家处理好的csv文件压缩包data.zip:

  中的统计数据。在这个网站中,你可以看到不同球员、队伍、赛季和联盟比赛的基本统计数据,如得分,犯规次数等情况,胜负次数等情况。而我们在这里将会使用2015-16 NBA Season Summary中数据。

  在本次实验中,我们将采用i class=icon-external>

  在本项目中,我们利用的部分统计数据,计算每支nba比赛队伍的Elo socre,和利用这些基本统计数据评价每支队伍过去的比赛情况,并且根据国际等级划分方法Elo Score对队伍现在的战斗等级进行评分,最终结合这些不同队伍的特征判断在一场比赛中,哪支队伍能够占到优势。但在我们的预测结果中,与以往不同,我们没有给出绝对的正负之分,而是给出胜算较大一方的队伍能够赢另外一方的概率。当然在这里,我们所采用评价一支队伍性能的数据量还太少(只采用了15~16年一年的数据),如果想要更加准确、系统的判断,有兴趣的你当然可以从各种统计数据网站中获取到更多年份,更加全面的数据。结合不同的回归、决策机器学习模型,搭建一个更加全面,预测准确率更高的模型。在kaggle中有相关的篮球预测比赛项目,有兴趣的同学可尝试一下。

  相信你一定知道世界杯中,「章鱼保罗」的传说,但你可能不知道的是,它早已被大数据预测所取代:

  不知道你是否朋友圈被刷屏过 NBA 的某场比赛进度或者结果?或者你就是一个 NBA 狂热粉,比赛中的每个进球,抢断或是逆转压哨球都能让你热血沸腾。除去观赏精彩的比赛过程,我们也同样好奇比赛的结果会是如何。因此本节课程,将给同学们展示如何使用 NBA 比赛的以往统计数据,判断每个球队的战斗力,及预测某场比赛中的结果。

  在Code\cs_782目录下,创建prediciton.py开始实验。全部代码可以在实验楼查看及下载。

  本教程由zyj061发布在实验楼,完整教程、代码及在线练习地址:NBA常规赛结果预测——利用Python进行比赛数据分析(更多课程请查看全部课程)

  如果棋手A在比赛中的真实得分S_AS​A​​(胜1分,和0.5分,负0分)和他的胜率期望值E_AE​A​​不同,则他的等级分要根据以下公式进行调整:

  在data文件夹中,包含了2015~2016年的NBA数据T,O和M表,及经处理后的常规赛和挑战赛的比赛数据2015~16result.csv,这个数据文件是我们通过在的2015-16 Schedule and result的几个月份比赛数据中提取得到的,其中包括三个字段:

  可在上图中,看到2015年10月份的部分比赛数据。在每个Schedule表格中所包含的数据为:

您可能还会对下面的文章感兴趣: