用 Python 自动获取NBA现役球员的职业生涯数据曲线

简介: 用 Python 自动获取NBA现役球员的职业生涯数据曲线

前言

作为一个看了多年篮球的 NBA球迷,一直在想用 python 和篮球一起来写点什么

加上最近在学习 pyecharts ,所以就有了下面这篇文章:

根据输入的球队和球员名字,自动生成该球员职业生涯数据曲线图!

✨ 效果

640.gif

火箭哈登

640.gif

勇士格林

我只挑了两个球员,感兴趣的朋友可以在后台回复 “nba” 获取源码。

输入自己喜爱的球队和球员名称即可

通过这些曲线图,球星的职业生涯的数据一目了然:

不得不说登哥每年数据都在上升

而勇士的格林自从拿了大合同,数据全面下滑,哈哈

怎么做的?

1.首先需要了解 pyecharts 的折线图用法

2.基本的爬虫

因为坚持原创,精力也有限,所以程序暂时只支持湖人,火箭,勇士这三支比较热门的球队

如果对其他球队也有需求,可以联系我添加进去。

Line:折线/面积图

折线图是用折线将各个数据点标志连接起来的图表,用于展现数据的变化趋势。

折线/面积图对应的模块是 Line

可以配置折线的形式,颜色,标注最大值,最小值等

具体请看下面的 add_yaxis 的详细说明

Line 模块对应的函数使用说明:

1def add_yaxis(
 2    # 系列名称,用于 tooltip 的显示,legend 的图例筛选。
 3    series_name: str,
 4
 5    # 系列数据
 6    y_axis: Sequence,
 7
 8    # 是否选中图例
 9    is_selected: bool = True,
10
11    # 使用的 x 轴的 index,在单个图表实例中存在多个 x 轴的时候有用。
12    xaxis_index: Optional[Numeric] = None,
13
14    # 使用的 y 轴的 index,在单个图表实例中存在多个 y 轴的时候有用。
15    yaxis_index: Optional[Numeric] = None,
16
17    # 系列 label 颜色
18    color: Optional[str] = None,
19
20    # 是否显示 symbol, 如果 false 则只有在 tooltip hover 的时候显示。
21    is_symbol_show: bool = True,
22
23    # 标记的图形。
24    # ECharts 提供的标记类型包括 'circle', 'rect', 'roundRect', 'triangle', 
25    # 'diamond', 'pin', 'arrow', 'none'
26    # 可以通过 'image://url' 设置为图片,其中 URL 为图片的链接,或者 dataURI。
27    symbol: Optional[str] = None,
28
29    # 标记的大小,可以设置成诸如 10 这样单一的数字,也可以用数组分开表示宽和高,
30    # 例如 [20, 10] 表示标记宽为 20,高为 10。
31    symbol_size: Union[Numeric, List] = 4,
32
33    # 数据堆叠,同个类目轴上系列配置相同的 stack 值可以堆叠放置。
34    stack: Optional[str] = None,
35
36    # 是否平滑曲线
37    is_smooth: bool = False,
38
39    # 是否显示成阶梯图
40    is_step: bool = False,
41
42    # 标记点配置项,参考 `series_options.MarkPointOpts`
43    markpoint_opts: Union[opts.MarkPointOpts, dict, None] = None,
44
45    # 标记线配置项,参考 `series_options.MarkLineOpts`
46    markline_opts: Union[opts.MarkLineOpts, dict, None] = None,
47
48    # 提示框组件配置项,参考 `series_options.TooltipOpts`
49    tooltip_opts: Union[opts.TooltipOpts, dict, None] = None,
50
51    # 标签配置项,参考 `series_options.LabelOpts`
52    label_opts: Union[opts.LabelOpts, dict] = opts.LabelOpts(),
53
54    # 线样式配置项,参考 `series_options.LineStyleOpts`
55    linestyle_opts: Union[opts.LineStyleOpts, dict] = opts.LineStyleOpts(),
56
57    # 填充区域配置项,参考 `series_options.AreaStyleOpts`
58    areastyle_opts: Union[opts.AreaStyleOpts, dict] = opts.AreaStyleOpts(),
59
60    # 图元样式配置项,参考 `series_options.ItemStyleOpts`
61    itemstyle_opts: Union[opts.ItemStyleOpts, dict, None] = None,
62)
63

示例代码:

1# coding: utf-8
 2from pyecharts import options as opts
 3from example.commons import Faker
 4from pyecharts.charts import Line
 5
 6
 7def line_base() -> Line:
 8    c = (
 9        Line()
10        .add_xaxis(Faker.choose())
11        .add_yaxis("商家A", Faker.values(), color="blue", is_smooth=True, markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(type_="min")]))
12        .add_yaxis("商家B", Faker.values(), is_smooth=True, markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(type_="max")]))
13        .set_global_opts(title_opts=opts.TitleOpts(title="Line-基本示例"))
14    )
15    return c
16
17
18if __name__ == "__main__":
19    line_base().render("line.html")
20    pass

运行之后在本地目录,会生成一个 line.html 的文件

效果图如下:

折线图

程序用法

在输入球队和球员的时候,请使用空格分开

另因为每个人对 NBA 球员的叫法可能会不一样,所以做了一下统一,输入的时候请注意!

比如, 以下火箭球员的名称集合

1rocket_mapping = {
 2    "保罗": "克里斯-保罗",
 3    "哈登": "詹姆斯-哈登",
 4    "卡佩拉": "卡佩拉克林特-卡佩拉",
 5    "戈登": "埃里克-戈登",
 6    "香珀特": "伊曼-香珀特",
 7    "塔克": "PJ-塔克",
 8    "内内": "内内",
 9    "格林": "杰拉德-格林",
10    "法里埃德": "肯尼思-法里德",
11    "小李": "奥斯汀-里弗斯",
12    "豪斯": "丹纽尔-豪斯",
13    "克拉克": "加里-克拉克",
14    "杜瓦尔": "特雷旺-杜瓦尔",
15}

后台回复 “nba” 获取该程序



相关文章
|
2天前
|
XML 前端开发 数据格式
BeautifulSoup 是一个 Python 库,用于从 HTML 和 XML 文件中提取数据
BeautifulSoup 是 Python 的一个库,用于解析 HTML 和 XML 文件,即使在格式不规范的情况下也能有效工作。通过创建 BeautifulSoup 对象并使用方法如 find_all 和 get,可以方便地提取和查找文档中的信息。以下是一段示例代码,展示如何安装库、解析 HTML 数据以及打印段落、链接和特定类名的元素。BeautifulSoup 还支持更复杂的查询和文档修改功能。
9 1
|
3天前
|
存储 JSON 数据挖掘
python序列化和结构化数据详解
python序列化和结构化数据详解
12 0
|
4天前
|
数据采集 数据可视化 数据挖掘
Python 与 PySpark数据分析实战指南:解锁数据洞见
Python 与 PySpark数据分析实战指南:解锁数据洞见
|
4天前
|
数据采集 数据处理 开发者
Python 中的数据处理技巧:高效数据操作的艺术
Python 在数据处理方面表现卓越,为开发者提供了丰富的工具和库以简化数据操作。在本文中,我们将探讨 Python 中数据处理的一些技巧,包括数据清洗、数据转换以及优化数据操作的最佳实践。通过掌握这些技巧,您可以在 Python 中更加高效地处理和分析数据。
|
5天前
|
机器学习/深度学习 自然语言处理 算法
Python遗传算法GA对长短期记忆LSTM深度学习模型超参数调优分析司机数据|附数据代码
Python遗传算法GA对长短期记忆LSTM深度学习模型超参数调优分析司机数据|附数据代码
|
5天前
|
开发者 索引 Python
Python中调整两列数据顺序的多种方式
Python中调整两列数据顺序的多种方式
25 0
|
5天前
|
SQL API 数据库
在Python中获取筛选后的SQL数据行数
在Python中获取筛选后的SQL数据行数
16 1
|
5天前
|
数据可视化 Python
python中Copula在多元联合分布建模可视化2实例合集|附数据代码
python中Copula在多元联合分布建模可视化2实例合集|附数据代码
|
5天前
|
数据处理 Python
Python中每个字段增加多条数据的高效方法
Python中每个字段增加多条数据的高效方法
11 1
|
5天前
|
数据挖掘 测试技术 数据处理
在python读取相邻两行的数据进行运算
在python读取相邻两行的数据进行运算
9 1