【Python學習筆記_NBA賽事預測-EFG%與勝負的相關?】

guess365 python 大數據分析 2022世足 nba

guess365 2022-11-18 15:30:54 ‧ 1535 瀏覽

分享至

在任何球類賽事上，大家追逐的目標始終只有一個，那就是在有限的時間內獲得越多分數，籃球抑是同樣的道理，想在籃球場上獲得分數，不外乎就是投籃與罰球，但畢竟時間有限，所以「效率」就成為了球隊獲勝的重要因素。

籃球場上說到得分效率，最好的方式就是三分球，因此近年球場上開始盛行小球時代，大多球隊都會以三分球作為核心進攻手段，如何更精準計算有效的投籃命中率，將會是一個很重要的因素，而我們今天就是要來探討籃球指標中常觀察命中率的「EFG%」，我們將探討以下幾點:

主隊的EFG%真的比較高嗎?
EFG%高者就一定獲勝?
單靠EFG%能精準判斷球隊勝負?

-------------------------------------------廣告-------------------------------------------

世足盃小組賽賽程表搶先看!!!
你看好哪一隊會晉級呢?
有興趣都歡迎來Guess365預測你看好的隊伍，精美大獎拿不完，讓你看球賽不再孤單又無趣


-------------------------------------------廣告-------------------------------------------

何謂EFG%?

EFG%全名為effective Field Goal percentage，中文叫「有效命中率」，由於一般的命中率是將兩分球與三分球視為同樣的貢獻，但實際上，三分球得分可是多於兩球1.5倍之多啊，在得分效益上當然是三分球比較好，也因此延伸出EFG%(有效命中率)這個指標，其公式就是:
EFG%

FGM 投籃命中次數、3PM 三分球命中次數、FGA 投籃次數

不過EFG%也有缺點，因為該指標是呈現球員真實「投籃」的價值，而有些球員像是中鋒、前鋒等等位置，可能都是靠中距離投籃、補籃或是灌籃等方式得分，較少投三分球，或是該球員本身在球隊的角色就不是主要投籃人物，像是Marcus Smart、Rudy Gobert等現役球員，都是以防守作為其武器，因此無法真的靠該指標直接判斷球員的真實價值，僅能呈現其「投籃」的表現。

深入探討，挖掘數據的真相

資料收集

我們的資料是來自於basketball reference，一個擁有多個不同領域賽事的歷史資料網，光NBA就提供了超過20年的完整數據，因此相當推薦大家可以參考該網站的數據。

主隊EFG%一定比較高嗎?

從MLB講到NBA，我們仍然要繼續尋找看看主場是否存在一定的優勢，畢竟這是看球賽的球迷一定會有的迷思，因此我們首先還是來看看在NBA中，主隊在主場的EFG%會不會比客隊來的高呢?

首先，我們一樣導入套件

# 數據整理
import numpy as np 
import pandas as pd 
 
# 可視化
import matplotlib.pyplot as plt 
import seaborn as sns 
import plotly as py 
import plotly.graph_objs as go

接著讀取資料

df = pd.read_excel(r"all_finaldata_sofescore.xlsx",index_col='Date')
df.head()

我們所爬取的資料中，有主隊以及客隊的EFG%，因此，我們要自行製作欄位「more_Betting_EFG」，為判斷主客隊誰的有效命中率較高；「W/L」則為判斷主客隊誰獲勝；「more_EFG_win」為判斷有效命中率高者是否獲勝

df['more_EFG'] = (df['Efg(H)'] > df['eFG(V)'])*1
df['W/L'] = (df['PTS_H'] > df['PTS_V']) *1
df["more_EFG_win"] = (df['more_EFG'] == df['W/L'])*1
df.head(5)df.head(5)

python

這裡我們用到剛剛創建的欄位「more_EFG」來視覺化看看

trace0 = go.Pie(labels=df["more_EFG"].value_counts().index, 
                values=df["more_EFG"].value_counts().values,
                hole=0.5,
                opacity=0.9,
                marker=dict(line=dict(color='white', width=1.3))
               ) 
layout = go.Layout(title='主客EFG%')
data = [trace0]
fig = go.Figure(data, layout)
py.offline.plot(fig,filename='主客EFG%.xlsx')

藍色(1)表示主隊EFG%較高，機率為54.8%，橘色(0)表示客隊EFG%較高，機率為45.2%。我們可以發現，主隊的EFG%的確有較高一點的跡象，但幾乎就是各半，所以說EFG並無特別受到主場優勢的加持，我們從MLB看到NBA，大概可以了解到，主場並沒有真的擁有什麼優勢。
主客EFG%

trace0 = go.Pie(labels=df["more_EFG_win"].value_counts().index, 
                values=df["more_EFG_win"].value_counts().values,
                hole=0.5,
                opacity=0.9,
                marker=dict(line=dict(color='white', width=1.3))
               ) 
layout = go.Layout(title='EFG%與勝負關係')
data = [trace0]
fig = go.Figure(data, layout)
py.offline.plot(fig, filename='EFG%與勝負關係.xlsx')

EFG%高者獲勝?

照理說，EFG%較高的一方，獲勝機率應該要越大才對，因為籃球絕大多數的得分都來自於投籃命中，那我們就來看看是否如我們想像的一樣。

此處藍色(1)為EFG%高且獲勝者，佔比高達81.3%，而橘色(0)為EFG%高但卻輸者，佔比為18.7%，看來大多時候有效命中率高者會比較容易獲勝，而剩下仍有將近20%左右的比率是怎麼一回事呢?
EFG%與勝負關係

單靠EFG%能精準判斷球隊勝負?

究竟是什麼原因造成這將近20%的比賽EFG%高卻輸掉比賽呢?根據我們的推測其中一個原因在於沒考慮到投球數，有些比賽雖然獲勝隊伍可能投籃命中率不高，但卻可能比對手多投了一些球，因而得分較高，我們來看看是否如此
EFG%例外
可以看到，正常高EFG%且獲勝的隊伍，其投球數平均是低於敵隊2.05顆球的，反觀EFG%低卻獲勝的場次，其獲勝隊伍平均投球數就高於敵隊5.58顆球，也就是說，EFG%並不一定高就會獲勝，因為其沒有考慮到出手的次數差距，當出手數高，就算命中率略低於對手，其還是有可能獲勝的