Day 29 - pybaseball 實例操作 - iT 邦幫忙::一起幫忙解決難題，拯救 IT 人的一天

2023 iThome 鐵人賽

DAY 29

Software Development

Python 棒球數據分析套件 pybaseball 介紹系列第 29 篇

Day 29 - pybaseball 實例操作

15th鐵人賽 open source python 數據分析棒球

lihsuanh

2023-10-08 18:05:11

645 瀏覽

分享至

在介紹完所有的 functions 後，今天就用我之前參加台灣棒壘球科學會主辦的 2023 台灣棒球數據分析競賽的作品當例子，來看看要如何使用 pybaseball 做數據分析。

我參賽的作品的主題是：

Cody Bellinger回春的原因,並分析這樣的好表現是否有辦法維持

主要目的是分析今年球季從洛杉磯道奇轉戰到芝加哥小熊的 Cody Bellinger，成績跟前兩季低潮相比又回穩的原因，我這次想分析的主要有兩點：

因為轉隊所以去對上不同球隊的頻率，所以有可能轉去其他分區的球隊後遇到比較多他擅長打得隊伍。
也是上一點提到的原因，因為轉隊到不同分區，所以也有可能遇到比較擅長的投手比較多，所以希望分類去年跟今年的投手，來比較看看各種類投手對戰的頻率與成績。

隊伍對戰成績

要完成第一項，我們可以使用 Statcast 的 statcast_batter function 來取得 Bellinger 今年的 Statcast 數據。

from pybaseball import statcast_batter

# 獲得 2022 賽季 Bellinger Statcast 數據
bellinger_2022 = statcast_batter("2022-03-31", "2022-10-31", 641355)

# 獲得 2023 賽季 Bellinger Statcast 數據
bellinger_2023 = statcast_batter("2023-03-31", "2023-10-31", 641355)

取得數據後，因為 Statcast 是逐球數據，而如果我們想要整個對戰結果，就要只留下留有結果的那顆球資料，這樣才能算出他對各球隊的打擊成績。Statcast 有 events 這個欄位可以來當作篩選條件，如果他是空值代表他那個打席還尚未結束，除了 events 之外，我們還會需要 Statcast 提供的 woba_value、babip_value 與 iso_value 來計算打擊成績，他們一樣是要有 result 才會有數值，他們代表那個打擊所造成的數值增減。最後會需要篩選出該打席的主客隊，因為回傳資料不是直接跟我們說打者面對的球隊是誰，所以會需要主客隊名稱來篩選資料。

# 收集打席結果與打擊數據和主客隊並移除 events 是空的資料
# 需要使用 dropna() 來移除還有空的 events 資料
bellinger_stats_22_batting = bellinger_2022[['pitcher', 'events', 'woba_value', 'babip_value', 'iso_value', 'home_team', 'away_team']].dropna()
bellinger_stats_23_batting = bellinger_2023[['pitcher', 'events', 'woba_value', 'babip_value', 'iso_value', 'home_team', 'away_team']].dropna()

處理完後，我們需要自行判斷對手球隊是誰，就會需要使用 Bellinger 2022 待的道奇隊代碼 LAD 與 2023 待的小熊隊代碼 CHC 來判斷出對手球隊，這邊我寫了一個 function 去判斷並使用 Pandas 的 apply function 來處理整個 DataFrame 的資料並獲得新的欄位 opponent_team。

# 道奇隊的對手球隊
def get_opponent_lad(row):
  if row['home_team'] == 'LAD':
    return row['away_team']
  else:
    return row['home_team']

# 小熊隊的對手球隊
def get_opponent_chc(row):
  if row['home_team'] == 'CHC':
    return row['away_team']
  else:
    return row['home_team']

bellinger_stats_22_batting['opponent_team'] = bellinger_stats_22_batting.apply(get_opponent_lad, axis=1)
bellinger_stats_23_batting['opponent_team'] = bellinger_stats_23_batting.apply(get_opponent_chc, axis=1)

整理完對手球隊，再來使用 Pandas 的 groupby、agg、rename 來獲得打擊成績與頻率後，使用 merge 來顯示這兩年的數據。沒有重複的球隊會被排除。

matchup_2022 = bellinger_stats_22_batting[['woba_value', 'babip_value', 'iso_value', 'opponent_team']] \
  .groupby('opponent_team') \
  .agg({'woba_value': 'mean', 'babip_value': 'mean', 'iso_value': 'mean', 'opponent_team': 'size'}) \
  .rename(columns={'woba_value':'woba', 'babip_value': 'babip', 'iso_value': 'iso', 'opponent_team':'count'})

matchup_2023 = bellinger_stats_23_batting[['woba_value', 'babip_value', 'iso_value', 'opponent_team']] \
        .groupby('opponent_team') \
        .agg({'woba_value': 'mean', 'babip_value': 'mean', 'iso_value': 'mean', 'opponent_team': 'size'}) \
        .rename(columns={'woba_value':'woba', 'babip_value': 'babip', 'iso_value': 'iso', 'opponent_team':'count'})

# 顯示 2022 與 2023 的各球隊
display(matchup_2022.merge(matchup_2023, on='opponent_team'))

最後比賽那時候的結果，我自己的結論是看不岀甚麼太大的差異，所以不是主因：

後來我在這次鐵人賽發現 Baseball Reference 的 get_splits 可以抓到打者對戰各隊的分項數據，其實使用這個可以更輕鬆的取得各球隊的對戰數據，大家之後也可以試試：

from pybaseball import get_splits

# 用 BR get_splits 獲得各年分項數據
bellinger_22_splits = get_splits("bellico01", 2022)
bellinger_23_splits = get_splits("bellico01", 2023)

# 從分項數據獲得對戰紀錄
matchup_22 = bellinger_22_splits.loc[['Opponent']]
matchup_23 = bellinger_23_splits.loc[['Opponent']]

各類投手比賽成績

另一個思考方向是換隊後遇到的投手不同，想要知道這個結果就要先來把對戰過的投手來分類。要怎麼分類我這裡是用到一個機械學習的技巧，K-means Clustering，這邊文章重點是 pybaseball 所以我多做說明，詳情可以看我的簡報裡的介紹。簡單的來說是我用各投手的變化球使用比率，去算各投手的相似度後把他們分成各群。

那麼要知道各投手的球種使用比例，就又只能參考 Statcast 裡的資料了。這裡會需要先使用 Pandas 的 unique 知道總共對戰哪些投手的球員 ID，之後在一個一個使用 statcast_pitcher 來知道它們的投球比例。為了篩選掉這季只上來一下下的大聯盟投手所以我設了一個至少投 100 球以上的條件。

import pandas as pd

pitchers_faced_22 = pd.unique(bellinger_2022["pitcher"])
pitchers_faced_23 = pd.unique(bellinger_2022["pitcher"])

之後在一個一個使用 statcast_pitcher 來知道它們的投球比例。為了篩選掉這季只上來一下下的大聯盟投手所以我設了一個至少投 100 球以上的條件。不過每個投手都要從 Statcast 那邊重新獲得一次資料，所以會需要大概 10 - 20 分鐘的處理時間，我後來就用 to_csv 存成 csv 檔後直接使用。

df = pd.DataFrame()

for pitcher in pitchers_faced_22:
  current = statcast_pitcher("2022-03-31", "2022-10-31", pitcher)

	# 投球數不超過就不處理儲存
  if len(current) > 100:
		# 使用 pitch_type 的 value_counts 獲得各球種球數
    pitch_type_occ = current['pitch_type'].value_counts(dropna=True, normalize=True)
    # 獲得百分比
    percentage = pd.DataFrame({"%":pitch_type_occ*100})
    pitch_type_df = pd.DataFrame(columns=percentage.index, data=np.array([percentage['%'].to_list()]))
    pitch_type_df.insert(0, 'player_id', [current['pitcher'][0]])
    pitch_type_df.insert(1, 'player_name', [current['player_name'][0]])
    df = pd.concat([df, pitch_type_df])

df = df.replace(np.nan, 0)

處理完資料後我們就交給機械學習去處理，接下來會依據 2022 年的數據來分成五種投手，再把 2023 年的球種分布資料丟進我們建好的 model 去得到 2023 年的這五種類投手分布，最後去比較這兩年各種類投手對戰 Bellinger 的打擊成績。

最後結果也是關係不大，雖然很可惜兩個猜想都沒有結果，但是數據分析有時候就是這樣，要去驗證是否有用：

使用感想

以上是我這次參加棒球數據競賽使用 pybaseball 的部分，我認為在獲得資料後並使用在機械學習上，pybaseball 十分方便，也可以使用他們去組合出一些客製化的數據，像是我這次整裡的投手使用球種，雖然 Baseball Savant 有類似的頁面可以下載 csv 檔，但如果想知道這些投手對決 Bellinger 都投甚麼球種就只能使用 pybaseball 去整理了。