半个足球场怎么画（太酷了，用Python制作足球可视化图表）

　　大家好，我是小F。

　　最近不少小伙伴都会熬夜看欧洲杯。今年的欧洲杯相比起往年的欧洲杯来说，可谓是冷门频出，出乎意料。

　　真的不知道，第一会花落谁家～

　　本期小F就和大家分享一下，用Python和Matplotlib绘制一个足球运动员的数据可视化图表。

　　来看一下C罗的情况，跟老詹一样高龄，真的佩服。

　　

　　数据来源于下面两个网站，Understat和Fbref。

　　

　　

　　链接：https://understat.com/

　　链接：https://fbref.com/en/

　　欧洲足球五大联赛，英超、意甲、西甲、德甲、法甲。

　　先看一下射门数据的可视化，本质上和篮球的出手点图差不多，都是散点图类型。

　　导入相关的Python库。

　　import requests

　　from bs4 import BeautifulSoup as soup

　　import json

　　import pandas as pd

　　import matplotlib.pyplot as plt

　　import numpy as np

　　import matplotlib as mpl

　　从Understat网站爬取射门数据，使用BeautifulSoup、JSON和pandas解析和处理数据。

　　# 请求数据, C罗的ID为2371

　　url = 'https://understat.com/player/2371'

　　html = requests.get(url)

　　# 解析处理数据

　　parse_soup = soup(html.content, 'lxml')

　　scripts = parse_soup.find_all('script')

　　strings = scripts[3].string

　　ind_start = strings.index("('")+2

　　ind_end = strings.index("')")

　　json_data = strings[ind_start:ind_end]

　　json_data = json_data.encode('utf8').decode('unicode_escape')

　　data = json.loads(json_data)

　　print(data)

　　# 处理数据, 包含射门位置、预期进球、射门结果、赛季

　　x = []

　　y = []

　　xg = []

　　result = []

　　season = []

　　for i, _ in enumerate(data):

　　for key in data[i]:

　　if key == 'X':

　　x.append(data[i][key])

　　if key == 'Y':

　　y.append(data[i][key])

　　if key == 'xG':

　　xg.append(data[i][key])

　　if key == 'result':

　　result.append(data[i][key])

　　if key == 'season':

　　season.append(data[i][key])

　　columns = ['X', 'Y', 'xG', 'Result', 'Season']

　　df_understat = pd.DataFrame([x, y, xg, result, season], index=columns)

　　df_understat = df_understat.T

　　df_understat = df_understat.apply(pd.to_numeric, errors='ignore')

　　# 得到最终的结果

　　print(df_understat)

　　此处的ID，通过查询球员名字可知

　　

　　查询中国球员武磊，点击访问，在地址栏处，可以看到球员ID。

　　得到数据如下。

　　

　　包含射门位置(x、y)、xG(预期进球)、射门结果、赛季。

　　其中x、y的坐标值为0～1之间，不适合在Matplotlib显示，所以选择放大100倍。

　　df_understat['X'] = df_understat['X'].apply(lambda x: x*100)

　　df_understat['Y'] = df_understat['Y'].apply(lambda x: x*100)

　　print(df_understat)

　　得到结果如下。

　　

　　既然已经成功获取Understat网站的数据，就可以去获取Fbref网站的数据啦。

　　这里是球员的一些个人信息，以及赛季的平均数据。

　　

　　比如全名、国家、位置、俱乐部、联赛、年龄、出生年份、上场时间、得分数据等等。

　　因为网页的数据是表格形式，所以直接使用pandas的read_html函数，解析表格爬取数据。

　　这个网站需要取消一下证书验证，要不然连接不成功。

　　# 全局取消证书验证

　　import ssl

　　ssl._create_default_https_context = ssl._create_unverified_context

　　获取球员的相关数据。

　　def readfromhtml(filepath):

　　# 选择第二个表格

　　df = pd.read_html(filepath)[0]

　　column_lst = list(df.columns)

　　for index in range(len(column_lst)):

　　column_lst[index] = column_lst[index][1]

　　df.columns = column_lst

　　df.drop(df[df['Player'] == 'Player'].index, inplace=True)

　　df = df.fillna('0')

　　df.set_index('Rk', drop=True, inplace=True)

　　try:

　　df['Comp'] = df['Comp'].apply(lambda x: ' '.join(x.split()[1:]))

　　df['Nation'] = df['Nation'].astype(str)

　　df['Nation'] = df['Nation'].apply(lambda x: x.split()[-1])

　　except:

　　print('Error in uploading file:' + filepath)

　　finally:

　　df = df.apply(pd.to_numeric, errors='ignore')

　　return df

　　# 获取2020-2021欧洲五大联赛球员数据

　　df_fbref = readfromhtml('https://fbref.com/en/comps/Big5/shooting/players/Big-5-European-Leagues-Stats')

　　print(df_fbref)

　　得到结果如下。

　　

　　数据都已经准备好了，那么我们就可以将数据绘制到图表上。

　　# 安装

　　pip install -i https://pypi.tuna.tsinghua.edu.cn/simple mplsoccer

　　pip install -i https://pypi.tuna.tsinghua.edu.cn/simple highlight_text

　　先安装mplsoccer、highlight_text这两个Python库。

　　

　　其中mplsoccer库可以自定义绘制足球场，无需我们自己绘制场地图。

　　想了解更多，可以访问它的GitHub地址。

　　https://github.com/andrewRowlinson/mplsoccer

　　

　　初始化一些设置，画布背景色、字体颜色、默认字体，字体大小，此处选择中文字体。

　　from highlight_text import ax_text,fig_text

　　import mplsoccer

　　# 背景色

　　background = '#D6DBD9'

　　# 字体颜色

　　text_color = 'black'

　　mpl.rcParams['xtick.color'] = text_color

　　mpl.rcParams['ytick.color'] = text_color

　　mpl.rcParams['text.color'] = text_color

　　# 中文字体

　　mpl.rcParams['font.family'] = 'Songti SC'

　　mpl.rcParams['legend.fontsize'] = 12

　　新建一个画布。

　　# 新建画布

　　fig, ax = plt.subplots(figsize=(10, 8))

　　# 关闭坐标轴

　　ax.axis('off')

　　# 背景色填充

　　fig.set_facecolor(background)

　　plt.show()

　　显示如下。

　　

　　绘制19-20赛季，C罗的进球情况。

　　# 垂直方向半个足球场

　　pitch = mplsoccer.VerticalPitch(half=True, pitch_type='opta', line_zorder=3, pitch_color='grass')

　　# 图表大小

　　ax_opta1 = fig.add_axes((0.05, 0.06, 0.45, 0.4))

　　ax_opta1.patch.set_facecolor(background)

　　pitch.draw(ax=ax_opta1)

　　plt.show()

　　通过设置mplsoccer的参数，绘制半个足球场。

　　

　　果然，左下方有半个足球场。

　　将射门数据用散点图表示，分为进球得分和未成功进球得分两种情况。

　　# 2019-2020赛季, C罗射门位置散点图(未得分), 透明度0.6

　　df_fil = df_understat.loc[df_understat['Season'] == 2019]

　　pitch.scatter(df_fil[df_fil['Result'] != 'Goal']['X'], df_fil[df_fil['Result'] != 'Goal']['Y'],

　　s=np.sqrt(df_fil[df_fil['Result'] != 'Goal']['xG'])*100, marker='o', alpha=0.6,

　　edgecolor='black', facecolor='grey', ax=ax_opta1)

　　plt.show()

　　未得分射门散点图。

　　

　　得分散点图。

　　# 2019-2020赛季, C罗射门位置散点图(得分), 透明度0.9

　　pitch.scatter(df_fil[df_fil['Result'] == 'Goal']['X'], df_fil[df_fil['Result'] == 'Goal']['Y'],

　　s=np.sqrt(df_fil[df_fil['Result'] == 'Goal']['xG'])*100, marker='o', alpha=0.9,

　　edgecolor='black', facecolor='#6778d0', ax=ax_opta1, label='Goal')

　　plt.show()

　　结果如下，失败的比成功的多。

　　

　　这样，我们就将C罗在2019-2020赛季的所有射门点数据可视化出来了。

　　其中散点的大小，是预期进球的大小。

　　添加标签及图例，设置相应的位置、文字、字体等设置。

　　# 添加图例

　　ax_opta1.legend(loc='lower right').get_texts()[0].set_color("black")

　　# 文字信息

　　ax_opta1.text(30, 61, '得分次数 : '+str(len(df_fil[df_fil['Result'] == 'Goal'])), weight='bold', size=11)

　　ax_opta1.text(30, 64, f"预期进球 : {round(sum(df_fil['xG']),2)}", weight='bold', size=11)

　　ax_opta1.text(30, 58, '射门次数 : '+str(len(df_fil)), weight='bold', size=11)

　　ax_opta1.text(90, 60, '2019-20赛季', weight='bold', size=14)

　　plt.show()

　　成功添加附加信息。

　　

　　显示赛季、xG、得分次数、射门次数信息。

　　同样将20-21赛季的数据绘制出来，放置在19-20赛季的右侧。

　　# 2020-2021赛季, C罗射门位置散点图

　　ax_opta2 = fig.add_axes((0.50, 0.06, 0.45, 0.4))

　　ax_opta2.patch.set_facecolor(background)

　　pitch.draw(ax=ax_opta2)

　　# 根据条件, 筛选数据

　　df_fil = df_understat.loc[df_understat['Season'] == 2020]

　　# 未得分

　　pitch.scatter(df_fil[df_fil['Result'] != 'Goal']['X'], df_fil[df_fil['Result'] != 'Goal']['Y'],

　　s=np.sqrt(df_fil[df_fil['Result']!='Goal']['xG'])*100, marker='o', alpha=0.6,

　　edgecolor='black', facecolor='grey', ax=ax_opta2)

　　# 得分

　　pitch.scatter(df_fil[df_fil['Result']=='Goal']['X'], df_fil[df_fil['Result'] == 'Goal']['Y'],

　　s=np.sqrt(df_fil[df_fil['Result'] == 'Goal']['xG'])*100, marker='o', alpha=0.9,

　　edgecolor='black', facecolor='#6778d0', ax=ax_opta2, label='Goal')

　　# 添加图例, 文字信息

　　ax_opta2.legend(loc='lower right').get_texts()[0].set_color("black")

　　ax_opta2.text(30, 61, '得分次数 : '+str(len(df_fil[df_fil['Result'] == 'Goal'])), weight='bold', size=11)

　　ax_opta2.text(30, 64, f"预期进球 : {round(sum(df_fil['xG']),2)}", weight='bold', size=11)

　　ax_opta2.text(30, 58, '射门次数 : '+str(len(df_fil)), weight='bold', size=11)

　　ax_opta2.text(90, 60, '2020-21赛季', weight='bold', size=14)

　　plt.show()

　　结果如下。

　　

　　C罗老当益壮啊，状态一点也没有下滑。

　　下面接着绘制所有球员的数据散点图，看看C罗的数据能在哪一档？

　　# 初始化

　　ax_scatter = fig.add_axes([0.52, 0.57, 0.4, 0.35])

　　ax_scatter.patch.set_facecolor(background)

　　plt.show()

　　创建一个坐标轴。

　　

　　首先对数据进行筛选，上场时间最少要有900s，而且位置为前锋此类的。

　　毕竟我们不能拿个守门员，跟C罗比数据吧，参考意义不大。

　　# 得到散点图的X, Y坐标值

　　no_90s = 10

　　df_fil = df_fbref[df_fbref['90s'] >= no_90s]

　　# 前锋位置

　　df_fil = df_fil[df_fil['Pos'].apply(lambda x: x in ['FW', 'MF,FW', 'FW,MF'])]

　　# 每90s预期进球和得分次数

　　x, y = (df_fil['xG']/df_fil['90s']).to_list(), (df_fil['Gls']/df_fil['90s']).to_list()

　　# 生成所有前锋位置, 数据散点图

　　ax_scatter.scatter(x, y, alpha=0.3, c='#EF8804')

　　plt.show()

　　所有球员每90s预期进球和得分次数的数据情况。

　　

　　现在我们筛选出C罗的数据，在散点图上用不同的颜色及透明度来突出显示它。

　　# C罗的数据

　　df_player = df_fil[df_fil['Player'] == 'Cristiano Ronaldo']

　　ax_scatter.scatter(df_player['xG']/df_player['90s'], df_player['Gls']/df_player['90s'], c='blue')

　　plt.show()

　　结果如下。

　　

　　可以看到C罗的数据还是比较高效的，虽不是第一，但也是前几的存在。

　　最后给散点图添加网格线，以及x轴和y轴标签。

　　# 添加网格线及标签

　　ax_scatter.grid(b=True, color='grey',

　　linestyle='-.', linewidth=0.5,

　　alpha=0.4)

　　ax_scatter.set_xlabel('每90秒的预期进球', fontdict={'fontsize': 12, 'weight': 'bold', 'color': text_color})

　　ax_scatter.set_ylabel('每90秒得分', fontdict=dict(fontsize=12, weight='bold', color=text_color))

　　plt.show()

　　结果如下。

　　

　　不愧是C罗，在2020-21赛季几乎每90秒就能进1颗球。

　　18年就已经有一个记录！C罗成历史第一位在90分钟内每分钟都有进球的球员。

　　最后添加文本信息，包含标题，C罗的头像，场上位置、年龄、效力球队。

　　此处使用hightlight-text库，可以高亮文本。

　　# 添加C罗的头像

　　ax_player = fig.add_axes([0.03, 0.53, 0.25, 0.45])

　　ax_player.axis('off')

　　im = plt.imread('ronaldo.png')

　　ax_player.imshow(im)

　　# 添加标题信息

　　fig_text(0.03, 0.94, "<克里斯蒂亚诺·罗纳尔多(C罗)> 赛季数据", weight='heavy', size=19, highlight_textprops=[{'color': 'blue'}])

　　fig_text(0.25, 0.85, '位置: <边锋>',weight='bold', size=15, highlight_textprops=[{'color':'#EF8804'}])

　　fig_text(0.25, 0.81, '年龄: <36>',weight='bold', size=15, highlight_textprops=[{'color':'red'}])

　　# 添加俱乐部logo

　　ax_team = fig.add_axes([0.27, 0.55, 0.15, 0.15])

　　ax_team.axis('off')

　　im = plt.imread('FCJ.png')

　　ax_team.imshow(im)

　　# 添加备注

　　fig_text(0.07, 0.03, '本图制作者：<小F> 数据来源：Fbref.com、Understat.com',

　　size=12, highlight_textprops=[{'color': '#EF8804'}], weight='bold')

　　plt.show()

　　C罗的头像、效力的队伍logo，都是小F自己制作的。

　　得到结果如下。

　　

　　保存为图片。

　　# 保存为图片

　　plt.savefig('ronaldo_viz.png', dpi=300, facecolor=background)

　　看起来还不错哦。

　　

　　好了，本期的分享就到此结束了，有兴趣的小伙伴可以自行去实践学习。

　　使用到的代码及文件都已上传，公众号回复「足球」即可获取。

　　快给自己喜欢的足球运动员，也制作一个赛季数据面板吧！

　　原文:

　　https://mp.weixin.qq.com/s/MiHu4vnuu0mlhx8B5x6OqA