NBAの平均年齢推移

NBAチームの平均年齢

NBAにおいて選手の平均年齢がどのように推移してきたかチーム毎のデータを使い抽出してみました。

NBA全体の平均年齢とシーズン毎の若いチームとベテランチーム

season	平均年齢	最高チーム平均年齢	最高齢チーム	最低チーム平均年齢	最低齢チーム
1952	26.2	28.9	Rochester Royals	24.5	Indianapolis Olympians
1953	26.4	29.2	Rochester Royals	25.4	Boston Celtics
1954	26.4	29.2	Rochester Royals	24.1	Baltimore Bullets
1955	26.5	29.0	Rochester Royals	24.9	Baltimore Bullets
1956	26.3	27.2	Fort Wayne Pistons	25.2	Rochester Royals
1957	26.2	27.7	St. Louis Hawks	23.4	Rochester Royals
1958	26.8	28.4	Detroit Pistons	25.1	New York Knicks
1959	26.4	28.1	St. Louis Hawks	23.7	Cincinnati Royals
1960	26.5	27.6	St. Louis Hawks	25.0	Cincinnati Royals
1961	26.4	28.3	Boston Celtics	24.4	Cincinnati Royals
1962	26.4	27.9	Boston Celtics	25.0	Cincinnati Royals
1963	26.3	28.3	Boston Celtics	24.9	Detroit Pistons
1964	26.4	28.4	Boston Celtics	25.0	Baltimore Bullets
1965	26.4	28.3	Boston Celtics	24.4	Detroit Pistons
1966	26.6	28.8	Boston Celtics	25.0	Detroit Pistons
1967	26.6	29.6	Boston Celtics	25.2	Detroit Pistons
1968	26.8	29.5	Boston Celtics	25.1	Seattle SuperSonics
1969	26.9	30.5	Boston Celtics	24.8	Phoenix Suns
1970	26.8	28.4	Boston Celtics	24.9	Milwaukee Bucks
1971	26.6	29.0	Philadelphia 76ers	24.3	Cleveland Cavaliers
1972	26.6	29.5	Los Angeles Lakers	24.2	Cleveland Cavaliers
1973	26.7	30.3	Los Angeles Lakers	24.0	Portland Trail Blazers
1974	26.9	28.7	Chicago Bulls	24.4	Buffalo Braves
1975	26.6	30.2	Chicago Bulls	25.1	Atlanta Hawks
1976	26.5	29.0	Boston Celtics	24.5	Seattle SuperSonics
1977	26.2	28.7	Boston Celtics	24.5	Atlanta Hawks
1978	26.2	29.7	Boston Celtics	23.8	Milwaukee Bucks
1979	26.3	28.2	Washington Bullets	24.6	Atlanta Hawks
1980	26.4	29.0	Washington Bullets	24.1	New York Knicks
1981	26.2	28.6	Washington Bullets	24.3	Detroit Pistons
1982	26.2	28.3	Houston Rockets	24.0	Kansas City Kings
1983	26.1	29.0	Houston Rockets	24.2	Dallas Mavericks
1984	26.4	28.4	Milwaukee Bucks	24.4	Chicago Bulls
1985	26.5	28.5	Boston Celtics	24.1	Indiana Pacers
1986	26.8	29.3	Boston Celtics	25.0	Indiana Pacers
1987	26.6	29.4	Boston Celtics	24.6	Cleveland Cavaliers
1988	26.9	29.8	Boston Celtics	24.6	Cleveland Cavaliers
1989	26.9	29.8	Denver Nuggets	24.6	Los Angeles Clippers
1990	27.1	30.2	Boston Celtics	24.5	Los Angeles Clippers
1991	27.2	30.6	Dallas Mavericks	24.0	Miami Heat
1992	27.2	30.2	Milwaukee Bucks	24.4	Miami Heat
1993	27.1	29.9	Detroit Pistons	24.8	Denver Nuggets
1994	27.2	29.4	Utah Jazz	24.8	Denver Nuggets
1995	27.2	29.6	Utah Jazz	24.3	Dallas Mavericks
1996	27.5	30.4	New York Knicks	24.8	Washington Bullets
1997	27.7	30.8	Houston Rockets	25.0	Vancouver Grizzlies
1998	27.7	32.0	Houston Rockets	23.9	Boston Celtics
1999	27.9	31.2	Seattle SuperSonics	24.3	Boston Celtics
2000	27.8	31.5	Utah Jazz	24.2	Los Angeles Clippers
2001	27.7	32.0	Utah Jazz	23.2	Chicago Bulls
2002	27.4	30.3	New York Knicks	24.4	Los Angeles Clippers
2003	27.2	30.9	Utah Jazz	23.5	Cleveland Cavaliers
2004	27.0	30.3	New Orleans Hornets	24.3	Los Angeles Clippers
2005	26.9	29.7	Houston Rockets	24.9	Charlotte Bobcats
2006	26.5	29.8	San Antonio Spurs	22.7	Atlanta Hawks
2007	26.6	30.4	San Antonio Spurs	23.5	Boston Celtics
2008	26.8	31.4	San Antonio Spurs	24.1	Portland Trail Blazers
2009	26.6	30.4	San Antonio Spurs	23.3	Memphis Grizzlies
2010	26.6	30.7	Dallas Mavericks	23.2	Oklahoma City Thunder
2011	26.6	30.9	Dallas Mavericks	23.7	Oklahoma City Thunder
2012	26.6	31.3	Dallas Mavericks	24.2	Washington Wizards
2013	26.7	30.7	Los Angeles Lakers	24.0	New Orleans Hornets
2014	26.5	30.6	Dallas Mavericks	23.4	Philadelphia 76ers
2015	26.7	29.9	Dallas Mavericks	23.2	Philadelphia 76ers
2016	26.6	30.5	Memphis Grizzlies	23.3	Philadelphia 76ers
2017	26.6	30.0	Los Angeles Clippers	24.0	Minnesota Timberwolves
2018	26.4	30.6	Cleveland Cavaliers	23.7	Los Angeles Lakers
2019	26.3	29.2	Houston Rockets	23.4	New York Knicks
2020	26.0	29.5	Los Angeles Lakers	24.1	Atlanta Hawks
2021	26.1	28.8	Los Angeles Clippers	22.8	Oklahoma City Thunder
2022	26.1	30.2	Los Angeles Lakers	22.4	Oklahoma City Thunder
2023	26.1	29.8	Milwaukee Bucks	22.1	Houston Rockets
2024	26.4	30.4	Los Angeles Clippers	23.0	San Antonio Spurs

シーズン毎年齢推移グラフ

年齢分布は、取得する時期によってトレードや退団選手などいたり、出場時間も選手によって偏りがあり、必ずしも正確とは言えませんが、傾向は分かるでしょう。

NBAでは大体26歳から27歳辺りで平均年齢が推移しており、これは他の過酷なスポーツでも同様です。

体力と経験が最も出せる年齢がその辺りなのでしょう。

2000年辺りに少し平均年齢が高い時期がありますが、黄金世代と呼ばれる選手が多くいた時期と重なります。

ほとんど新人のチームもいれば、ベテランが多いチームもいてチームの傾向が見て取れます。

NBAの3ポイント攻撃が多い選手ランキング

3ポイント得点特化型選手

NBAでは、 3ポイント攻撃が重要になったとはいえ、全体で見ればまだまだ2ポイント攻撃の方が主流です。

その中で3ポイント成功数の方が多い選手を3PM÷2PMという計算式でランキングしてみます。

# 外れ値を弾くために3PMを1試合平均3回以下の選手は抜きます
df = df[df['3PM'] >= 3.0]

# 2Pに対する3P成功数の多さを算出します
df['3P/2P%'] = np.round(df['3PM'] / df['2PM'], 3)

2ポイント成功数に対する3ポイント成功数比率ランキング

	season	player	pos	age	tm	g	3PM	3PA	3P%	2PM	2PA	2P%	eFG%	FTM	FTA	FT%	PPG	3P/2P%
1	2020	Duncan Robinson	SG	25.0	MIA	73	3.7	8.3	0.446	0.7	1.1	0.654	0.667	0.9	1.0	0.931	13.5	5.286
2	2021	Duncan Robinson	SF	26.0	MIA	72	3.5	8.5	0.408	0.9	1.4	0.625	0.614	0.9	1.0	0.827	13.1	3.889
3	2022	Malik Beasley	SG	25.0	MIN	79	3.0	8.1	0.377	1.2	2.7	0.432	0.532	0.6	0.8	0.817	12.1	2.500
4	2021	Buddy Hield	SG	28.0	SAC	71	4.0	10.2	0.391	1.7	3.8	0.446	0.548	1.2	1.5	0.846	16.6	2.353
5	2024	Donte DiVincenzo	SG	27.0	NYK	81	3.5	8.7	0.401	2.0	3.7	0.542	0.584	1.1	1.4	0.754	15.5	1.750
6	2020	J.J. Redick	SG	35.0	NOP	60	3.0	6.6	0.453	1.8	3.9	0.453	0.596	2.8	3.1	0.892	15.3	1.667
7	2023	Tim Hardaway Jr.	SG	30.0	DAL	71	3.0	7.7	0.385	1.8	4.2	0.431	0.527	1.8	2.3	0.770	14.4	1.667
8	2023	Buddy Hield	SF	30.0	IND	80	3.6	8.5	0.425	2.3	4.5	0.518	0.596	1.3	1.6	0.822	16.8	1.565
9	2022	Evan Fournier	SG	29.0	NYK	80	3.0	7.7	0.389	2.0	4.3	0.465	0.541	1.0	1.4	0.708	14.1	1.500
10	2017	Eric Gordon	SG	28.0	HOU	75	3.3	8.8	0.372	2.2	4.7	0.468	0.527	2.0	2.3	0.840	16.2	1.500
11	2021	Joe Harris	SF	29.0	BRK	69	3.1	6.4	0.475	2.1	3.8	0.555	0.654	0.7	0.9	0.778	14.1	1.476
12	2018	Kyle Lowry	PG	31.0	TOR	78	3.1	7.6	0.399	2.1	4.5	0.474	0.553	2.9	3.3	0.854	16.2	1.476
13	2020	Devonte' Graham	PG	24.0	CHO	63	3.5	9.3	0.373	2.4	6.0	0.397	0.495	3.0	3.7	0.820	18.2	1.458
14	2022	Buddy Hield	SG	29.0	TOT	81	3.2	8.8	0.366	2.3	4.7	0.482	0.526	1.4	1.6	0.874	15.6	1.391
15	2019	Eric Gordon	SG	30.0	HOU	68	3.2	8.8	0.360	2.5	5.0	0.497	0.525	1.8	2.2	0.783	16.2	1.280
16	2019	Stephen Curry	PG	30.0	GSW	69	5.1	11.7	0.437	4.0	7.7	0.525	0.604	3.8	4.2	0.916	27.3	1.275
17	1996	Dennis Scott	SF	27.0	ORL	82	3.3	7.7	0.425	2.7	6.0	0.458	0.559	2.2	2.7	0.820	17.5	1.222
18	2023	Klay Thompson	SG	32.0	GSW	69	4.4	10.6	0.412	3.6	7.6	0.470	0.556	1.7	1.9	0.879	21.9	1.222
19	2024	Klay Thompson	SF	33.0	GSW	77	3.5	9.0	0.387	2.9	5.7	0.503	0.551	1.6	1.8	0.927	17.9	1.207
20	2024	Stephen Curry	PG	35.0	GSW	74	4.8	11.8	0.408	4.0	7.7	0.515	0.573	4.0	4.4	0.923	26.4	1.200
21	2022	Fred VanVleet	PG	27.0	TOR	65	3.7	9.9	0.377	3.1	7.0	0.440	0.513	3.0	3.4	0.874	20.3	1.194
22	2020	Buddy Hield	SG	27.0	SAC	72	3.8	9.6	0.394	3.2	6.6	0.479	0.545	1.6	1.9	0.846	19.2	1.187
23	2022	Stephen Curry	PG	33.0	GSW	64	4.5	11.7	0.380	3.9	7.4	0.527	0.554	4.3	4.7	0.923	25.5	1.154
24	2024	Fred VanVleet	PG	29.0	HOU	73	3.1	8.0	0.387	2.7	5.9	0.454	0.527	2.7	3.1	0.860	17.4	1.148
25	2019	J.J. Redick	SG	34.0	PHI	76	3.2	8.0	0.397	2.8	5.6	0.502	0.557	3.0	3.4	0.894	18.1	1.143
26	2018	Eric Gordon	SG	29.0	HOU	69	3.2	8.8	0.359	2.9	5.2	0.544	0.540	2.8	3.5	0.809	18.0	1.103
27	2021	Stephen Curry	PG	32.0	GSW	63	5.3	12.7	0.421	5.1	9.0	0.569	0.605	5.7	6.3	0.916	32.0	1.039
28	2021	Tim Hardaway Jr.	SG	28.0	DAL	70	3.0	7.6	0.391	2.9	5.5	0.524	0.560	2.0	2.5	0.816	16.6	1.034
29	2008	Peja Stojaković	SF	30.0	NOH	77	3.0	6.8	0.441	2.9	6.5	0.438	0.552	1.7	1.8	0.929	16.4	1.034
30	2024	Bogdan Bogdanović	SG	31.0	ATL	79	3.0	8.1	0.374	2.9	5.8	0.503	0.537	1.9	2.1	0.921	16.9	1.034

1位、2位とダンカン・ロビンソン選手が突出しています。

2019-20年シーズンは2ポイント成功数の5倍以上3ポイント成功数で稼いでいます。

3ポイント得点が多いイメージのカリー選手でも最高1.27倍くらいなので、アウトサイド特化型の選手と言っていいでしょう。

この選手はNBA史上最速で通算3ポイント成功900本を記録したことでも有名です。

NBAシーズン3ポイント選手ランキング

NBAの3ポイント成功数の多い選手

以前シーズン毎3ポイントチームの表を出しましたが、今回はシーズン毎3ポイント攻撃の多い選手ランキングを作ってみました。

 

print( df.sort_values("3PM", ascending=False))

シーズン毎1試合平均3ポイント成功数の多い選手ランキング

	season	player	pos	age	tm	g	MP	3PM	3PA	3P%	2PM	2PA	2P%	eFG%	FTM	FTA	FT%	PPG
1	2021	Stephen Curry	PG	32.0	GSW	63	34.2	5.3	12.7	0.421	5.1	9.0	0.569	0.605	5.7	6.3	0.916	32.0
2	2016	Stephen Curry	PG	27.0	GSW	79	34.2	5.1	11.2	0.454	5.1	9.0	0.566	0.630	4.6	5.1	0.908	30.1
3	2019	Stephen Curry	PG	30.0	GSW	69	33.8	5.1	11.7	0.437	4.0	7.7	0.525	0.604	3.8	4.2	0.916	27.3
4	2024	Stephen Curry	PG	35.0	GSW	74	32.7	4.8	11.8	0.408	4.0	7.7	0.515	0.573	4.0	4.4	0.923	26.4
5	2019	James Harden	PG	29.0	HOU	78	36.8	4.8	13.2	0.368	6.0	11.3	0.528	0.541	9.7	11.0	0.879	36.1
6	2022	Stephen Curry	PG	33.0	GSW	64	34.5	4.5	11.7	0.380	3.9	7.4	0.527	0.554	4.3	4.7	0.923	25.5
7	2020	James Harden	SG	30.0	HOU	68	36.5	4.4	12.4	0.355	5.5	9.9	0.556	0.543	10.2	11.8	0.865	34.3
8	2023	Klay Thompson	SG	32.0	GSW	69	33.0	4.4	10.6	0.412	3.6	7.6	0.470	0.556	1.7	1.9	0.879	21.9
9	2023	Damian Lillard	PG	32.0	POR	58	36.3	4.2	11.3	0.371	5.4	9.4	0.574	0.564	8.8	9.6	0.914	32.2
10	2021	Damian Lillard	PG	30.0	POR	67	35.8	4.1	10.5	0.391	4.9	9.4	0.519	0.554	6.7	7.2	0.928	28.8
11	2020	Damian Lillard	PG	29.0	POR	66	37.5	4.1	10.2	0.401	5.4	10.2	0.524	0.563	7.0	7.8	0.888	30.0
12	2017	Stephen Curry	PG	28.0	GSW	79	33.4	4.1	10.0	0.411	4.4	8.3	0.537	0.580	4.1	4.6	0.898	25.3
13	2024	Luka Dončić	PG	24.0	DAL	70	37.5	4.1	10.6	0.382	7.4	13.0	0.573	0.573	6.8	8.7	0.786	33.9
14	2021	Buddy Hield	SG	28.0	SAC	71	34.3	4.0	10.2	0.391	1.7	3.8	0.446	0.548	1.2	1.5	0.846	16.6
15	2019	Paul George	SF	28.0	OKC	77	36.9	3.8	9.8	0.386	5.4	11.1	0.484	0.529	5.9	7.0	0.839	28.0
16	2020	Buddy Hield	SG	27.0	SAC	72	30.8	3.8	9.6	0.394	3.2	6.6	0.479	0.545	1.6	1.9	0.846	19.2
17	2018	James Harden	SG	28.0	HOU	72	35.4	3.7	10.0	0.367	5.4	10.1	0.531	0.541	8.7	10.1	0.858	30.4
18	2020	Duncan Robinson	SG	25.0	MIA	73	29.7	3.7	8.3	0.446	0.7	1.1	0.654	0.667	0.9	1.0	0.931	13.5
19	2022	Fred VanVleet	PG	27.0	TOR	65	37.9	3.7	9.9	0.377	3.1	7.0	0.440	0.513	3.0	3.4	0.874	20.3
20	2024	CJ McCollum	PG	32.0	NOP	66	32.7	3.6	8.4	0.429	3.7	7.5	0.492	0.572	1.7	2.1	0.827	20.0
21	2023	Buddy Hield	SF	30.0	IND	80	31.0	3.6	8.5	0.425	2.3	4.5	0.518	0.596	1.3	1.6	0.822	16.8
22	2023	Donovan Mitchell	SG	26.0	CLE	68	35.8	3.6	9.3	0.386	6.4	11.3	0.566	0.572	4.7	5.4	0.867	28.3
23	2015	Stephen Curry	PG	26.0	GSW	80	32.7	3.6	8.1	0.443	4.6	8.7	0.528	0.594	3.9	4.2	0.914	23.8
24	2022	Donovan Mitchell	SG	25.0	UTA	67	33.8	3.5	9.8	0.355	5.7	10.8	0.533	0.533	4.0	4.7	0.853	25.9
25	2020	Devonte' Graham	PG	24.0	CHO	63	35.1	3.5	9.3	0.373	2.4	6.0	0.397	0.495	3.0	3.7	0.820	18.2
26	2016	Klay Thompson	SG	25.0	GSW	80	33.3	3.5	8.1	0.425	4.7	9.2	0.510	0.569	2.4	2.8	0.873	22.1
27	2024	Donte DiVincenzo	SG	27.0	NYK	81	29.1	3.5	8.7	0.401	2.0	3.7	0.542	0.584	1.1	1.4	0.754	15.5
28	2013	Stephen Curry	PG	24.0	GSW	78	38.2	3.5	7.7	0.453	4.5	10.1	0.449	0.549	3.4	3.7	0.900	22.9
29	2021	Duncan Robinson	SF	26.0	MIA	72	31.4	3.5	8.5	0.408	0.9	1.4	0.625	0.614	0.9	1.0	0.827	13.1
30	2024	Klay Thompson	SF	33.0	GSW	77	29.7	3.5	9.0	0.387	2.9	5.7	0.503	0.551	1.6	1.8	0.927	17.9

ステフィン・カリー選手が3Pの名手なのは今更ですが、歴代TOP10の内、5つランクインしてるのはもう別次元です。

 2020-21シーズンは1試合平均12.7回の3Pシュートを狙い、5.3回沈ませており、この年の得点王にも輝いています。 2Pシュート数より多いのですから遠距離攻撃の名人ですね。 

また、ジェームズ・ハーデン選手やデイミアン・リラード選手も3Pシュートの多い選手というが分かります。

scikit-learnのデータセット

scikit-learnのサンプルToy Datasetsデータセット 

scikit-learnのデータセットにはすぐに使えるようにいくつかのサンプルデータがありますが、バージョンによって入れ替わっていたりします。

サンプルデータにはToy DatasetsとReal World Datasetsがありますが、今回はよく使われるトイ・データセットを読み込んでみます。

sklearn.__version__: 0.24.2

import numpy as np


#両方呼ばないとdatasetsは使えません
import sklearn
from sklearn import datasets

# sklearn.datasetsのトイ・データ一覧を取得する関数
def datasets_list():
    module = sklearn.datasets
    setlist = dir(module)

    #print(setlist)

    for funcname in setlist:
        if "load_" in funcname:
            # サンプルデータ以外の関数を弾きます
            if "load_file" in funcname:
                pass
            if "load_s" in funcname:
                pass
            else:
                print(funcname, end=": ")
                print(list(getattr(module, funcname)().keys()))
                
                
datasets_list()

load_boston

['data', 'target', 'feature_names', 'DESCR', 'filename']

load_breast_cancer

['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names', 'filename']

load_diabetes

['data', 'target', 'frame', 'DESCR', 'feature_names', 'data_filename', 'target_filename']

load_digits

['data', 'target', 'frame', 'feature_names', 'target_names', 'images', 'DESCR']

load_iris

['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names', 'filename']

load_linnerud

['data', 'feature_names', 'target', 'target_names', 'frame', 'DESCR', 'data_filename', 'target_filename']

load_wine

['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names']

古いバージョンなのでbostonデータセットがあります。

それぞれBunchオブジェクトを返しますが、これを見ると、各メソッドのキーは同じ名前はあるもののそれぞれ数が違っています。

データが回帰や分類に使うなど用途が異なる理由もあるのでしょう。

NBAチームの年別勝率と3ポイント成功数の関係

前回は数年分のチーム平均の散布図でしたが、こちらは年別の散布図です。

上に行くほどシーズン勝率が高く、右に行くほど平均3ポイント成功数の多いチームになります。

赤点はファイナルの優勝チームです。
 

NBAチームの勝率と3P成功数の関係 (2024年)

 

NBAチームの勝率と3P成功数の関係 (2023年)

NBAチームの勝率と3P成功数の関係 (2022年)

NBAチームの勝率と3P成功数の関係 (2021年)

NBAチームの勝率と3P成功数の関係 (2020年)

NBAチームの勝率と3P成功数の関係 (2019年)

NBAチームの勝率と3P成功数の関係 (2018年)

NBAチームの勝率と3P成功数の関係 (2017年)

NBAチームの勝率と3P成功数の関係 (2016年)

NBAチームの勝率と3P成功数の関係 (2015年)

NBAチームの勝率と3P成功数の関係 (2014年)

シーズンやチームの特性により異なりますが、近年のNBAでは3ポイント攻撃が多いチームの重要性は高まっています。

NBAの3ポイント成功数と勝率

3ポイントシュートと勝率の関係

NBAでは3ポイントシュート比率は増えていますが、それが勝ちに繋がっているかグラフを作成してみます。 

 3ポイントシュートが戦略的に注目されてきた2012年辺りからの相関関係を求めてみます。

2P3Pと各相関

# 2012年から現在まで
df = df[df['season'] >= 2012]

corr = df.corr(numeric_only=True)
corr2 = df.corr(numeric_only=True, method="spearman")

print(corr)
print(corr2)

ピアソンの相関係数

               3PM       3PA       3P%       2PM       2PA       2P%  win_rate

3PM       1.000000  0.984286  0.413434 -0.515724 -0.888434  0.779407  0.214300

3PA       0.984286  1.000000  0.253633 -0.531972 -0.885692  0.755842  0.115326

3P%       0.413434  0.253633  1.000000 -0.089943 -0.314804  0.376354  0.579180

2PM      -0.515724 -0.531972 -0.089943  1.000000  0.757617 -0.043965  0.087083

2PA      -0.888434 -0.885692 -0.314804  0.757617  1.000000 -0.682443 -0.194469

2P%       0.779407  0.755842  0.376354 -0.043965 -0.682443  1.000000  0.400107

win_rate  0.214300  0.115326  0.579180  0.087083 -0.194469  0.400107  1.000000

スピアマンの相関係数

               3PM       3PA       3P%       2PM       2PA       2P%  win_rate

3PM       1.000000  0.983388  0.385376 -0.492438 -0.884650  0.788074  0.200737

3PA       0.983388  1.000000  0.232052 -0.512703 -0.880743  0.762114  0.104912

3P%       0.385376  0.232052  1.000000 -0.088104 -0.308361  0.357106  0.563749

2PM      -0.492438 -0.512703 -0.088104  1.000000  0.735107 -0.043060  0.084711

2PA      -0.884650 -0.880743 -0.308361  0.735107  1.000000 -0.685526 -0.196108

2P%       0.788074  0.762114  0.357106 -0.043060 -0.685526  1.000000  0.388398

win_rate  0.200737  0.104912  0.563749  0.084711 -0.196108  0.388398  1.000000

一番右列が勝率と各シュートとの相関係数です。

勝率を高めそうなのは3ポイント成功率(3P%)くらいで後は深い関係はなさそうです。

単純な数値上ではこのように出ましたが、一口に3ポイントと言っても様々な戦略があるのであくまで参考値です。

NBAチームの3ポイント比率の変遷

NBAチームの3ポイントシュート比率

NBAで3ポイントシュートが導入されたのは1970-80年シーズンからです。

大きなルール変更でしたが、当初は遠隔からシュートするより、リング下のビックマンにボールをパスして点を稼ぐのが主流でした。

もちろん上手なシューターもいましたが、ほとんどは3ポイントシュートが無かった時代に試合をしてきた人たちですから遠隔からシュートして効率的に得点しようという発想は無かったでしょう。

とはいえ、身長の低い選手はリング下では不利なので遠隔から決める3ポイントシュートの上手い選手も増えていき、3ポイントを高確率で決める職人的な選手も増えてきました。

3ポイントはNBAの戦略の幅を確実に広げてきました。

そして、ステフィン・カリー選手のようなスペシャルな選手が登場し、NBA全体の戦略を変えてしまうほど3ポイントシュートは重要になっています。

今やビッグマンでも3ポイントが必須となるほど重要な攻撃手法となっています。

3ポイントシュートがどれだけ増えてきたがチーム平均のグラフを作ってみたいと思います。

	season	g	MP	FGM	FGA	FG%	3PM	3PA	3P%	2PM	2PA	2P%	FTM	FTA	FT%	PPG
1	2024	82.0	241.4	42.2	88.9	0.474	12.8	35.1	0.366	29.3	53.8	0.545	17.0	21.7	0.784	114.2
2	2023	82.0	241.8	42.0	88.3	0.475	12.3	34.2	0.361	29.6	54.1	0.548	18.4	23.5	0.782	114.7
3	2022	82.0	241.4	40.6	88.1	0.461	12.4	35.2	0.354	28.2	52.9	0.533	16.9	21.9	0.775	110.6
4	2021	72.0	241.4	41.2	88.4	0.466	12.7	34.6	0.367	28.5	53.8	0.530	17.0	21.8	0.778	112.1
5	2020	71.0	241.8	40.9	88.8	0.460	12.2	34.1	0.358	28.7	54.7	0.524	17.9	23.1	0.773	111.8
6	2019	82.0	241.6	41.1	89.2	0.461	11.4	32.0	0.355	29.7	57.2	0.520	17.7	23.1	0.766	111.2
7	2018	82.0	241.4	39.6	86.1	0.460	10.5	29.0	0.362	29.1	57.1	0.510	16.6	21.7	0.767	106.3
8	2017	82.0	241.6	39.0	85.4	0.457	9.7	27.0	0.358	29.4	58.4	0.503	17.8	23.1	0.772	105.6
9	2016	82.0	241.8	38.2	84.6	0.452	8.5	24.1	0.354	29.7	60.5	0.491	17.7	23.4	0.757	102.7
10	2015	82.0	242.0	37.5	83.6	0.449	7.8	22.4	0.350	29.7	61.2	0.485	17.1	22.8	0.750	100.0
11	2014	82.0	242.0	37.7	83.0	0.454	7.7	21.5	0.360	30.0	61.5	0.488	17.8	23.6	0.756	101.0
12	2013	82.0	241.9	37.1	82.0	0.453	7.2	20.0	0.359	30.0	62.1	0.483	16.7	22.2	0.753	98.1
13	2012	66.0	241.9	36.5	81.4	0.448	6.4	18.4	0.349	30.1	63.0	0.477	16.9	22.5	0.752	96.3
14	2011	82.0	241.9	37.2	81.2	0.459	6.5	18.0	0.358	30.8	63.2	0.487	18.6	24.4	0.763	99.6
15	2010	82.0	241.7	37.7	81.7	0.461	6.4	18.1	0.355	31.3	63.6	0.492	18.6	24.5	0.759	100.4
16	2009	82.0	241.7	37.1	80.9	0.459	6.6	18.1	0.367	30.5	62.8	0.485	19.1	24.7	0.771	100.0
17	2008	82.0	241.5	37.3	81.5	0.457	6.6	18.1	0.362	30.7	63.4	0.484	18.8	24.9	0.755	99.9
18	2007	82.0	242.2	36.5	79.7	0.458	6.1	16.9	0.358	30.5	62.8	0.485	19.6	26.1	0.752	98.7
19	2006	82.0	242.1	35.8	79.0	0.454	5.7	16.0	0.358	30.1	63.0	0.478	19.6	26.3	0.745	97.0
20	2005	82.0	241.9	35.9	80.3	0.447	5.6	15.8	0.356	30.3	64.6	0.470	19.7	26.1	0.756	97.2
21	2004	82.0	241.7	35.0	79.8	0.439	5.2	14.9	0.347	29.8	64.9	0.460	18.2	24.2	0.752	93.4
22	2003	82.0	242.0	35.7	80.8	0.442	5.1	14.7	0.349	30.6	66.1	0.463	18.5	24.4	0.758	95.1
23	2002	82.0	241.7	36.2	81.3	0.445	5.2	14.7	0.354	31.0	66.5	0.465	17.9	23.8	0.752	95.5
24	2001	82.0	242.0	35.7	80.6	0.443	4.8	13.7	0.354	30.8	66.9	0.461	18.6	24.9	0.748	94.8
25	2000	82.0	241.5	36.8	82.1	0.449	4.8	13.7	0.353	32.0	68.4	0.468	19.0	25.3	0.750	97.5
26	1999	50.0	241.8	34.2	78.2	0.437	4.5	13.2	0.339	29.7	65.0	0.457	18.8	25.8	0.728	91.6
27	1998	82.0	241.9	35.9	79.7	0.450	4.4	12.7	0.346	31.5	67.0	0.470	19.4	26.3	0.737	95.6
28	1997	82.0	241.9	36.1	79.3	0.455	6.0	16.8	0.360	30.0	62.5	0.480	18.7	25.3	0.738	96.9
29	1996	82.0	241.6	37.0	80.2	0.462	5.9	16.0	0.367	31.2	64.1	0.486	19.5	26.4	0.740	99.5
30	1995	82.0	241.9	38.0	81.5	0.466	5.5	15.3	0.359	32.5	66.2	0.491	19.9	27.1	0.737	101.4
31	1994	82.0	241.1	39.3	84.4	0.466	3.3	9.9	0.333	36.0	74.5	0.483	19.6	26.6	0.734	101.5
32	1993	82.0	241.7	40.7	86.0	0.473	3.0	9.0	0.336	37.7	77.0	0.489	20.9	27.7	0.754	105.3
33	1992	82.0	241.8	41.3	87.3	0.472	2.5	7.6	0.331	38.7	79.7	0.486	20.2	26.7	0.759	105.3
34	1991	82.0	241.8	41.4	87.2	0.474	2.3	7.1	0.320	39.1	80.1	0.488	21.3	27.9	0.765	106.3
35	1990	82.0	241.5	41.5	87.2	0.476	2.2	6.6	0.331	39.3	80.6	0.488	21.8	28.5	0.764	107.0
36	1989	82.0	241.5	42.5	89.0	0.477	2.1	6.6	0.323	40.4	82.4	0.490	22.1	28.8	0.768	109.2
37	1988	82.0	241.3	42.1	87.7	0.480	1.6	5.0	0.316	40.6	82.7	0.490	22.3	29.1	0.766	108.2
38	1987	82.0	241.6	42.6	88.8	0.480	1.4	4.7	0.301	41.2	84.1	0.490	23.2	30.5	0.763	109.9
39	1986	82.0	241.6	43.2	88.6	0.487	0.9	3.3	0.282	42.3	85.3	0.495	22.9	30.3	0.756	110.2
40	1985	82.0	241.4	43.8	89.1	0.491	0.9	3.1	0.282	42.9	86.0	0.499	22.4	29.4	0.764	110.8
41	1984	82.0	242.0	43.5	88.4	0.492	0.6	2.4	0.250	42.9	86.0	0.499	22.6	29.7	0.760	110.1
42	1983	82.0	241.3	43.5	89.7	0.485	0.5	2.3	0.238	43.0	87.4	0.492	20.9	28.3	0.740	108.5
43	1982	82.0	241.6	43.3	88.2	0.491	0.6	2.3	0.262	42.7	86.0	0.497	21.3	28.6	0.746	108.6
44	1981	82.0	241.4	43.0	88.4	0.486	0.5	2.0	0.245	42.5	86.4	0.491	21.7	28.9	0.751	108.1
45	1980	82.0	241.8	43.6	90.6	0.481	0.8	2.8	0.280	42.9	87.9	0.488	21.3	27.8	0.764	109.3

# 1980シーズンからのデータにする
df2 = df[df['season'] >= 1980]

leg = df2[df2['team'] == 'League Average']

plt.bar(leg["season"], leg["3PM"]*3, label="3PM")
plt.bar(leg["season"], leg["2PM"]*2, bottom=leg['3PM']*3, label="2PM")
plt.bar(leg["season"], leg['FTM'], bottom=leg['3PM']*3+leg['2PM']*2, label="FTM")

plt.title("シーズン毎のゴール(2P,3P,FT)の割合")

plt.xlabel("シーズン")
plt.ylabel("平均得点")

plt.legend()
plt.show()

縦軸がシーズンごとの平均得点で青が3ポイントによる得点、オレンジが2ポイントによる得点、緑はフリースローです。

1995~1997年辺りが山になっているのは一時的に3ポイントラインが近くなったためです。

これを見ると3ポイントの得点比率は導入後増え続け、2ポイントによる得点に迫る勢いです。

こちらは平均シュート試投数です。2ポイントシュートと3ポイントシュートとフリースローを全部足し合わせると1試合当たり約110〜120回試投してることになります。

試投数全体が減って平均得点が増えているなら3ポイントシュートは効率が良い得点方法と言えます。

このまま3ポイント得点が増え続け2ポイント得点比率を抜くまで増えるのか、また戦略が変わりミドルシュートを効率的に決めるチームが増えるのか、今後の見どころです。

NBAシーズン最高勝率ランキング

NBAのチーム勝率

データセットからNBAのチーム勝率を計算し、年ごとのランキングにしてみたいと思います。

すべてのチームの年間ゲーム(勝ち数と負け数)のデータを用意し

ゲーム数で割って勝率列を作ります。

# 勝利数÷ゲーム数で勝率の列を作る
df['win_rate'] = np.round(df['w'] / df['g'], 4)*100

# シーズン毎でグループ化し、年間最高勝率のデータだけ抜き出します
season = df.groupby('season')
win_max= season['win_rate'].max()

# 最高勝率のインデックス
win_max_index = season['win_rate'].idxmax()

highest_win = df.iloc[win_max_index.tolist()].sort_values('win_rate', ascending=False)
print(highest_win)

歴代勝率ランキング

	season	team	playoffs	G	3PM	3PA	3P%	2PM	2PA	2P%	PPG	Win	Lose	Win_Rate
1	2016	Golden State Warriors	True	82	13.1	31.6	0.416	29.4	55.7	0.528	114.9	73	9	89.02
2	1996	Chicago Bulls	True	82	6.6	16.5	0.403	33.5	67.6	0.496	105.2	72	10	87.80
3	1972	Los Angeles Lakers	True	82	NaN	NaN	NaN	47.8	97.5	0.490	121.0	69	13	84.15
4	1997	Chicago Bulls	True	82	6.4	17.1	0.373	33.6	67.3	0.499	103.1	69	13	84.15
5	1967	Philadelphia 76ers	True	81	NaN	NaN	NaN	48.3	100.0	0.483	125.2	68	13	83.95
6	1973	Boston Celtics	True	82	NaN	NaN	NaN	46.5	103.8	0.448	112.7	68	14	82.93
7	2000	Los Angeles Lakers	True	82	4.2	12.8	0.329	34.1	70.6	0.482	100.8	67	15	81.71
8	1986	Boston Celtics	True	82	1.7	4.8	0.351	43.7	84.4	0.517	114.1	67	15	81.71
9	1992	Chicago Bulls	True	82	1.7	5.5	0.304	42.7	81.9	0.522	109.9	67	15	81.71
10	2007	Dallas Mavericks	True	82	6.5	17.1	0.381	30.2	61.4	0.491	100.0	67	15	81.71
11	2015	Golden State Warriors	True	82	10.8	27.0	0.398	30.8	60.0	0.514	110.0	67	15	81.71
12	2017	Golden State Warriors	True	82	12.0	31.2	0.383	31.1	55.8	0.557	115.9	67	15	81.71
13	1971	Milwaukee Bucks	True	82	NaN	NaN	NaN	48.4	95.2	0.509	118.4	66	16	80.49
14	2008	Boston Celtics	True	82	7.3	19.1	0.381	29.1	57.6	0.506	100.5	66	16	80.49
15	2009	Cleveland Cavaliers	True	82	8.0	20.4	0.393	28.9	58.3	0.495	100.3	66	16	80.49
16	2013	Miami Heat	True	82	8.7	22.1	0.396	29.6	55.4	0.536	102.9	66	16	80.49
17	1950	Syracuse Nationals	True	64	NaN	NaN	NaN	29.2	82.4	0.354	84.8	51	13	79.69
18	1983	Philadelphia 76ers	True	82	0.3	1.3	0.229	43.6	86.6	0.503	112.1	65	17	79.27
19	2018	Houston Rockets	True	82	15.3	42.3	0.362	23.4	41.9	0.558	112.4	65	17	79.27
20	1987	Los Angeles Lakers	True	82	2.0	5.5	0.367	43.6	82.9	0.526	117.8	65	17	79.27
21	1960	Boston Celtics	True	75	NaN	NaN	NaN	49.9	119.6	0.417	124.5	59	16	78.67
22	2024	Boston Celtics	True	82	16.5	42.5	0.388	27.4	47.7	0.575	120.6	64	18	78.05
23	2022	Phoenix Suns	True	82	11.6	31.9	0.364	32.1	58.2	0.551	114.8	64	18	78.05
24	2006	Detroit Pistons	True	82	6.8	17.7	0.384	29.6	62.3	0.475	96.8	64	18	78.05
25	1965	Boston Celtics	True	80	NaN	NaN	NaN	44.6	107.6	0.414	112.8	62	18	77.50
26	1985	Boston Celtics	True	82	1.3	3.8	0.356	44.0	85.6	0.515	114.8	63	19	76.83
27	1994	Seattle SuperSonics	True	82	3.0	8.8	0.335	37.8	75.4	0.501	105.9	63	19	76.83
28	1989	Detroit Pistons	True	82	1.5	4.9	0.300	39.9	79.0	0.505	106.6	63	19	76.83
29	1991	Portland Trail Blazers	True	82	4.2	11.0	0.377	39.5	78.8	0.501	114.7	63	19	76.83
30	1990	Los Angeles Lakers	True	82	3.8	10.3	0.367	38.1	75.2	0.507	110.7	63	19	76.83

最高勝率は2015-16年シーズンのゴールデンステイト・ウォリアーズの89%、9割近く勝ってるのは驚異的です。 観てたファンはほとんど勝っていたイメージでしょう。

 1996年2位、1997年3位のシカゴ・ブルズも常勝軍団として伝説になっています。 

11位12位にも入っている2015〜2018年のウォリアーズは黄金期でした。3ポイントの得点の高さも特徴的です。 この3ポイントで積極的に勝っていくスタイルがNBA全体の戦略を変えるほどインパクトを残しました。 

リーグ戦で最高勝率のチームが優勝する訳ではないのが、トーナメント戦での面白さですね。

NBA通算得点ランキング

選手スタッツデータの集計 

NBAの選手スタッツデータセットから得点集計を行ってみたいと思います。

使用させていただくデータはkaggleから、拝借いたします。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import numpy as np
import pandas as pd

fn = "Player_Totals.csv"
df = pd.read_csv(fn)

print(df.head())

seas_id  season  player_id         player  birth_year pos   age  experience   lg   tm   g    gs  ...   ft  fta  ft_percent    orb    drb    trb  ast   stl   blk    tov   pf   pts

0    31136    2024       5025     A.J. Green         NaN  SG  24.0           2  NBA  MIL  56   0.0  ...   17   19       0.895    9.0   55.0   64.0   30   9.0   4.0   12.0   49   252

1    31137    2024       5026    A.J. Lawson         NaN  SG  23.0           2  NBA  DAL  42   0.0  ...   15   23       0.652   14.0   36.0   50.0   20  10.0   3.0   14.0   22   136

2    31138    2024       5027     AJ Griffin         NaN  SF  20.0           2  NBA  ATL  20   0.0  ...    2    2       1.000    2.0   16.0   18.0    5   1.0   2.0    8.0    6    48

3    31139    2024       4219   Aaron Gordon         NaN  PF  28.0          10  NBA  DEN  73  73.0  ...  177  269       0.658  174.0  297.0  471.0  259  56.0  45.0  105.0  142  1013

4    31140    2024       4582  Aaron Holiday         NaN  PG  27.0           6  NBA  HOU  78   1.0  ...   58   63       0.921   23.0  100.0  123.0  140  42.0   6.0   53.0  125   514

1947年から最新の2024年データまであるのは助かります。

NBA選手の通算得点ランキング

このデータセットから、歴代通算得点ランキングを集計します。

完成データの手本は、wikipediaのこちら

まずはデータの整理から

print(df['lg'].unique())

# NBAデータだけ抜き出します。
df2 = df[df['lg'] == "NBA"]
df2 = df2[df2['tm'] != "TOT"]

['NBA' 'ABA' 'BAA']

unique関数で見るとNBAデータ以外も含まれています。

NBAデータだけにし、チームからTOT(複数チームの合計)列を抜かします。[合計が入ると二重に加算されてしまうため]

#　必要な列名をリネーム
df2 = df2.rename(columns={'player': 'Player', 'g': 'G', 'fg': 'FGM', 'x3p': '3PM', 'ft': 'FTM'})

# 必要な列だけにする
df3 = df2[['player_id', 'Player', 'G', 'FGM', '3PM', 'FTM']]

print(df3.head())

 player_id         Player   PTS   G  FGM   3PM  FTM

0       5025     A.J. Green   252  56   83  69.0   17

1       5026    A.J. Lawson   136  42   54  13.0   15

2       5027     AJ Griffin    48  20   18  10.0    2

3       4219   Aaron Gordon  1013  73  398  40.0  177

4       4582  Aaron Holiday   514  78  186  84.0   58

データセットが小さくまとまりました。

選手でグループ化

得られたデータを選手でgroupbyします。

インデックスにplayer_idも含めているのは同名の選手を区別するためです。

# 選手でグループ化
players = df3.groupby(["player_id", "Player"])

# グループ毎の合計を出す
score_sum = players.sum()

# 総合得点順にソート
score_sum = score_sum.sort_values('PTS', ascending=False)

# 1試合あたりの平均得点の列を作る
score_sum['PPG'] = np.round(score_sum['PTS'] / score_sum['G'], 2)

# インデックス解除
score_sum.reset_index(inplace=True)

# player_id 削除
score_sum.drop("player_id", axis=1, inplace=True)
print(score_sum)

	Player	PTS	G	FGM	3PM	FTM	PPG
0	LeBron James	40474	1492	14837	2410	8390	27.13
1	Kareem Abdul-Jabbar	38387	1560	15837	1	6712	24.61
2	Karl Malone	36928	1476	13528	85	9787	25.02
3	Kobe Bryant	33643	1346	11719	1827	8378	24.99
4	Michael Jordan	32292	1072	12192	581	7327	30.12
5	Dirk Nowitzki	31560	1522	11169	1982	7240	20.74
6	Wilt Chamberlain	31419	1045	12681	0	6057	30.07
7	Kevin Durant	28924	1061	9950	2031	6993	27.26
8	Shaquille O'Neal	28596	1207	11330	1	5935	23.69
9	Carmelo Anthony	28289	1260	10119	1731	6320	22.45
10	Moses Malone	27409	1329	9435	8	8531	20.62
11	Elvin Hayes	27313	1303	10976	5	5356	20.96
12	Hakeem Olajuwon	26946	1238	10749	25	5423	21.77
13	Oscar Robertson	26710	1040	9508	0	7694	25.68
14	Dominique Wilkins	26668	1074	9963	711	6031	24.83
15	Tim Duncan	26496	1392	10285	30	5896	19.03
16	Paul Pierce	26397	1343	8668	2143	6918	19.66
17	John Havlicek	26395	1270	10513	0	5369	20.78
18	Kevin Garnett	26071	1462	10505	174	4887	17.83
19	James Harden	25885	1072	7643	2940	7659	24.15
20	Vince Carter	25728	1541	9293	2290	4852	16.70
21	Alex English	25613	1193	10659	18	4277	21.47
22	Reggie Miller	25279	1389	8241	2560	6237	18.20
23	Russell Westbrook	25211	1162	9055	1273	5828	21.70
24	Jerry West	25192	932	9016	0	7160	27.03
25	Patrick Ewing	24815	1183	9702	19	5392	20.98
26	Ray Allen	24505	1300	8567	2973	4398	18.85
27	Allen Iverson	24368	914	8467	1059	6375	26.66
28	Charles Barkley	23757	1073	8435	538	6349	22.14
29	Stephen Curry	23668	956	8084	3747	3753	24.76

https://ja.wikipedia.org/wiki/NBA歴代通算得点一覧

と同じ結果が得られました。

PTS = (FGM * 2) + 3PM + FTMで計算出来ます。

PTS: 合計得点

G: 試合数

FGM: フィールドゴール数

3PM: 3Pゴール数

FTM: フリースローゴール数

matplotlibのグラフが表示されないエラー

virtualenvで新しい環境を作成した時のエラー

 matplotlibのグラフを表示しようと実行した時、

UserWarning: FigureCanvasAgg is non-interactive, and thus cannot be shown

  plt.show()

FigureCanvasAgg は非対話型であるため、表示できません

と出てグラフが表示されませんでした。

どうやらPythonのGUIモジュールPyQt5が入ってなかった様なので

 pip install PyQt5

で解決されました。

pandasのスライスが使えないエラー

データフレームのスライス使用時の注意

pd.__version__: 2.1.4

データフレームを使用していたらスライスが使えない現象が出ました。

import numpy as np
import pandas as pd

# float型のインデックス
ind = [1.0, 2.0, 3.0]

df = pd.DataFrame({
    "col1": ["A", "B", "C"],
    "col2": [11, 22, 33]
}, index=ind)

print(df)

# ここでワーニング
print(df[1:2])

    col1  col2

1.0    A    11

2.0    B    22

3.0    C    33

内容としては

FutureWarning: The behavior of obj[i:j] with a float-dtype index is deprecated. In a future version, this will be treated as positional instead of label-based. For label-based slicing, use obj.loc[i:j] instead

のワーニングが出てスライスが出来ません。

ワーニングの内容によると、float-dtype のインデックスは今後使えなくなるそうです。

代替としてobj.loc[i:j]で指定してくださいとあります。

ただし、floatのままだと処理が遅くなるようなので根本的に解決するならint型に直したほうがよさそうです。

直接インデックスの型を変えられない様なので、一旦インデックスを解除し、型をintに変更してからまた振り直します。

# インデックスの解除
df.reset_index(inplace=True)

# 型をindexに変更
df2 = df.astype({"index": int})

# インデックスの振り直し
df2.set_index("index", inplace=True)

print(df2)
print(df2.dtypes)

      col1  col2

index           

1        A    11

2        B    22

3        C    33

col1    object

col2     int64

dtype: object

これでスライスも使えるようになります。

NBA選手のキャリア年数

前回の続きです。 データセットは同じ1950年〜2017年までの選手データです。 最高齢プレーヤーは44歳の1人だけと出力されたので、選手名を出してみます。

#最高齢取得
max_player = df['Age'].max()
#最高齢のインデックス取得
max_index = df['Age'].idxmax()

#得られたインデックスから最高齢の選手データをスライス
print(df[max_index:max_index+1])

         Year        Player Pos   Age   Tm    G   GS    MP  PER    TS%  3PAr    FTr  ORB%  DRB%  TRB%  AST%  ...   2PA    2P%   eFG%   FT  FTA  FT%  ORB  DRB  TRB  AST  STL  BLK  TOV    PF   PTS  PPG

18671  2007.0  Kevin Willis  PF  44.0  DAL  5.0  0.0  43.0  6.3  0.432   0.0  0.154   5.7  16.4  11.2   3.6  ...  13.0  0.385  0.385  2.0  2.0  1.0  2.0  6.0  8.0  1.0  2.0  1.0  2.0  11.0  12.0  2.4

最高齢まで活躍したのは2007年まで活躍したKevin Willis選手だと分かりました。

調べてみるとマイケル・ジョーダン選手と同期なんですね。まさに鉄人。

NBA選手のキャリア年数

次は選手のキャリア年数を洗い出してみます。

# プレーヤー毎にグループ化
players = df.groupby('Player')

# それぞれの個数をカウント
players_size = players.size()

print(players_size)

Player

A.C. Green            18

A.J. Bramlett          1

A.J. English           2

A.J. Guyton            3

A.J. Hammons           1

                      ..

プレーヤー毎の行数が抽出されました。

このままの数値を使えば良さそうですが、チームを渡り歩いて重複してるデータもあるので、退団年齢から加入年齢を引いてキャリア年齢を割り出します。

# プレーヤー毎の加入年齢
min_age = players["Age"].min()
# プレーヤー毎の退団年齢
max_age = players['Age'].max()

# 引いてキャリア年数を算出
career = max_age - min_age

# ボリューム順にソートされる
print(career.value_counts())
print(f"選手の平均キャリア年数: {np.round(career.mean(), 2)}年")

plt.hist(career, bins=22)
plt.title("NBA選手のキャリア年数")
plt.xlabel("キャリア年数")
plt.ylabel("人数")
plt.show()

Age

0.0     1052

1.0      486

2.0      323

3.0      276

4.0      212

9.0      184

5.0      181

6.0      178

7.0      170

8.0      169

10.0     161

11.0     138

12.0     130

13.0      95

14.0      52

15.0      41

16.0      26

17.0      20

18.0      16

19.0       3

20.0       2

22.0       1

Name: count, dtype: int64

選手の平均キャリア年数:  4.45年

四則演算でデータ毎の計算を一瞬で出来るのはpandasの強みですね。

結果を見ると、初年度で退団する人が圧倒的に多いです。

世界最高峰の運動能力を持つ選手が集まるNBAの厳しさが伺えます。

そこから緩く減っていきますが、キャリア9年目が一時的に増えてるのはそこがベストなキャリア年数なのか、年金制度などが関係してるのか分かりません。

最長年数は22年、全体の平均選手寿命は4.45年と出ました。