他カテゴリ

FIFA19のサッカー選手データを色々みたみた

Sa's icon'
  • Sa
  • 2019/03/21 04:15
Content image

 

kaggleにこんなデータがあったので、こちらのデータで遊んでみました。
https://www.kaggle.com/karangadiya/fifa19?utm_medium=social&utm_campaign=kaggle-dataset-share&utm_source=twitter
※スクレイピング元はこちら:https://sofifa.com/

FIFA19というゲームのデータ!?なのかな。
ゲーム全然やらないから分からない・・・。
正直このデータがどれくらい実態に近しいのかはわかりませんが、
まあ傾向くらいはつかめるでしょ、ということで見てみることに。
また、いくつかわからない変数があったので、その変数は除外して使いました。

 

まずデータの項目はこちら。
 

データ項目
 'ID', 'Name', 'Age', 'Photo', 'Nationality', 'Flag',
 'Overall', 'Potential', 'Club', 'Club Logo', 'Value', 'Wage', 'Special',
 'Preferred Foot', 'International Reputation', 'Weak Foot',
 'Skill Moves', 'Work Rate', 'Body Type', 'Real Face', 'Position',
 'Jersey Number', 'Joined', 'Loaned From', 'Contract Valid Until',
 'Height', 'Weight', 'LS', 'ST', 'RS', 'LW', 'LF', 'CF', 'RF', 'RW',
 'LAM', 'CAM', 'RAM', 'LM', 'LCM', 'CM', 'RCM', 'RM', 'LWB', 'LDM',
 'CDM', 'RDM', 'RWB', 'LB', 'LCB', 'CB', 'RCB', 'RB', 'Crossing',
 'Finishing', 'HeadingAccuracy', 'ShortPassing', 'Volleys', 'Dribbling',
 'Curve', 'FKAccuracy', 'LongPassing', 'BallControl', 'Acceleration',
 'SprintSpeed', 'Agility', 'Reactions', 'Balance', 'ShotPower',
 'Jumping', 'Stamina', 'Strength', 'LongShots', 'Aggression',
 'Interceptions', 'Positioning', 'Vision', 'Penalties', 'Composure',
 'Marking', 'StandingTackle', 'SlidingTackle', 'GKDiving', 'GKHandling',
 'GKKicking', 'GKPositioning', 'GKReflexes', 'Release Clause'

みてみると、どうやらこの「Overall」という項目は選手の総合評価らしい。
この中盤にでてくる、略語は何を表しているんだろう・・・。
これらはわからないのでとりあえず除外しました。

また、1選手、1レコードで、18207選手分あります。

ではまず、どんな国の選手がどれくらい登録されているのか。
(※プレーをしてる国ではなく、本籍です。)

国別選手数TOP10

Content image


圧倒的イングランド。さすが、サッカー発祥の地。
しかし、調べてみると「2014年にFIFAのゼップ・ブラッター会長が「中国はサッカー発祥の地」とするという発言は物議を醸した」とニュースをみつけ、
サッカーの起源については諸説あるようです。

ではじゃあその10カ国、年代別だとどうなのよ。

国別選手数TOP10(年代別)

ということでこちら。

Content image

30代が圧倒的なタレントぞろい。
国別にみると、フランスは比較的若手の割合が多く、若手が順調に育っているのかなという印象。
一方ブラジルは、圧倒的に若手の割合が少ないので、逆に育成がうまく行ってないのかも。

というかFIFAランクの割には日本多くない!?日本でサッカーゲーム人気だから!?

 

ちなみにここでちょっと日本について。
日本選手はどんな選手が登録されてるの、ってことでこちら。

Overallの日本人TOP10

Content image

長友選手が入ってないのが以外だけど、まあ妥当なメンバーですかね。

 

では次は、Overallの上位選手とその他選手ではどういった項目が要因になっているのかな、ということで、決定木を使って「Overallの上位選手とその他選手」を分類してみることに。

いきなり決定木つくる前にちょっと各変数の相関関係みてみます。

変数間ヒートマップ

Content image


なるほど。Overallと相関が強いのは、「Reactions,Composure」なのか。
この2変数ってどうやって算出されているんだ・・・。
と本格的にみようとすると分からないことだらけなので、一旦おいといて先にすすみます。
余談ですが、「Height,Weight」はGKの変数とは多少相関あるものの、プレーの相関はあまりないみたい。
ポジションによって違うと思うけど。

では決定木。
うん、出てきました。「Reactions」最初の分岐で「"Reactions <= 83.5」となりました。

じゃあ、Reactions除外したらどうなるの?
BallControlComposureが変数として効く結果に。
※pythonでうまく、決定木表示できず掲載できませんでした・・・

 

最後に・・・

サッカーのデータってなかなかないんですよね。
なのでこうやって色々みれるのは面白かったです。
もうちょっと色々見てみると面白そうなので時間ある時にでもやってみようと思います。

Article tip 0人がサポートしています
獲得ALIS: Article like 18.35 ALIS Article tip 0.00 ALIS
Sa's icon'
  • Sa
  • @stk
スポーツアナリストになるべく、スポーツとデータサイエンスについて日々精進

投稿者の人気記事
コメントする
コメントする
こちらもおすすめ!
Eye catch
クリプト

NFT解体新書・デジタルデータをNFTで販売するときのすべて【実証実験・共有レポート】

Like token Tip token
121.79 ALIS
Eye catch
トラベル

わら人形を釘で打ち呪う 丑の刻参りは今も存在するのか? 京都最恐の貴船神社奥宮を調べた

Like token Tip token
486.35 ALIS
Eye catch
他カテゴリ

警察官が一人で戦ったらどのくらいの強さなの?『柔道編』 【元警察官が本音で回答】

Like token Tip token
114.82 ALIS
Eye catch
他カテゴリ

京都のきーひん、神戸のこーへん

Like token Tip token
12.10 ALIS
Eye catch
他カテゴリ

警察官が一人で戦ったらどのくらいの強さなの?『柔道編』 【元警察官が本音で回答】

Like token Tip token
114.82 ALIS
Eye catch
他カテゴリ

テレビ番組で登録商標が「言えない」のか考察してみる

Like token Tip token
26.20 ALIS
Eye catch
他カテゴリ

SASUKEオーディションに出た時の話

Like token Tip token
35.87 ALIS
Eye catch
トラベル

無料案内所という職業

Like token Tip token
84.20 ALIS
Eye catch
他カテゴリ

オランダ人が語る大麻大国のオランダ

Like token Tip token
46.20 ALIS
Eye catch
他カテゴリ

機械学習を体験してみよう!(難易度低)

Like token Tip token
124.82 ALIS
Eye catch
ビジネス

海外企業と契約するフリーランス広報になった経緯をセルフインタビューで明かす!

Like token Tip token
16.10 ALIS
Eye catch
クリプト

17万円のPCでTwitterやってるのはもったいないのでETHマイニングを始めた話

Like token Tip token
46.60 ALIS