历届世界杯数据分析专题总结：使用Python-Pandas与Matplotlib进行数据可视化
世界杯是全球最受瞩目的体育盛事，对它每一届的数据进行剖析，既有趣又富有价值。这不仅能帮助球迷更深入地理解赛事的演变，还能揭示许多鲜为人知的精彩故事。
中国队相关比赛分析
世界杯是全球足球领域的顶级盛事，我国足球队在此赛事中的表现同样引人关注。由于我国球队在世界杯上的亮相机会不多，因此，每场比赛的数据都显得尤为重要。无论是在主场还是客场，这些数据都能揭示出我国球队与其他队伍之间的差距。比如，比赛的胜负结果往往与球队当时的阵容和战术策略等多方面因素紧密相连。此外，通过分析我国球队在世界杯上的比赛数据，或许可以窥见我国足球发展的轨迹。
从数据分析的角度出发，中国队的参赛数据可以作为一个参照，用来与其他足球强国进行比较。
数据预处理的重要性
在进行数据分析的前期，数据预处理是必须的环节。以分析世界杯比赛信息表为例，进行类型转换等操作，目的是使数据更加整齐，便于后续分析。
解析所选列成为整数等操作，有助于提升数据在计算与分析时的精确度。此外，对比赛成绩进行格式化处理，旨在实现数据格式的统一。任何微小的失误或不规范的数据处理，都可能引发分析结果的误差，这在需要严谨性的世界杯数据分析中尤其需要警惕。
Year Datetime Stage Stadium City Home Team Name Home Team Goals Away Team Goals Away Team Name Attendance Half-time Home Goals Half-time Away Goals Referee Assistant 1 Assistant 2 RoundID MatchID Home Team Initials Away Team Initials result
0 1930.0 13 Jul 1930 - 15:00 Group 1 Pocitos Montevideo France 4 1 Mexico 4444.0 3.0 0.0 LOMBARDI Domingo (URU) CRISTOPHE Henry (BEL) REGO Gilberto (BRA) 201.0 1096.0 FRA MEX 4-1
1 1930.0 13 Jul 1930 - 15:00 Group 4 Parque Central Montevideo USA 3 0 Belgium 18346.0 2.0 0.0 MACIAS Jose (ARG) MATEUCCI Francisco (URU) WARNKEN Alberto (CHI) 201.0 1090.0 USA BEL 3-0
2 1930.0 14 Jul 1930 - 12:45 Group 2 Parque Central Montevideo Yugoslavia 2 1 Brazil 24059.0 2.0 0.0 TEJADA Anibal (URU) VALLARINO Ricardo (URU) BALWAY Thomas (FRA) 201.0 1093.0 YUG BRA 2-1
3 1930.0 14 Jul 1930 - 14:50 Group 3 Pocitos Montevideo Romania 3 1 Peru 2549.0 1.0 0.0 WARNKEN Alberto (CHI) LANGENUS Jean (BEL) MATEUCCI Francisco (URU) 201.0 1098.0 ROU PER 3-1
4 1930.0 15 Jul 1930 - 16:00 Group 1 Parque Central Montevideo Argentina 1 0 France 23409.0 0.0 0.0 REGO Gilberto (BRA) SAUCEDO Ulises (BOL) RADULESCU Constantin (ROU) 201.0 1085.0 ARG FRA 1-0
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
847 2014.0 05 Jul 2014 - 17:00 Quarter-finals Arena Fonte Nova Salvador Netherlands 0 0 Costa Rica 51179.0 0.0 0.0 Ravshan IRMATOV (UZB) RASULOV Abduxamidullo (UZB) KOCHKAROV Bakhadyr (KGZ) 255953.0 300186488.0 NED CRC 0-0
848 2014.0 08 Jul 2014 - 17:00 Semi-finals Estadio Mineirao Belo Horizonte Brazil 1 7 Germany 58141.0 0.0 5.0 RODRIGUEZ Marco (MEX) TORRENTERA Marvin (MEX) QUINTERO Marcos (MEX) 255955.0 300186474.0 BRA GER 1-7
849 2014.0 09 Jul 2014 - 17:00 Semi-finals Arena de Sao Paulo Sao Paulo Netherlands 0 0 Argentina 63267.0 0.0 0.0 Cüneyt ÇAKIR (TUR) DURAN Bahattin (TUR) ONGUN Tarik (TUR) 255955.0 300186490.0 NED ARG 0-0
850 2014.0 12 Jul 2014 - 17:00 Play-off for third place Estadio Nacional Brasilia Brazil 0 3 Netherlands 68034.0 0.0 2.0 HAIMOUDI Djamel (ALG) ACHIK Redouane (MAR) ETCHIALI Abdelhak (ALG) 255957.0 300186502.0 BRA NED 0-3
851 2014.0 13 Jul 2014 - 16:00 Final Estadio do Maracana Rio De Janeiro Germany 1 0 Argentina 74738.0 0.0 0.0 Nicola RIZZOLI (ITA) Renato FAVERANI (ITA) Andrea STEFANI (ITA) 255959.0 300186501.0 GER ARG 1-0
852 rows × 20 columns现场观赛人数背后
世界杯相关数据中，通过分析现场观众数量，我们能掌握各场比赛的受欢迎程度。各场比赛的观众人数，有助于我们挑选出最受欢迎的比赛。
在1950年的巴西世界杯上，有四场比赛的观众数量高居不下。这既展现了巴西民众对足球的狂热，也反映了赛事的组织、球队等因素吸引了大量球迷。马拉卡纳体育场举办的这些赛事，因其高人气而备受瞩目，而这与它作为巴西足球象征的地位和巨大影响力密不可分。
比赛进球数探秘
足球比赛中，进球无疑是观众最期待的高潮。球迷们总是渴望发现历史上单场进球数最多的比赛。这样的记录，往往能反映出当时比赛的特色和战术运用。
比赛进球数若异常之高，或许源于两队均采用了较为积极的进攻策略，亦或是防守上存在不足等因素。这一现象对现今球队的战略规划亦具有一定的参考价值。
各队进球数量排名
matches['total_goals'] = matches['Home Team Goals'] + matches['Away Team Goals']
matches['VS'] = matches['Home Team Name'] + 'VS' + matches['Away Team Name']
top10_goals = matches.sort_values(by = 'total_goals', ascending = False)[:10]
top10_goals['VS'] = top10_goals['Home Team Name'] + 'VS' + top10_goals['Away Team Name']
top10_goals['total_goals_str']= top10_goals['total_goals'].astype(str)+ ' goals scored'
top10_goals['Home Team Goals'] = top10_goals['Home Team Goals'].astype(int)
top10_goals['Away Team Goals'] = top10_goals['Away Team Goals'].astype(int)
top10_goals['result'] = top10_goals['Home Team Goals'].astype(str) + '-' + top10_goals['Away Team Goals'].astype(str)
plt.figure(figsize = (12, 10))
ax = sns.barplot(y = top10_goals['VS'], x = top10_goals['total_goals'])
sns.despine(right = True)
plt.ylabel('比赛')
plt.xlabel('进球数')
plt.yticks(size = 12)
plt.xticks(size = 12 )
plt.title('进球数前10名的比赛', size = 20)
for i, s in enumerate('体育场：' + top10_goals['Stadium'] + '，日期：' + top10_goals['Datetime'] +
'\n' + top10_goals['total_goals_str'] + '，比赛结果：' + top10_goals['result']):
ax.text(2, i, s, fontsize = 14, color = 'white', va = 'center')
plt.show() 世界杯历史上，进球数最多的国家往往都是德国、巴西、阿根廷和意大利等足球强国。这种现象并非巧合。这些国家队在球员挑选、战术培养等方面都积累了丰富的经验。
巴西、德国、阿根廷和意大利在自家球场上的进球表现十分抢眼。同样，德国、巴西、西班牙和法国在客场进球数上也名列前茅，这显示出他们在客场也能展现强大的进攻能力。这种现象与他们采用的战术风格密切相关。
经过对历届世界杯数据的细致分析，我们对世界杯有了更深入的了解。你是否注意到某些数据让你感到惊讶？若你对这种世界杯数据分析同样感兴趣，不妨点赞并分享此文，也欢迎在评论区交流心得。
# 导入数据分析包：numpy（科学计算）、pandas（处理数据框）和 matplotlib/seaborn(可视化)
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 导入数据：
matches = pd.read_csv('d:\data\WorldCupMatches.csv')
# 统一“联邦德国”和“德国”
matches = matches.replace(['Germany FR'], 'Germany')
list_countries = matches['Home Team Name'].unique().tolist()
#分主客队来统计：
lista_home = []
lista_away = []
for i in list_countries:
goals_home = matches.loc[matches['Home Team Name'] == i, 'Home Team Goals'].sum()
lista_home.append(goals_home)
goals_away = matches.loc[matches['Away Team Name'] == i, 'Away Team Goals'].sum()
lista_away.append(goals_away)
df = pd.DataFrame({'country': list_countries, 'total_home_goals': lista_home, 'total_away_goals':lista_away})
df['total_goals'] = df['total_home_goals'] + df['total_away_goals']
most_goals = df.sort_values(by = 'total_goals', ascending = False)[:10]
most_goals
country total_home_goals total_away_goals total_goals
13 Germany 168 67 235
7 Brazil 180 45 225
4 Argentina 111 22 133
15 Italy 99 29 128
0 France 68 40 108
14 Spain 50 42 92
34 Netherlands 51 40 91
10 Hungary 73 14 87
6 Uruguay 62 18 80
18 England 54 25 79
相关文章
