Python实战：NBA球员数据可视化与K-Means聚类分析

简介这是一份基于Python的NBA球员数据可视化分析项目定位为毕业设计、期末大作业或课程设计的高分标杆适合具有Python基础、希望参考真实数据分析全流程的学生和开发者。项目完整覆盖球员数据爬取、清洗、聚类分析与可视化展示包含K-Means聚类、雷达图、数据爬虫等多个功能模块代码附有详细中文注释即使新手也能快速读懂并简单部署后即可运行。资源包共20个文件主要类型包括Python脚本、CSV数据文件、XML配置、PPT答辩演示稿、说明文档等压缩包整体约23.57MB目录结构清晰便于按模块查找和学习。目前已有429人学习下载是一份经过导师认可的高分项目可帮助快速搭建体育主题数据分析可视化方案并理解从数据获取到图表输出的完整链路适合参考与复用。1. 基于 Python 的 NBA 球员数据可视化分析先从拿到项目后的第一件事说起这份下载资源是一个典型的「数据可视化 数据分析」Python 大作业包含源码、文档和答辩 PPT。我拿到压缩包时最直观的感受是它不是一个只画几张折线图的演示项目而是把爬虫、K-Means 聚类、雷达图、多球员对比和答辩材料串成了一整条数据分析工作流。对正在做毕业设计或期末大作业的人来说它最大的价值不是代码本身有多难而是能让你看到一个 98 分项目在「数据获取、清洗、可视化、结论呈现」四个环节分别是怎样落地的。我当时花了半小时把 README 和 PPT 过了一遍确认了核心模块SpiderHot.py 负责热度数据爬取Basketball.py 和 RadarMap.py 负责主图与雷达图DurantScore.py 和 DurantRadarMap.py 专门处理杜兰特相关分析K-Means.py 做球员聚类。CSV 文件是数据分析的数据底座拿过来可以直接跑通。如果你是数据可视化这门课的新手想找一份「代码能跑、逻辑讲得清、答辩不怕问」的参考这份项目确实是很好的蓝本。接下来我按实际复现顺序把它拆开讲每一步都给了可以直接抄的代码和要注意的参数。2. 数据从哪来爬虫模块与 CSV 预处理的配合方式拿到项目先别急着跑 K-Means数据源才是整个分析的地基。这个项目里的数据来源有两个一个是 SpiderHot.py 从公开网页抓取的热度数据另一个是仓库里已经准备好的若干 CSV 文件比如 score.csv、ScoreFouth.csv、Kurant.csv、Kurantttt.csv。这几个 CSV 命名看着随意其实分别对应原始得分数据、第四节得分数据、杜兰特个人数据等不同分析维度。2.1 SpiderHot 的热度爬虫到底爬了什么SpiderHot.py 实现的是一个典型的轻量爬虫带请求头去请求网页、解析 HTML 里的球员热度排行、然后把结果写入 CSV。这种代码在面试和答辩里被问到「你的数据哪来的」你可以直接回答爬虫抓取加手工整理数据源是公开的体育数据站点。爬虫部分虽然代码不长但已经把反爬的基本姿势都写出来了import csv import time import requests from parsel import Selector def fetch_hot_rank(url): headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36, Referer: https://www.baidu.com/ } resp requests.get(url, headersheaders, timeout10) resp.encoding resp.apparent_encoding sel Selector(resp.text) rows sel.css(tr) hot_data [] for row in rows[1:]: # 跳过表头 tds row.css(td::text).getall() if len(tds) 3: hot_data.append([tds[0].strip(), tds[1].strip(), tds[2].strip()]) return hot_data if __name__ __main__: url https://example.com/nba/hot data fetch_hot_rank(url) with open(hot.csv, w, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerow([排名, 球员, 热度指数]) writer.writerows(data) time.sleep(2)这段代码里headers 的 User-Agent 和 Referer 是模拟浏览器访问的关键很多网站对裸 requests 请求直接返回 403。resp.encoding resp.apparent_encoding 是为了避免网页返回 GBK 编码时在 Windows 控制台里出现乱码。time.sleep(2) 是爬虫的礼貌延迟也是防止短时间内请求次数太多被 Ban 的兜底手段。如果你只是做课程设计不建议在爬虫上花太多时间因为这个项目的核心得分在于数据处理和可视化爬虫只属于「锦上添花」的加分项。更重要的是爬下来的数据要统一格式、统一编码否则后面 Pandas 读进来会有一堆编码错误或者类型转换失败。2.2 Pandas 读 CSV 的正确姿势编码、列名、空值项目里 CSV 文件有好几个我在复现时发现最常见的翻车点就是编码。学长当时应该是在 PyCharm 里直接用 UTF-8 读取的但如果你用 Excel 打开 CSV 再另存一次编码可能就变成 GBK 了程序直接报 UnicodeDecodeError。所以我的习惯是写一个通用读取函数编码不行就自动切换顺便把列名里的空格和空值一起处理掉import pandas as pd def load_csv(path, encoding_attempts(utf-8, gbk, latin1)): for enc in encoding_attempts: try: df pd.read_csv(path, encodingenc) break except UnicodeDecodeError: continue else: raise ValueError(f无法识别编码: {path}) df.columns [col.strip() for col in df.columns] df df.dropna(subset[球员, 得分]) df df.fillna({助攻: 0, 篮板: 0, 抢断: 0}) return df这个函数做了三件重要的事情第一尝试多种编码打开文件解决中文乱码问题第二把列名里的空格剥掉否则你后面写 df[得分] 时如果列名是「 得分」就会 KeyError第三关键字段的缺失值直接 drop非关键字段用 0 填充因为 K-Means 聚类不接受 NaN。参数说明encoding_attempts 的顺序建议按 utf-8 优先因为这个项目原始文件是标准 UTF-8 编码如果你自己爬的数据在 Excel 里编辑过gbk 会命中。dropna 的 subset 参数只检查指定列避免因为某一列有缺失就把整行数据都删掉。3. 可视化核心模块雷达图、得分走势图与 Basketball.py 的绘图骨架数据准备得差不多之后重点就来了可视化。这个项目的可视化分了几个层次Basketball.py 是主程序入口RadarMap.py 是通用雷达图函数DurantRadarMap.py 专门画杜兰特的对比雷达图DurantScore.py 画杜兰特得分走势。我先带你拆 RadarMap再把 Durant 相关的两块串起来。3.1 从 Basketball.py 看可视化主程序的骨架Basketball.py 实际上是整个项目的「总导演」它做的事情是读取 CSV调用 RadarMap 和 Score 绘图函数最后生成多张 PNG 图片。这种「主程序 工具函数」的拆分方式在答辩时很讨巧因为老师会问「你代码的模块化设计体现在哪里」你直接指这个结构就行不需要解释太深。主程序里最常见的模式是循环读文件、循环画图、统一输出。比如你要把库里所有明星球员的雷达图批量生成代码结构一般是import os import pandas as pd import matplotlib.pyplot as plt from RadarMap import draw_radar output_dir output os.makedirs(output_dir, exist_okTrue) df load_csv(score.csv) grouped df.groupby(球员) for player_name, group in grouped: values group[[得分, 篮板, 助攻, 抢断, 盖帽]].iloc[0].tolist() labels [得分, 篮板, 助攻, 抢断, 盖帽] draw_radar(player_name, values, labels, os.path.join(output_dir, f{player_name}_radar.png)) plt.close(all)这里有个关键点groupby 之后每个球员可能有多行数据所以取 iloc[0] 只拿第一行作为雷达图取值。这是数据分析里很常见的取舍——雷达图展示的是球员的综合能力快照不是时间序列。如果你拿到的数据里一个球员有多个赛季记录可以先求平均再画图否则雷达图会被脏数据带偏。3.2 雷达图为什么适合做球员对比RadarMap 与 DurantRadarMap雷达图是球员数据分析里最经典的可视化形式因为它能同时展示多项指标的高低直观反映一个球员的技术特点。RadarMap.py 的核心函数不长但参数细节比较多import matplotlib.pyplot as plt from math import pi def draw_radar(player_name, values, labels, fig_pathradar.png): num len(labels) angles [n / float(num) * 2 * pi for n in range(num)] values values values[:1] angles angles[:1] fig plt.figure(figsize(8, 8)) ax fig.add_subplot(111, polarTrue) ax.plot(angles, values, linewidth1.5, linestylesolid, colorcrimson) ax.fill(angles, values, alpha0.25, colorcrimson) ax.set_xticks(angles[:-1]) ax.set_xticklabels(labels, fontsize14) ax.set_ylim(0, 100) ax.set_title(f{player_name} 能力雷达图, fontsize16, pad20) ax.grid(True) plt.tight_layout() plt.savefig(fig_path, dpi300, bbox_inchestight) plt.close(fig)这段代码有两个经典坑。第一个坑是雷达图必须首尾闭合如果不把 values 的第一个值追加到末尾画出来的图会缺一条边看起来像被切了一刀。第二个坑是极坐标的起始角度默认从正上方开始向右画如果你想改成从正右方开始需要加一句 ax.set_theta_offset(pi / 2)这取决你想要的展示效果。DurantRadarMap.py 和 RadarMap.py 的区别在于它画的是双球员对比把杜兰特和联盟平均水平的数值画在同一张雷达图上。多画一条线只需要在同一个 ax 上再 plot 一次但要注意标签 legend 的位置否则会被坐标轴挡住。我一般会这样处理ax.plot(angles, durant_values, linewidth2, labelDurant) ax.plot(angles, avg_values, linewidth1.5, linestyledashed, label联盟平均) ax.legend(locupper right, bbox_to_anchor(1.35, 1.0))bbox_to_anchor 参数是用来把图例放到图外右上角的避免图例遮挡数据线。很多新手画对比图时图例飘在图上很难看其实用这个参数就能解决。3.3 DurantScore.py 的得分走势一两行代码就能换人DurantScore.py 读的是 ScoreFouth.csv这里面存的是杜兰特每场比赛或每个赛季的得分数据。这个脚本的实现逻辑非常直接其实就是 pandas 一行画线加 matplotlib 微调import matplotlib.pyplot as plt df load_csv(ScoreFouth.csv) plt.figure(figsize(12, 5)) plt.plot(df[日期], df[得分], markero, markersize4, linewidth1.2) plt.xticks(rotation45) plt.xlabel(日期) plt.ylabel(得分) plt.title(杜兰特近期得分走势) plt.grid(alpha0.4) plt.tight_layout() plt.savefig(durant_score.png, dpi200)如果你不想只盯着杜兰特想换成库里只要把 CSV 替换成库里的数据文件再把标题里的名字改一下就行。这也是这个项目比较好的地方代码和数据的耦合度低换数据不需要动逻辑。知识点在于 plt.xticks(rotation45) 让日期标签倾斜避免重叠这是时间序列绘图的固定动作。4. K-Means 聚类实战把球员分成几类的完整流程终于到了这个项目里技术含量最高的一块K-Means.py。毕业设计里要求做聚类分析时最常见的目标是——把球员按照得分、篮板、助攻等数据分成几类从而区分核心球员、角色球员和边缘球员。这个思路清晰、可解释性强答辩时老师一听就明白。4.1 K-Means 的核心逻辑和特征选择K-Means 做的事简单来说就是先把所有球员看成多维空间里的点然后随机挑 K 个中心点让每个球员归属到离他最近的中心再重新计算中心的位置反复迭代直到中心不再变化。它的核心参数只有两个簇数 K 和算法收敛的控制参数。在选特征这件事上我的经验是不要把所有列都扔进去否则助攻、失误这些小量纲的数据会被得分、篮板这种大数值字段淹没。这个项目里比较合理的特征组合是得分、篮板、助攻、抢断、盖帽这五项它们基本能描述一个球员的场上能力轮廓。聚类之前必须先做标准化不然「得分」可能是 30 而「抢断」只有 1距离计算会被大数值特征主导。4.2 肘部法则确定 K 值别再用 K3 硬凑了很多课程作业里 K 值是拍脑袋定的但高分项目里一定会展示「为什么选这个 K」。最常用的方法是肘部法则对不同 K 值计算每个样本到簇中心的距离平方和 SSE然后画折线图找拐点。from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler import matplotlib.pyplot as plt import pandas as pd df load_csv(score.csv) feat_cols [得分, 篮板, 助攻, 抢断, 盖帽] X df[feat_cols].dropna() scaler StandardScaler() X_scaled scaler.fit_transform(X) inertias [] for k in range(1, 11): km KMeans(n_clustersk, n_init10, random_state42) km.fit(X_scaled) inertias.append(km.inertia_) plt.figure(figsize(8, 5)) plt.plot(range(1, 11), inertias, bo-, markersize6) plt.xlabel(K 值) plt.ylabel(SSE 簇内误差平方和) plt.title(肘部法则确定最佳聚簇数) plt.savefig(elbow.png, dpi200)解释一下参数n_init10 表示每个 K 值下算法用 10 个不同的随机起点跑一遍取效果最好的结果这是 sklearn 中避免陷入局部最优解的关键参数。random_state42 固定随机种子保证你每次跑出来的聚类结果一致答辩时可以复现。你看到这条折线图逐渐平缓的拐点就是合理的 K 值范围一般 NBA 球员数据会在 K3 或 K4 出明显拐点。4.3 标准化后的聚类结果如何解释确定 K 值之后正式的聚类代码反而特别短km KMeans(n_clusters3, n_init10, random_state42) df[cluster] km.fit_predict(X_scaled) plt.figure(figsize(10, 6)) scatter plt.scatter( X_scaled[:, 0], X_scaled[:, 1], cdf[cluster], cmapviridis, alpha0.7, ) plt.xlabel(得分标准化后) plt.ylabel(篮板标准化后) plt.colorbar(scatter) plt.title(球员聚类散点图按得分与篮板) plt.savefig(cluster_scatter.png, dpi200)这里只取了标准化后的前两列特征做散点图也就是得分维度和篮板维度。因为高维数据没法直接可视化所以取前两维看分布是最省事的做法答辩时重点是讲聚类结果的业务含义第 0 类是得分高但篮板低的得分手第 1 类是得分篮板双高的核心内线第 2 类是各项数据平平的角色球员。你可以用 groupby 加 mean 验证每一类的中心特征值这也是论文里常放的那张「聚类中心分析表」。5. 避坑清单中文乱码、路径错误、KMeans 不收敛的实战排查这个项目虽然代码量不大但有几个坑几乎每个复现的人都会踩。我按「现象 → 原因 → 解决」的格式整理了 5 条高频问题做答辩前建议逐条过一遍。坑一Matplotlib 中文全部显示成方块现象图表的标题、坐标轴标签全是方框或者乱码英文和数字正常。原因Matplotlib 默认字体不支持中文Windows 和 Linux 下的字体名称还不一样。解决在绘图脚本最前面加上字体配置SimHei 是 Windows 下的黑体import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False第二行是处理负号问题的否则坐标轴上的负号会显示成方块。如果你用的是 macOS把 SimHei 换成 Arial Unicode MS 或 PingFang SC。坑二运行 K-Means 时报警告或者结果每次都不一样现象KMeans 警告 n_init 参数从 10 变成 auto或者两次运行 cluster 标签数字对不上。原因新版本 sklearn 改了 n_init 的默认行为同时随机初始化会导致标签序号不固定不是 bug但答辩时被问到会尴尬。解决显式指定 n_init10 和 random_state42并且在答辩 PPT 里注明「每次运行结果一致是因为固定了随机种子」。这个技巧能让老师相信你的分析是可复现的。坑三PyCharm 里运行时找不到 CSV 文件现象报错 FileNotFoundError但文件明明在项目目录里。原因PyCharm 默认的工作目录可能不是项目根目录而是你打开的那个 Python 文件所在的目录。解决在 PyCharm 的 Run Configuration 里把 Working directory 改为项目根目录或者像我在第 2 章里写的那样用 os.path 拼接出绝对路径不要用裸文件名。坑四读 CSV 时中文列名直接变成乱码现象pandas 打印 DataFrame 时列名是乱码或者列名带 \ufeff 前缀。原因CSV 文件是带 BOM 的 UTF-8 格式pandas 读进来时把 BOM 当成列名的一部分。解决read_csv 时加 encodingutf-8-sig这是我处理中文数据时最常用的编码能在读取时自动剥掉 BOM 前缀。如果文件是 GBK 编码就先转一下编码再处理。坑五热力图或雷达图上数值单位不一致导致图形失真现象雷达图里得分那一栏特别大抢断那一栏几乎贴底图形看起来全是尖角。原因原始数值没有做归一化不同指标的量纲不同。解决在画雷达图之前把每一列映射到 0-100 的范围。最简单的方法是使用 sklearn 的 MinMaxScalerfrom sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler(feature_range(0, 100)) df[feat_cols] scaler.fit_transform(df[feat_cols])MinMaxScaler 的 feature_range 参数指定缩放范围0-100 适合雷达图展示0-1 适合直接参与聚类计算。6. 把静态图升级成可交互看板一个让答辩加分的进阶技巧如果你不想止步于交作业想把这个项目做成能加到简历里的作品集我建议你花两个小时把 Matplotlib 的静态图换成 Pyecharts 的可交互图表。同样的雷达图Pyecharts 生成的是 HTML 文件鼠标悬停能看具体数值还能勾选球员做对比答辩现场演示效果比两张 PNG 强不少。from pyecharts.charts import Radar from pyecharts import options as opts radar Radar() radar.add_schema(schema[ opts.RadarIndicatorItem(name得分, max_100), opts.RadarIndicatorItem(name篮板, max_100), opts.RadarIndicatorItem(name助攻, max_100), opts.RadarIndicatorItem(name抢断, max_100), opts.RadarIndicatorItem(name盖帽, max_100), ]) radar.add(杜兰特, [[92, 70, 85, 60, 78]]) radar.add(联盟平均, [[60, 50, 50, 45, 45]]) radar.set_global_opts(title_optsopts.TitleOpts(title杜兰特能力对比雷达图)) radar.render(radar_interactive.html)这种做法本质上就是数据可视化课程的延伸同一个数据源从静态图到动态图从 Matplotlib 到 ECharts技术栈的跨度一下子就出来了。评委看到的不再是「我会调包画图」而是「我理解了可视化的多种呈现方式」。如果想更进一步可以用 Flask 套一个简单的 Web 页面把雷达图和聚类散点图放到同一个看板上这就达到了企业级数据可视化项目的入门标准。另一个验证自己是否吃透这个项目的方法是换一套数据集重跑全部流程。比如把 NBA 数据替换成 CBA 球员数据或者换成电竞选手数据列名改一改就行。如果 K-Means、雷达图、走势图都能正常出图那你对这份代码的理解就不是背下来的而是真的能迁移的能力。我从那次以后拿到任何数据可视化项目都强制先跑一遍「编码检测 → 空值处理 → 特征标准化 → 定 K → 可视化 → 交互化」这个完整链路确实能少走很多弯路。希望你也能用这个思路把项目吃透做出自己真正能讲清楚的作品。希望帮到你。本文还有配套的精品资源点击获取