実践データ解析--その1 tour de france point賞に関して--
目的
最近流行している、スポーツデータのビジュアライゼーションを行ってみる。
今回は事例として、先日開催されたTour de Franceを例にする。
そもそも、各ステージごと、あるいは各賞ごとに、時間や得点が公開される。だが、これは、そのステージ終了時点で誰がP分、誰がQ点となっているため、ステージごとの変遷が読みにくい...
そこで、例えば、なぜサガンは個人総合で競っていたはずなのに、なぜポイント賞狙いになったのか??それはいつか。をデータから洗い出してみる...
グランツールは、開催期間中だけでピー百億円規模の産業らしいので、0.1%でも1億円くらいになる...と思う。ちょっと欲しい
手段
pythonによるデータ解析入門とRによる時系列分析入門とRクックブックを用いる
練習用のサンプルデータを作成する。
- 各ステージごとの、それぞれの賞のリストが取得済みの状態を前提として
- その賞の名前
- それぞれの賞の内容のリスト
をもとに、それぞれの賞の内容のリストを、その賞の名前で保存します。
(魔法を使っているような部分は省いているので、察してほしい)
#! usr/bin/python #! -*-coding: utf-8-*- #author@Shoichi Otomo import sys import pandas as pd argv = sys.argv stg = str(argv[1]) rdpth = "path/to/data" data_pth = "path/to/data/attache" def split_files(dfs, cap): for i in range(len(dfs)): try: dfs[i + 1].to_csv(data_pth + "{fname}" + stg + cap[0][i] + ".tsv", sep="\t", index=False) except: print 'whoops' if __name__ == '__main__': dfs= pd.read_html(rdpth + "{fname}"+ stg + '.html') cap = pd.read_csv(data_pth + "{fname}"+ stg + '.txt', header=None) split_files(dfs, cap)
書き出しにミスが頻発する場合、pythonは、内部的にデータをunicodeで扱う??らしく、utf-8での書き出しが出来ない場合が多い。
- 下記の設定を追加する。
reload(sys)
sys.setdefaultencoding('utf-8')
- ハンドルする段階でunicodeで扱い、出力時にencode/decodeする...(これは出来たらかなり上手いと思う)
分割されたファイルの中から、各ステージのポイント賞のリストを作成する。 全てのステージのデータを結合する。
pandasのデータの扱い方は
- concat,append単純結合
- merge,joinはキーを指定して結合
| inner | left | right | outer |
|---|---|---|---|
| 両方にあるキーのみを選択 | 左のキーのみを選択 | 右のキーのみを選択 | 少なくともどちらか一方のキーを選択 |
- ポイント賞対象となるポイントは、各山岳(級別)、スプリント、ステージゴールの全てに対して、相応の得点が付与される。
- stageNに対して、stageN+1の得点は基本的に減らない。
stageNに対して、stageN+1では、ポイントを1点以上持つライダーは基本的に減らない。(得点を取得したライダーの数は、前日に比べて同じか、増えるかのどちらか)
例えばpoint賞の第1ステージと第2ステージの結合を行う。
import pandas as pd dfs1 = pd.read_csv('../{datapath}/{filename}.tsv', sep="\t") dfs2 = pd.read_csv('../{datapath}/{filename}.tsv', sep="\t") dfs1 = dfs1[["1", "2"]] dfs2 = dfs2[["1", "2"]] dfs = pd.merge(dfs1, dfs2, on="1", how="outer")
結果
全員分をグラフ化すると150本以上になるので、上位10名分をグラフ化する
そういえば、サガンは何だかんだで最初の方は個人総合に絡んでたしな...
グライペル、スプリントゴール勝ちまくってたから、まとまった得点取ってたしなぁ...
とか、そういうことが色々思い出される。(飽きてきたので解析は小並感...後日書く)
あと、各ゴールは各ステージごとにあり、いくつかのサイトでそういったマップを埋め込んである。だが、これらは予めゴール前に作成しているらしく、レース終了後のデータが反映されていない... ゴール後のデータを入力すれば少なくとも、こうだろう。 これは、長いのでまた後日...
結論
ツールドフランスで学ぶデータ解析、結構あるんだけど... こうなったらいいなぁ
