篮球NBA球队球员赛季表现分析（NBA赛季球队与球员表现解析）

你想做哪种“赛季表现分析”？先帮你把选项和需要确认的信息压缩一下，你选个方向我就开工搭好代码/可视化。

建议的分析内容

• 球队/球员概览：出场、先发、时间、得分/篮板/助攻/三分、命中率、罚球
• 高级指标：TS%、eFG%、USG%、AST%/TOV%、ORB/DRB/REB%、STL%/BLK%、ON/OFF、Net Rating
• 趋势与稳定性：滚动场均/效率曲线、对手强度调整、主客场/背靠背分解
• 阵容与搭档：五人组/双人组净效率、球员互补热力图、对位身高/位置
• 投篮分布：区域命中率、Shot Chart、三分类型（接球/运球）占比
• 分组对比：位置/年龄层/薪资层/轮换层级聚类与分层雷达图

需要你确认

1. 赛季范围：例如 2023-24 常规赛/季后赛，还是 2024-25 至今
2. 范围对象：单支球队、若干球队，还是全联盟
3. 指标侧重：基础统计/高级效率/阵容搭配/投篮分布/模型与聚类
4. 数据源偏好：
   • 官方 stats.nba.com（用 nba_api，数据全、需联网）
   • Basketball-Reference（可爬取，结构稳定）
   • 你已有 CSV/Parquet（最快）
5. 输出形式：Jupyter Notebook（交互）、脚本+HTML 报告、可保存为图表/CSV
6. 可视化风格：静态（matplotlib/seaborn）或交互（plotly）

如果你想我直接起步，我可以默认做一个“单队赛季报告”模板（可改参数复用）：

• 默认：2023-24 常规赛，某支球队的全部球员
• 指标：基本+TS%/eFG%/USG%/AST%/TOV%/REB%/Net Rating、滚动表现、搭档净效应、Shot Chart
• 交付：notebooks/nba_team_season_report.ipynb + src/ 数据抓取与缓存
• 依赖：pandas、numpy、plotly、nba_api、seaborn、scikit-learn（可选）

示例代码骨架（用 nba_api，便于你判断是否符合预期）

# install: pip install nba_api pandas numpy plotly seaborn
from nba_api.stats.static import teams
from nba_api.stats.endpoints import playergamelog, leaguegamefinder, teamgamelog, commonteamroster
import pandas as pd
import numpy as np

def get_team_id(team_name="Los Angeles Lakers"):
    t = teams.find_teams_by_full_name(team_name)
    return t[0]["id"] if t else None

def ts_pct(row):
    # TS% = PTS / (2 * (FGA + 0.44*FTA))
    denom = 2*(row.FGA + 0.44*row.FTA)
    return np.nan if denom == 0 else row.PTS/denom

def efg_pct(row):
    # eFG% = (FGM + 0.5*3PM)/FGA
    return np.nan if row.FGA == 0 else (row.FGM + 0.5*row.FG3M)/row.FGA

def season_player_summary(team_id, season="2023-24"):
    roster = commonteamroster.CommonTeamRoster(team_id=team_id, season=season).get_data_frames()[0]
    player_ids = roster["PLAYER_ID"].tolist()
    frames = []
    for pid in player_ids:
        gl = playergamelog.PlayerGameLog(player_id=pid, season=season, season_type_all_star="Regular Season").get_data_frames()[0]
        if gl.empty: 
            continue
        gl["PLAYER_ID"] = pid
        frames.append(gl)
    games = pd.concat(frames, ignore_index=True) if frames else pd.DataFrame()
    if games.empty:
        return games, roster

    # per-game与高级指标
    cols = ["PLAYER_ID","FGM","FGA","FG3M","FTA","PTS","REB","AST","TOV","STL","BLK","MIN"]
    agg = (games
        .assign(MIN=lambda d: d["MIN"].apply(lambda s: int(s.split(":")[0]) + int(s.split(":")[1])/60 if isinstance(s,str) else s))
        .groupby("PLAYER_ID", as_index=False)[cols[1:]].mean())
    agg["TS%"] = agg.apply(ts_pct, axis=1)
    agg["eFG%"] = agg.apply(efg_pct, axis=1)

    # 合并球员名
    out = agg.merge(roster[["PLAYER_ID","PLAYER"]], on="PLAYER_ID", how="left")
    # 排序：按TS%
    out = out.sort_values("TS%", ascending=False)
    return out, games

if __name__ == "__main__":
    team_id = get_team_id("Los Angeles Lakers")
    df_summary, df_games = season_player_summary(team_id, season="2023-24")
    print(df_summary[["PLAYER","PTS","REB","AST","TS%","eFG%","MIN"]].round(3).to_string(index=False))

可进一步拓展

• USG%/AST% 等需结合球队场上时间与球队合计：我会补充按比赛合并球队总和，使用公式计算
• 阵容/搭档净效率：基于 play-by-play 或官方 On/Off 接口（TeamPlayerOnOffDetails）
• Shot Chart：ShotChartDetail 拉取投篮坐标，绘制分区热力
• 聚类/雷达：选定特征后 KMeans/HDBSCAN + 雷达图/雷达矩阵

告诉我：

• 目标球队/赛季
• 输出形式（Notebook/脚本/报告）
• 是否联网抓取，或你有本地数据路径

我就按你的选择直接生成项目结构和可运行的分析。