2018 注定是不平凡的一年，这一年有太多我们熟知的大师离去。他们的离去代表着一个时代的终结，也代表这我们 90 后青春的落幕。我们这代 90 后是个男生都会看场 NBA 的比赛。
2013 那年我高二也是 NBA 球队热火队最火爆的时期，詹伟连线无人可挡。
那年的总决赛，热火大比分 2-3 落后马刺，当时第六场的最后几秒热火的比分还是落后于马刺，眼看就要输掉了比赛。那时候我们还在上课，但为了看热火这场生死大战，我和几个死党一起逃课。当时我们都觉得热火已经没有希望了，都准备要回去，但就在比赛快要结束时雷阿伦投入高难度扳平三分，从而把比赛拖入加时，最终逆转夺冠！我们几个当场就大喊起来：热火牛逼！
绝杀总是能让人激动不已！在NBA历史上，留下了不少的经典绝杀！我们的闪电侠韦德也是个中佼佼者，其中 2009 年对阵公牛一役完成抢断三分绝杀就是一大例证，绝杀之后韦德跑到站台上更是霸气的喊到「This is my house」。
当年的热火给我们的青春带来了太多的回忆，虽然曾经的队友，早已成为了彼此的对手。就像当年一起通宵的死党，如今都已变成陌生人，都在为现实奔波。
而就在昨天 12 月 11 日美国当地时间 10 日晚，NBA 常规赛湖人主场迎战热火队，这也是詹姆斯和韦德生涯最后一次常规赛对决。这场比赛就像多年以后老朋友再次相见，有太多不舍的回忆。赛后詹姆斯和韦德生互相交换了球衣，这个场景不知戳中多少球迷的心。
今天就带大家用 Python 分析韦德职业生涯的数据，多年以后或许还可以拿出这篇文章给自己的孩子诉说这自己的青春。
数据获取
数据的来源主要是爬 basketball-reference 网站上的数据。
网站地址：
https://www.basketball-reference.com/players/w/wadedw01.html
网站把韦德所有的生涯数据都展示出来，结构也很清晰我们只要用 requests + pyquery 解析就好。
最后我们把解析到的数据利用 pandas 保存到 excel 中即可。
具体的爬虫代码如下：
from pyquery import PyQuery as pq
from fake_useragent import UserAgent
import requests
import pandas as pd
def parse_html():
url = "https://www.basketball-reference.com/players/w/wadedw01.html"
ua = UserAgent()
headers = {"User-Agent": ua.random}
reponse = requests.get(url, headers=headers)
if reponse.status_code == 200:
html = reponse.text
extract_htm(html)
def extract_htm(html):
doc = pq(html)
Dwyane_Wade_data = []
data_items = doc.find("#div_per_game #per_game tbody tr").items()
for itme in data_items:
season = itme.find("th[data-stat='season'] a").text()
age = itme.find("td[data-stat='age']").text()
team = itme.find("td[data-stat='team_id'] a").text()
league = itme.find("td[data-stat='lg_id'] a").text()
position = itme.find("td[data-stat='pos']").text()
games = itme.find("td[data-stat='g']").text()
games_started = itme.find("td[data-stat='gs']").text()
minutes_played_per_game = itme.find("td[data-stat='mp_per_g']").text()
field_goals_per_game = itme.find("td[data-stat='mp_per_g']").text()
field_goals_attempts_per_game = itme.find("td[data-stat='fga_per_g']").text()
field_goal_percentage = itme.find("td[data-stat='fg_pct']").text()
point_3_field_goal_per_game = itme.find("td[data-stat='fg3_per_g']").text()
point_3_field_goal_percentage = itme.find("td[data-stat='fg3_pct']").text()
point_2_filed_goals_per_game = itme.find("td[data-stat='fg2_per_g']").text()
point_2_filed_goals_attempts_per_game = itme.find("td[data-stat='fg2a_per_g']").text()
fg2_pct = itme.find("td[data-stat='fg2_pct']").text()
efg_pct = itme.find("td[data-stat='efg_pct']").text()
ft_per_g = itme.find("td[data-stat='ft_per_g']").text()
fta_per_g = itme.find("td[data-stat='fta_per_g']").text()
ft_pct = itme.find("td[data-stat='ft_pct']").text()
orb_per_g = itme.find("td[data-stat='orb_per_g']").text()
drb_per_g = itme.find("td[data-stat='drb_per_g']").text()
trb_per_g = itme.find("td[data-stat='trb_per_g']").text()
ast_per_g = itme.find("td[data-stat='ast_per_g']").text()
stl_per_g = itme.find("td[data-stat='stl_per_g']").text()
blk_per_g = itme.find("td[data-stat='blk_per_g']").text()
tov_per_g = itme.find("td[data-stat='tov_per_g']").text()
pf_per_g = itme.find("td[data-stat='pf_per_g']").text()
pts_per_g = itme.find("td[data-stat='pts_per_g']").text()
item_data = {'season': season, "age": age, "team": team, "league": league, "position": position, "games": games,
"games_started": games_started, "minutes_played_per_game": minutes_played_per_game, "field_goals_per_game": field_goals_per_game,
"field_goals_attempts_per_game": field_goals_attempts_per_game, "field_goal_percentage": field_goal_percentage,
"point_3_field_goal_per_game": point_3_field_goal_per_game, "point_3_field_goal_percentage": point_3_field_goal_percentage,
"point_2_filed_goals_per_game": point_2_filed_goals_per_game, "point_2_filed_goals_attempts_per_game": point_2_filed_goals_attempts_per_game,
"fg2_pct": fg2_pct, "efg_pct": efg_pct, "ft_per_g": ft_per_g, "fta_per_g": fta_per_g, "ft_pct": ft_pct,
"orb_per_g": orb_per_g, "drb_per_g": drb_per_g, "trb_per_g": trb_per_g, "ast_per_g": ast_per_g, "stl_per_g": stl_per_g,
"blk_per_g": blk_per_g, "tov_per_g": tov_per_g, "pf_per_g": pf_per_g, "pts_per_g": pts_per_g}
print(item_data)
Dwyane_Wade_data.append(item_data)
data = pd.DataFrame(Dwyane_Wade_data)
data.to_csv("Dwyane_Wade_data.csv", encoding='utf_8_sig')
if __name__ == '__main__':
parse_html()
最后保存的 excel 表如下：
出场次数和首发数据分析
首先我们对韦德生涯参加的场数和时间进行一个分析。
games:参与的比赛场数（都为82场)
games_start: 先发次数
age：年龄
minutes_played: 平均每场比赛进行的时间
韦德 22 岁就进入 NBA 打比赛，出道就打了 61 场比赛，首发 56 场，往后的几年时间里都是打球队首发人员。一个赛季按 82 场来算，韦德在 2008 - 09 赛季恐怖的达到了 79 场比赛。
平均每场比赛时间都在 30 分钟以上。
从这些数据可以看出韦德是队伍中的主力军，绝对的领袖。
投球命中率
韦德投球命中率平均在 0.47 。
2013-14 赛季达到职业生涯最大命中率：0.55。
由于篇幅的问题其他的数据就暂时不再继续分析，感兴趣的同学可获取相应的源代码进行分析，这里给大家一个单词对照表。
链接: https://pan.baidu.com/s/1PCQ-gEX-aaV5JvgDva_0lQ 提取码: dx73
| 数据名 | 含义 |
|---|---|
| Rk -- Rank | 排名 |
| G -- Games | 参与的比赛场数（都为82场） |
| MP -- Minutes Played | 平均每场比赛进行的时间 |
| FG--Field Goals | 投球命中次数 |
| FGA--Field Goal Attempts | 投射次数 |
| FG%--Field Goal Percentage | 投球命中次数 |
| 3P--3-Point Field Goals | 三分球命中次数 |
| 3PA--3-Point Field Goal Attempts | 三分球投射次数 |
| 3P%--3-Point Field Goal Percentage | 三分球命中率 |
| 2P--2-Point Field Goals | 二分球命中次数 |
| 2PA--2-point Field Goal Attempts | 二分球投射次数 |
| 2P%--2-Point Field Goal Percentage | 二分球命中率 |
| FT--Free Throws | 罚球命中次数 |
| FTA--Free Throw Attempts | 罚球投射次数 |
| FT%--Free Throw Percentage | 罚球命中率 |
| ORB--Offensive Rebounds | 进攻篮板球 |
| DRB--Defensive Rebounds | 防守篮板球 |
| TRB--Total Rebounds | 篮板球总数 |
| AST--Assists | 辅助 |
| STL--Steals | 偷球 |
| BLK -- Blocks | 封阻 |
| TOV -- Turnovers | 失误 |
| PF -- Personal Fouls | 个犯 |
| PTS -- Points | 得分 |
在很多年后，当老詹和骚韦挺着日渐臃肿的肚子来到球场，看着场上的小詹和小腮帮在球场上尽情挥洒着天赋，一次次的空接暴扣，一次次的抢断反击，听着场下一声又一声的呐喊，会不会忽然就湿润了眼眶。
此文纪念我们逝去的青春。