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}勇士推荐分析预测

    reponse = requests.get(url, headers=headers)

    if reponse.status_code == 200:

        html = reponse.text

        extract_htm(html) 火箭直播

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

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！