马拉松跑步数据
Files & media
date
Sep 23, 2021
slug
marathon
status
Published
tags
python
data
summary
马拉松跑步数据分析及展示
type
Post
URL
先引入数据,准备进行分析
# 引入数据
import pandas as pd
data = pd.read_csv('~/data/cbcpv/marathon/marathon.csv')
data.sample(5)
OUT:
age
gender
split
final
19841
34
M
01:55:2504:50:0311002
28
W
01:55:0004:11:0011619
26
M
01:40:2804:13:524068
34
M
01:38:3003:30:216922
35
M
01:37:4403:48:37这个数据集有以下几个特征：
- age，运动员的年龄
- gender，运动员的性别
- split，半程所用时间
- final，全程所用时间，即最终成绩
自然,要先了解下数据的具体情况
data.info()
# 输出结果
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 37250 entries, 0 to 37249
Data columns (total 4 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 age 37250 non-null int64
1 gender 37250 non-null object
2 split 37250 non-null object
3 final 37250 non-null object
dtypes: int64(1), object(3)
memory usage: 1.1+ MB
可以看到并没缺失值, 不过
split和final特征中的数据不实数字类型, 用字符串表示了所用时间长度, 所以我们需要进行转化:import datetime
def convert_time(s):
h,m,s=map(int, s.split(':'))
return datetime.timedelta(hours=h, minutes=m, seconds=s)
使用完成的方法进行数据转换,我们从新读取一下数据:
df=pd.read_csv(
'~/data/cbcpv/marathon/marathon.csv',
converters={
'split': convert_time,
'final': convert_time
}
)
df.dtypes
# 输出结果
age int64
gender object
split timedelta64[ns]
final timedelta64[ns]
dtype: object
这次数据已经转换为
timedelta64类型, 下面我们就要转化时间为整数, 一般的做法都是秒或者毫秒数:d = datetime.timedelta(hours=1, minutes=0, seconds=0)
df2 = pd.DataFrame({'time':[d]})
df2.astype(int)
# 输出结果
time
0 3600000000000
我们看到的输出结果,是“纳秒“(ns)单位:
$$1s=10^9ns$$
我们还需要转化为秒:
d=datetime.timedelta(hours=1, minutes=0, seconds=0)
df2=pd.DataFrame({'time':[d]})
df2.astype(int) * 1e-9
# out
time
0 3600.0
然后我们要讲
split和final两个特征的数据进行转化df['split_sec']=df['split'].astype(int) * 1e-9
df['final_sec']=df['final'].astype(int) * 1e-9
df.sample(5)
OUT:
现在多了两个特征
split_sec和final_sec, 都是以秒为单位的浮点数.描述统计
先了解数据:
df.describe()
OUT:
age
split
final
split_sec
final_sec
居然年龄上最大的数据是86, 让我们看看特征的数据分布:
%matplotlib inline
import seaborn as sns
ax=sns.boxplot(x=df['age'])
这个箱线图反应了, 数据里确实有一些“离群值”.
数据分布
研究下数据分布, 看看
split_sec和final_secsns.displot(df['split_sec'])
sns.displot(df['final_sec'])
整体看来,两个特征下的数据都符合正态分布, 但是
final_sec的分布图比较胖.这次我们把
gender这个分类特征添加进来:sns.violinplot(x='gender', y='final_sec', data=df)
这些看到, 男性运动员在总体上还是比女性运动员要快一些.
寻找优秀的原因
跑马拉松或者了解这项运动的人都清楚, 运动员很关注整个赛程中前后半程的时间比较,好的选手是后半程用时和前半程近似. 因此, 我们来研究下, 这些运动员前后半程用时情况.
g=sns.jointplot('split_sec', 'final_sec', data=df, kind='hex')
# 绘制一条直线, 作为参考
import numpy as np
g.ax_joint.plot(np.linspace(4000, 16000), np.linspace(8000, 32000), ':k')
横坐标是
splict_sec特征, 即半程用时. 纵轴表示final_sec特征, 全程用时. 途中可以看出, 的确是越优秀的运动员,前半程用时越接近全程用时的一半, 甚至还有少数后半程跑的更快的.我们做个计算来深入研究下:
df['split_frac']=1-2*df['split_sec']/df['final_sec']
df.sample(5)
OUT:
age
gender
split
final
split_sec
final_sec
split_frac
2065
35
W
0 days 01:31:410 days 03:14:405501
11680
0.058048
9001
43
W
0 days 01:58:190 days 04:00:447099
14444
0.017031
30039
34
M
0 days 02:25:170 days 05:39:218717
20361
0.143755
27456
62
W
0 days 02:13:280 days 05:25:018008
19501
0.178709
13335
41
M
0 days 01:45:360 days 04:21:006336
15660
0.190805
用直方图再增加一个参考线来看看
split_frac特征中的数据分布:import matplotlib.pyplot as plt
sns.displot(df['split_frac'], kde=False)
# 垂直于 x 轴的直线，0 表示 x 轴位置
plt.axvline(0, color='k', linestyle='--')
从这张图中, 更清晰的看到全体参赛者的运动安排.
再来探究下不同特征之间的关系:
sns.pairplot(
data=df,
vars=['age','split_sec','final_sec','split_frac'],
hue='gender'
)
让我们来看下80岁选手的数量:
(df.age>=80).sum()
# OUT
15
下面, 我们划分下年龄段,看看各年龄段的成绩分布:
df['age_dec']=df['age'].map(lambda age: 10*(age//10))
sns.violinplot(
x='age_dec',
y='split_frac',
hue='gender',
data=df,
split=True,
inner='quartile',
palette=['lightblue', 'lightpink']
)
看这张图, 我们发现,不同性别的运动员的
split_frac特征数据分布中, 年龄越大,前后端的时间分布比相对集中.再看看全程用时分布比较:
sns.violinplot(
x='age_dec',
y='final_sec',
hue='gender',
data=df,
split=True,
inner='quartile',
palette=['lightblue', 'lightpink']
)
从30岁往后, 明显年纪越大,用时越长.