发表

「马拉松跑步数据

先引入数据,准备进行分析

1
2
3
4
# 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 01:55:25 04:50:03
11002 28 W 01:55:00 04:11:00
11619 26 M 01:40:28 04:13:52
4068 34 M 01:38:30 03:30:21
6922 35 M 01:37:44 03:48:37

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

1
2
3
4
5
6
7
8
9
10
11
12
13
14
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:

1
2
3
4
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:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
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:

1
2
3
4
5
6
7
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:

1
2
3
4
5
6
7
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

1
2
3
df['split_sec']=df['split'].astype(int) * 1e-9
df['final_sec']=df['final'].astype(int) * 1e-9
df.sample(5)

OUT:

age gender split final split_sec final_sec
11725 35 M 0 days 01:53:53 0 days 04:14:19 6833.0 15259.0
19815 24 M 0 days 01:58:45 0 days 04:49:57 7125.0 17397.0
5754 49 M 0 days 01:42:39 0 days 03:41:05 6159.0 13265.0
33166 46 M 0 days 02:31:37 0 days 06:06:17 9097.0 21977.0
9226 36 W 0 days 01:49:06 0 days 04:01:55 6546.0 14515.0

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:

1
df.describe()

OUT:

age split final split_sec final_sec
count 37250.000000 37250 37250 37250.000000 37250.000000
mean 40.697369 0 days 02:03:54.425664429 0 days 04:48:09.303597315 7434.425664 17289.303597
std 10.220043 0 days 00:22:55.093889674 0 days 01:03:32.145345151 1375.093890 3812.145345
min 17.000000 0 days 01:05:21 0 days 02:08:51 3921.000000 7731.000000
25% 33.000000 0 days 01:48:25 0 days 04:02:24 6505.000000 14544.000000
50% 40.000000 0 days 02:01:13 0 days 04:44:25 7273.000000 17065.000000
75% 48.000000 0 days 02:16:11 0 days 05:27:36 8171.000000 19656.000000
max 86.000000 0 days 04:59:49 0 days 10:01:08 17989.000000 36068.000000

居然年龄上最大的数据是 86, 让我们看看特征的数据分布:

1
2
3
%matplotlib inline
import seaborn as sns
ax=sns.boxplot(x=df['age'])

image-20210923215638259

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_sec

1
sns.displot(df['split_sec'])

image-20210923215655517

1
sns.displot(df['final_sec'])

image-20210923215712676

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:

1
sns.violinplot(x='gender', y='final_sec', data=df)

image-20210923215729962

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.

1
2
3
4
5
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')

image-20210923215745469

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:

1
2
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 01:31:41 0 days 03:14:40 5501.0 11680.0 0.058048
9001 43 W 0 days 01:58:19 0 days 04:00:44 7099.0 14444.0 0.017031
30039 34 M 0 days 02:25:17 0 days 05:39:21 8717.0 20361.0 0.143755
27456 62 W 0 days 02:13:28 0 days 05:25:01 8008.0 19501.0 0.178709
13335 41 M 0 days 01:45:36 0 days 04:21:00 6336.0 15660.0 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:

1
2
3
4
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='--')

image-20210923215830370

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:

1
2
3
4
5
sns.pairplot(
    data=df,
    vars=['age','split_sec','final_sec','split_frac'],
    hue='gender'
)

image-20210923215848042

让我们来看下 80 岁选手的数量:

1
2
3
4
(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:

1
2
3
4
5
6
7
8
9
10
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']
)

image-20210923215931464

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:

1
2
3
4
5
6
7
8
9
sns.violinplot(
    x='age_dec',
    y='final_sec',
    hue='gender',
    data=df,
    split=True,
    inner='quartile',
    palette=['lightblue', 'lightpink']
)

image-20210923215947281

从 30 岁往后, 明显年纪越大,用时越长.

「马拉松跑步数据

https://hivan.me/marathon/

作者

Hivan Du

发布于

2021-09-23

更新于

2024-01-16

许可协议

#

喜欢这篇文章？打赏一下作者吧

评论

关注我

链接

分类

最新文章

×