Original size 514x719

Анализ данных из Fifa 19 и их визуализация

PROTECT STATUS: not protected

Вводная часть

Для своего проекта я выбрал данные по игре Fifa 19, где представлены данные о лучших футболистах в этой игре (конкретно там представлены разные параметры от возраста до национальности). Я выбрал эти данные для анализа, так как мне очень интересна эта Fifa и я часто в нее играю. Данные я нашел на сайте data.world. Для анализа я выбрал такие параметры, как Рейтинг, Потенциал и Возраст футболистов, чтобы затем на основе этих параметров выявить лучших футболистов в игре.

Начальный этап

Итак, сначала я скачал csv файл с сайта data.world. Чтобы открыть файл в GoogleColab, я использовал такой код:

from google.colab import files uploaded = files.upload ()

Затем я узнал все названия столбцов в таблице:

import pandas as pd df = pd.read_csv ('data.csv') print (df.columns)

И на основе полученных данных, выбрал названия тех столбцов, чьи данные мне нужны — это «Overall», «Potential» и «Age»

Анализ Рейтинга, Возраста и Потенциала

Далее, я решил проанализировать данные из каждого столбца и визуализировать их в три отдельные гистограммы. Каждая гистограмма отражает среднее распределение данных каждого параметра на всех представленных в таблице игроков. Для анализа данных каждого из трех столбцов я ввел один и тот же код, где нужно только поменять в коде название столбца:

import pandas as pd import matplotlib.pyplot as plt

df = pd.read_csv ('data.csv')

overall_counts = df['Overall'].value_counts ().sort_index () print (overall_counts)

average_overall = df['Overall'].mean () print (f’Средний общий рейтинг: {average_overall:.2f}')

plt.figure (figsize=(10, 5)) plt.bar (overall_counts.index, overall_counts.values) plt.title ('Распределение общего рейтинга игроков (Overall)') plt.xlabel ('Общий рейтинг (Overall)') plt.ylabel ('Количество игроков') plt.axvline (average_overall, color='k', linestyle='dashed', linewidth=1) plt.text (average_overall + 0.5, max (overall_counts.values) / 2, f’Средний рейтинг: {average_overall:.2f}', color='k') plt.show ()

Финальная диаграмма

Далее я решил визуализировать финальную точечную диаграмму, где на основе анализа взаимодействия данных из каждого столбца выводились лучшие игроки Fifa 19 с их именами. Для этого я ввел такой код:

import matplotlib.pyplot as plt import seaborn as sns import pandas as pd

overall_threshold = 85 potential_threshold = 85 age_threshold_min = 20 age_threshold_max = 30

top_players = df[(df['Overall'] > overall_threshold) & (df['Potential'] > potential_threshold) & (df['Age'] ≥ age_threshold_min) & (df['Age'] ≤ age_threshold_max)]

plt.figure (figsize=(10, 6)) scatter = sns.scatterplot (x='Overall', y='Potential', size='Age', sizes=(100, 2000), hue='Age', data=top_players, palette='viridis', alpha=0.6)

for i in range (len (top_players)): plt.text (x=top_players['Overall'].iloc[i]+0.3, y=top_players['Potential'].iloc[i]+0.3, s=top_players['Name'].iloc[i], fontdict=dict (color='black', size=8), bbox=dict (facecolor='yellow', alpha=0.5))

plt.title ('Топ футболисты по Overall, Potential и Age') plt.xlabel ('Overall') plt.ylabel ('Potential') plt.legend (title='Age') plt.grid (True) plt.show ()

Стилизация

Далее я провел стилизацию всех четырех графиков, добавив каждому графику одинаковый размер, шрифт и внешний вид, и добавив на последний график цветовую шкалу, отображающую возраст игроков. Для этого я вписал такой код:

import matplotlib.pyplot as plt import seaborn as sns import pandas as pd from IPython.display import Image, display

plt.style.use ('seaborn-darkgrid')

def save_and_show_plot (data, kind, title, xlabel, ylabel, filename): plt.figure (figsize=(10, 6)) if kind == 'hist': plt.hist (data, bins=20, color='skyblue', edgecolor='black') elif kind == 'scatter':

    scatter = plt.scatter (data['Overall'], data['Potential'], s=data['Age']*10, c=data['Age'], cmap='viridis', edgecolor='black', alpha=0.7)

    plt.colorbar (scatter, label='Age')
    for i in range (len (data)):
        plt.text (x=data['Overall'].iloc[i]+0.3,
                 y=data['Potential'].iloc[i]+0.3,
                 s=data['Name'].iloc[i],
                 fontdict=dict (color='black', size=8),
                 bbox=dict (facecolor='white', alpha=0.5))

plt.title (title, fontsize=14, fontweight='bold') plt.xlabel (xlabel) plt.ylabel (ylabel) plt.savefig (filename) plt.close () display (Image (filename))

save_and_show_plot (df['Overall'], 'hist', 'Распределение Overall', 'Overall', 'Количество', 'overall_distribution.png') save_and_show_plot (df['Age'], 'hist', 'Распределение Age', 'Age', 'Количество', 'age_distribution.png') save_and_show_plot (df['Potential'], 'hist', 'Распределение Potential', 'Potential', 'Количество', 'potential_distribution.png')

top_players = df[(df['Overall'] > 85) & (df['Potential'] > 85)]

save_and_show_plot (top_players, 'scatter', 'Топ футболисты по Overall и Potential с указанием возраста', 'Overall', 'Potential', 'top_players_scatter.png')

Финальные графики

Original size 1000x600
Original size 1000x600
Original size 1000x600
Original size 1000x600

Вывод

Лучшим футболистом в Fifa 19 оказался Криштиану Роналду!

Ссылка на блокнот с кодом и датасет

https://drive.google.com/drive/folders/1_F8XcwxMZ3W3gwPg4YdArAKjJTvAwl2K?usp=sharing

Описание применения генеративной модели

Для этого проекта я использовал ИИ GPT Chatbot для помощи в создании сложных кодов для последнего графика анализа лучших игроков игры и для кода, который выполняет стилизацию всех четырех графиков. Ссылка на него ниже:

https://gpt-chatbot.ru/

Анализ данных из Fifa 19 и их визуализация
Иван Демидов провёл анализ данных из Fifa 19 и создал их визуализацию в виде гистограмм и точечной диаграммы. Проект включает в себя точечную диаграмму с именами топ-футболистов, отобранных на основе рейтинга, потенциала и возраста.
Project description created with AI
Project created at 08.10.2024
More projects in artificial intelligence
Елизавета Богатенкова провела анализ зависимости расстройств сна от профессии и уровня стресса на основе набора данных Kaggle. В исследовании использовались гистограммы и круговые диаграммы для визуализации статистики нарушений сна среди врачей, медсестер, менеджеров и менеджеров по продажам.
Маргарита Корнеева провела анализ данных о немецких автомобилях, чтобы сравнить разные марки и модели для возможного покупания. Проект включает визуализацию данных в виде круговой, столбчатой и гистограммной диаграмм, а также несколько графиков для наглядного представления результатов.
Милана Цишба создала визуализацию данных о динамике ВВП для восьми стран за разные периоды. Проект включает линейные диаграммы, тепловые карты, гистограммы и географические карты с указанием средних значений.
Елизавета Суркова провела анализ продаж компьютерных игр, используя код и графики для выявления тенденций в игровой индустрии. Проект включает интерактивные графики и обработку данных из 16 000 строк, охватывающих продажи с 1980 по 2016 год.
brnd
For us, a startup is a creative and innovative project with great potential for growth. We are dedicated to finding the best projects and helping them refine their concept, develop branding, and create effective promotion strategies. We also invest in production and replication to ensure their success. Are you ready to take your business to the next level? Join our startup incubator program and let us help you grow.
Brand accelerator
Startup ideas
Marketplace shops
We use cookies to improve the operation of the website and to enhance its usability. More detailed information on the use of cookies can be fo...
Show more