notebook.community

Edit and run



In [6]:

    
import numpy as np
import pandas as pd
import matplotlib.pyplot as plot
import matplotlib
matplotlib.style.use("ggplot")
%matplotlib inline



In [7]:

    
fingerlakes_data = pd.read_csv("FIngerlakes_OPR_Normalized.csv")



In [8]:

    
fingerlakes_data









    Out[8]:






  
    
      
      Fingerlakes
      OPR 2015
      OPR 2014
      OPR 2013
      OPR 2012
      OPR 2011
      OPR 2010
      OPR 2009
      OPR 2008
    
  
  
    
      0
      20
      0.782362
      0.957689
      1.000000
      0.625440
      0.916688
      1.000000
      0.945262
      0.320376
    
    
      1
      73
      0.131340
      0.663954
      0.039917
      0.494278
      0.666494
      0.140302
      0.796784
      0.000000
    
    
      2
      174
      0.490159
      0.676159
      0.633264
      0.923415
      0.214748
      0.909343
      0.535751
      0.770049
    
    
      3
      191
      0.765708
      0.612693
      0.843243
      0.863116
      0.035705
      0.863398
      0.619569
      0.436170
    
    
      4
      250
      0.753217
      0.598454
      0.855717
      0.762764
      0.142303
      0.117484
      0.922682
      0.540098
    
    
      5
      340
      0.884557
      0.790073
      0.944283
      0.974032
      0.919017
      0.799568
      0.878549
      0.734452
    
    
      6
      369
      0.242241
      0.847437
      0.940541
      0.889085
      0.138680
      NaN
      0.063975
      0.356792
    
    
      7
      378
      0.767222
      0.870627
      0.883992
      0.541813
      0.558603
      0.000000
      0.872733
      0.044599
    
    
      8
      395
      0.482210
      0.534581
      0.437838
      0.778609
      0.254334
      0.238051
      0.868628
      0.868249
    
    
      9
      578
      0.833081
      0.707486
      0.415800
      0.757923
      0.119276
      1.007709
      0.952788
      0.016776
    
    
      10
      639
      0.481453
      0.764036
      0.827443
      0.911972
      0.124709
      0.250694
      0.819364
      0.362520
    
    
      11
      810
      0.536336
      0.338080
      0.758004
      0.503521
      0.161449
      0.639223
      NaN
      0.603928
    
    
      12
      1126
      0.978804
      0.900325
      0.754678
      0.448944
      0.082277
      0.408881
      0.340746
      0.798691
    
    
      13
      1405
      0.866768
      0.879170
      0.875676
      0.614437
      0.550841
      NaN
      0.436196
      0.122340
    
    
      14
      1450
      0.530280
      0.097234
      0.821622
      0.707746
      0.130660
      0.737280
      1.000000
      0.006137
    
    
      15
      1507
      0.956472
      1.000000
      0.960499
      1.000000
      0.029495
      0.103608
      0.000000
      0.256956
    
    
      16
      1511
      0.804315
      0.925549
      0.544699
      0.920775
      0.828461
      0.908726
      0.459117
      0.490998
    
    
      17
      1518
      0.204391
      0.714402
      0.377963
      0.357835
      1.000000
      0.039161
      0.580568
      0.177578
    
    
      18
      1551
      0.325889
      0.829943
      0.750520
      0.675616
      0.075550
      0.108233
      0.216900
      1.000000
    
    
      19
      1559
      0.864875
      0.726200
      0.850728
      0.713908
      NaN
      0.182547
      0.763941
      0.546645
    
    
      20
      1585
      0.471991
      0.874288
      0.352599
      NaN
      0.263389
      0.231267
      0.333561
      1.000000
    
    
      21
      1591
      0.158213
      0.030106
      0.044491
      0.272887
      0.445278
      0.276287
      0.189873
      0.320786
    
    
      22
      1665
      0.728615
      0.133035
      0.678170
      0.794454
      0.076326
      0.191181
      0.087923
      0.083470
    
    
      23
      1765
      0.255110
      0.201383
      0.254886
      0.331866
      1.000000
      NaN
      NaN
      NaN
    
    
      24
      1880
      0.165405
      0.142799
      0.088150
      0.282570
      0.468564
      0.364786
      NaN
      NaN
    
    
      25
      2010
      0.584406
      0.771359
      0.543451
      0.195863
      0.057956
      0.391921
      NaN
      NaN
    
    
      26
      2228
      0.925435
      0.451993
      0.845322
      0.973592
      0.000000
      NaN
      NaN
      NaN
    
    
      27
      2340
      0.000000
      0.672091
      0.391268
      0.448063
      NaN
      NaN
      NaN
      NaN
    
    
      28
      2383
      0.981075
      0.666395
      0.784200
      0.893046
      NaN
      NaN
      NaN
      NaN
    
    
      29
      2638
      0.786525
      0.909683
      0.910187
      0.702905
      NaN
      NaN
      NaN
      NaN
    
    
      30
      2791
      0.655942
      0.803906
      0.886902
      0.762324
      NaN
      NaN
      NaN
      NaN
    
    
      31
      2809
      0.099924
      0.945077
      0.753015
      0.401849
      NaN
      NaN
      NaN
      NaN
    
    
      32
      3003
      0.900076
      0.709927
      0.851559
      0.837148
      NaN
      NaN
      NaN
      NaN
    
    
      33
      3015
      0.795609
      0.853539
      0.969231
      0.915493
      NaN
      NaN
      NaN
      NaN
    
    
      34
      3044
      0.759652
      0.737998
      0.651143
      0.374560
      NaN
      NaN
      NaN
      NaN
    
    
      35
      3157
      0.772521
      0.000000
      0.159252
      0.526408
      NaN
      NaN
      NaN
      NaN
    
    
      36
      3173
      0.805829
      0.378763
      0.998753
      0.287412
      NaN
      NaN
      NaN
      NaN
    
    
      37
      3181
      0.331567
      0.244101
      0.757173
      0.558539
      NaN
      NaN
      NaN
      NaN
    
    
      38
      3799
      0.423543
      0.461758
      0.000000
      0.156250
      NaN
      NaN
      NaN
      NaN
    
    
      39
      3838
      0.819076
      0.096420
      0.702703
      0.740757
      NaN
      NaN
      NaN
      NaN
    
    
      40
      3951
      0.612793
      0.511391
      0.331393
      0.690581
      NaN
      NaN
      NaN
      NaN
    
    
      41
      4023
      NaN
      0.109032
      0.116008
      0.000000
      NaN
      NaN
      NaN
      NaN
    
    
      42
      4093
      0.394777
      0.173312
      0.232848
      0.273327
      NaN
      NaN
      NaN
      NaN
    
    
      43
      4930
      0.445496
      0.770545
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
    
    
      44
      5030
      0.886450
      0.813670
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
    
    
      45
      5254
      1.000000
      0.913344
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
    
    
      46
      5349
      0.214989
      0.786412
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
    
    
      47
      5433
      0.045042
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
    
    
      48
      5590
      0.723316
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN



In [10]:

    
def make_data_groups(dataframe, column_names):
    master_group = []
    for i in column_names:
        group = []
        group.append(dataframe[i])
        master_group.append(group)
    return master_group

check_it_out = make_data_groups(fingerlakes_data, team_numbers_list)









    



---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
<ipython-input-10-2312f6ea0541> in <module>()
      7     return master_group
      8 
----> 9 check_it_out = make_data_groups(fingerlakes_data, team_numbers_list)

NameError: name 'team_numbers_list' is not defined



In [11]:

    
team_numbers = fingerlakes_data[:0]
team_numbers_list = list(team_numbers)
del team_numbers_list[0]
# team_numbers_list = map(int, team_numbers_list)
print team_numbers_list

medians = fingerlakes_data.median()
sorted_medians = medians.sort_values()
sorted_med_list = list(sorted_medians)
median_keys = list(sorted_medians.keys())
real_keys = median_keys.reverse()









    



['OPR 2015', 'OPR 2014', 'OPR 2013', 'OPR 2012', 'OPR 2011', 'OPR 2010', 'OPR 2009', 'OPR 2008']



In [ ]:

    
check_it_out = make_data_groups(fingerlakes_data, median_keys)

labels = median_keys

figure = plot.boxplot(check_it_out)
plot.title('Standardized OPR from 2008-2015 (Fingerlakes)', fontsize=32)
plot.ylabel('Adjusted OPR', fontsize=24)
plot.xlabel('Team Number', fontsize=24)
fig = matplotlib.pyplot.gcf()
fig.set_size_inches(20, 10)
plot.xticks(range(52), labels, rotation='vertical')
plot.savefig('opr_boxplots_fingerlakes.png')

	Fingerlakes	OPR 2015	OPR 2014	OPR 2013	OPR 2012	OPR 2011	OPR 2010	OPR 2009	OPR 2008
0	20	0.782362	0.957689	1.000000	0.625440	0.916688	1.000000	0.945262	0.320376
1	73	0.131340	0.663954	0.039917	0.494278	0.666494	0.140302	0.796784	0.000000
2	174	0.490159	0.676159	0.633264	0.923415	0.214748	0.909343	0.535751	0.770049
3	191	0.765708	0.612693	0.843243	0.863116	0.035705	0.863398	0.619569	0.436170
4	250	0.753217	0.598454	0.855717	0.762764	0.142303	0.117484	0.922682	0.540098
5	340	0.884557	0.790073	0.944283	0.974032	0.919017	0.799568	0.878549	0.734452
6	369	0.242241	0.847437	0.940541	0.889085	0.138680	NaN	0.063975	0.356792
7	378	0.767222	0.870627	0.883992	0.541813	0.558603	0.000000	0.872733	0.044599
8	395	0.482210	0.534581	0.437838	0.778609	0.254334	0.238051	0.868628	0.868249
9	578	0.833081	0.707486	0.415800	0.757923	0.119276	1.007709	0.952788	0.016776
10	639	0.481453	0.764036	0.827443	0.911972	0.124709	0.250694	0.819364	0.362520
11	810	0.536336	0.338080	0.758004	0.503521	0.161449	0.639223	NaN	0.603928
12	1126	0.978804	0.900325	0.754678	0.448944	0.082277	0.408881	0.340746	0.798691
13	1405	0.866768	0.879170	0.875676	0.614437	0.550841	NaN	0.436196	0.122340
14	1450	0.530280	0.097234	0.821622	0.707746	0.130660	0.737280	1.000000	0.006137
15	1507	0.956472	1.000000	0.960499	1.000000	0.029495	0.103608	0.000000	0.256956
16	1511	0.804315	0.925549	0.544699	0.920775	0.828461	0.908726	0.459117	0.490998
17	1518	0.204391	0.714402	0.377963	0.357835	1.000000	0.039161	0.580568	0.177578
18	1551	0.325889	0.829943	0.750520	0.675616	0.075550	0.108233	0.216900	1.000000
19	1559	0.864875	0.726200	0.850728	0.713908	NaN	0.182547	0.763941	0.546645
20	1585	0.471991	0.874288	0.352599	NaN	0.263389	0.231267	0.333561	1.000000
21	1591	0.158213	0.030106	0.044491	0.272887	0.445278	0.276287	0.189873	0.320786
22	1665	0.728615	0.133035	0.678170	0.794454	0.076326	0.191181	0.087923	0.083470
23	1765	0.255110	0.201383	0.254886	0.331866	1.000000	NaN	NaN	NaN
24	1880	0.165405	0.142799	0.088150	0.282570	0.468564	0.364786	NaN	NaN
25	2010	0.584406	0.771359	0.543451	0.195863	0.057956	0.391921	NaN	NaN
26	2228	0.925435	0.451993	0.845322	0.973592	0.000000	NaN	NaN	NaN
27	2340	0.000000	0.672091	0.391268	0.448063	NaN	NaN	NaN	NaN
28	2383	0.981075	0.666395	0.784200	0.893046	NaN	NaN	NaN	NaN
29	2638	0.786525	0.909683	0.910187	0.702905	NaN	NaN	NaN	NaN
30	2791	0.655942	0.803906	0.886902	0.762324	NaN	NaN	NaN	NaN
31	2809	0.099924	0.945077	0.753015	0.401849	NaN	NaN	NaN	NaN
32	3003	0.900076	0.709927	0.851559	0.837148	NaN	NaN	NaN	NaN
33	3015	0.795609	0.853539	0.969231	0.915493	NaN	NaN	NaN	NaN
34	3044	0.759652	0.737998	0.651143	0.374560	NaN	NaN	NaN	NaN
35	3157	0.772521	0.000000	0.159252	0.526408	NaN	NaN	NaN	NaN
36	3173	0.805829	0.378763	0.998753	0.287412	NaN	NaN	NaN	NaN
37	3181	0.331567	0.244101	0.757173	0.558539	NaN	NaN	NaN	NaN
38	3799	0.423543	0.461758	0.000000	0.156250	NaN	NaN	NaN	NaN
39	3838	0.819076	0.096420	0.702703	0.740757	NaN	NaN	NaN	NaN
40	3951	0.612793	0.511391	0.331393	0.690581	NaN	NaN	NaN	NaN
41	4023	NaN	0.109032	0.116008	0.000000	NaN	NaN	NaN	NaN
42	4093	0.394777	0.173312	0.232848	0.273327	NaN	NaN	NaN	NaN
43	4930	0.445496	0.770545	NaN	NaN	NaN	NaN	NaN	NaN
44	5030	0.886450	0.813670	NaN	NaN	NaN	NaN	NaN	NaN
45	5254	1.000000	0.913344	NaN	NaN	NaN	NaN	NaN	NaN
46	5349	0.214989	0.786412	NaN	NaN	NaN	NaN	NaN	NaN
47	5433	0.045042	NaN	NaN	NaN	NaN	NaN	NaN	NaN
48	5590	0.723316	NaN	NaN	NaN	NaN	NaN	NaN	NaN