In [1]:
#Variable Analysis
In [2]:
#Import Packages
from Schedule.Schedule import Schedule
from Schedule.Stats import Stats
import pandas as pd
//anaconda/lib/python2.7/site-packages/pandas/computation/__init__.py:19: UserWarning: The installed version of numexpr 2.4.4 is not supported in pandas and will be not be used
UserWarning)
In [3]:
#Get schedule of games
sched_2014 = Schedule(b_dt = '10/1/2014')
sched_2015 = Schedule(b_dt = '10/1/2015')
In [4]:
#Add four factors
sched_2014.add_four_factors()
sched_2015.add_four_factors()
Out[4]:
Team_ID_home
Game_ID
FGM_home
FGA_home
FG_PCT_home
FG3M_home
FG3A_home
FG3_PCT_home
FTM_home
FTA_home
...
Home Team
Away Team
H_FF_EFG
H_FF_ORB
H_FF_FTFGA
H_FF_TOV
A_FF_EFG
A_FF_ORB
A_FF_FTFGA
A_FF_TOV
0
1610612737
21501188
46
88
0.523
17
33
0.515
9
11
...
ATL
BOS
0.619318
0.142857
0.102273
0.162152
0.505556
0.204082
0.177778
0.142099
1
1610612737
21501173
33
76
0.434
12
32
0.375
17
21
...
ATL
TOR
0.513158
0.116279
0.223684
0.139425
0.428571
0.181818
0.178571
0.114823
2
1610612737
21501157
39
95
0.411
11
34
0.324
14
19
...
ATL
PHX
0.468421
0.245283
0.147368
0.150432
0.444444
0.229167
0.222222
0.223881
3
1610612737
21501131
38
95
0.400
9
30
0.300
23
26
...
ATL
CLE
0.447368
0.098039
0.242105
0.128822
0.459184
0.203704
0.204082
0.106534
4
1610612737
21501076
41
97
0.423
5
32
0.156
14
17
...
ATL
MIL
0.448454
0.340000
0.144330
0.111698
0.434524
0.363636
0.202381
0.158831
5
1610612737
21501048
38
78
0.487
13
33
0.394
13
17
...
ATL
WAS
0.570513
0.054054
0.166667
0.143619
0.576923
0.225000
0.131868
0.090180
6
1610612737
21501029
44
88
0.500
14
38
0.368
7
12
...
ATL
HOU
0.579545
0.200000
0.079545
0.159553
0.422619
0.326087
0.309524
0.170614
7
1610612737
21501015
40
80
0.500
12
26
0.462
24
28
...
ATL
DEN
0.575000
0.189189
0.300000
0.123305
0.482759
0.214286
0.160920
0.140732
8
1610612737
21500984
40
85
0.471
15
30
0.500
9
10
...
ATL
IND
0.558824
0.225000
0.105882
0.157233
0.408046
0.145833
0.045977
0.161486
9
1610612737
21500974
36
84
0.429
11
34
0.324
12
17
...
ATL
MEM
0.494048
0.173913
0.142857
0.116427
0.378947
0.338983
0.115789
0.164677
10
1610612737
21500878
38
77
0.494
8
17
0.471
3
5
...
ATL
CHA
0.545455
0.162162
0.038961
0.170068
0.376543
0.192308
0.185185
0.068871
11
1610612737
21500865
37
89
0.416
7
34
0.206
22
24
...
ATL
CHI
0.455056
0.288889
0.247191
0.112751
0.392045
0.326923
0.215909
0.198649
12
1610612737
21500836
36
86
0.419
10
34
0.294
10
16
...
ATL
GSW
0.476744
0.177778
0.116279
0.166601
0.516854
0.133333
0.112360
0.128357
13
1610612737
21500819
44
106
0.415
9
41
0.220
12
18
...
ATL
MIL
0.457547
0.172414
0.113208
0.133422
0.456731
0.303571
0.211538
0.143970
14
1610612737
21500808
41
87
0.471
16
36
0.444
13
13
...
ATL
MIA
0.563218
0.181818
0.149425
0.198638
0.545455
0.227273
0.215909
0.134202
15
1610612737
21500780
43
92
0.467
12
29
0.414
12
20
...
ATL
ORL
0.532609
0.163265
0.130435
0.131086
0.543011
0.133333
0.172043
0.118527
16
1610612737
21500750
39
76
0.513
10
27
0.370
14
20
...
ATL
IND
0.578947
0.081081
0.184211
0.154959
0.489011
0.395833
0.076923
0.200084
17
1610612737
21500723
42
80
0.525
14
35
0.400
14
19
...
ATL
DAL
0.612500
0.156250
0.175000
0.152501
0.405882
0.181818
0.329412
0.061400
18
1610612737
21500687
33
79
0.418
10
23
0.435
7
14
...
ATL
LAC
0.481013
0.177778
0.088608
0.221864
0.417647
0.180000
0.164706
0.114298
19
1610612737
21500620
41
80
0.513
9
19
0.474
7
10
...
ATL
ORL
0.568750
0.114286
0.087500
0.174538
0.379310
0.203704
0.172414
0.132924
20
1610612737
21500602
44
79
0.557
8
29
0.276
18
24
...
ATL
BKN
0.607595
0.147059
0.227848
0.105753
0.474359
0.166667
0.153846
0.176422
21
1610612737
21500551
49
94
0.521
10
24
0.417
12
15
...
ATL
CHI
0.574468
0.190476
0.127660
0.139405
0.475904
0.272727
0.313253
0.198788
22
1610612737
21500521
37
87
0.425
15
39
0.385
12
19
...
ATL
NYK
0.511494
0.285714
0.137931
0.137770
0.505952
0.289474
0.261905
0.097234
23
1610612737
21500442
47
88
0.534
8
24
0.333
15
18
...
ATL
NYK
0.579545
0.250000
0.170455
0.094817
0.524691
0.307692
0.160494
0.223396
24
1610612737
21500429
43
89
0.483
6
20
0.300
15
20
...
ATL
DET
0.516854
0.232558
0.168539
0.128968
0.466292
0.288889
0.191011
0.133946
25
1610612737
21500413
37
77
0.481
9
29
0.310
23
28
...
ATL
POR
0.538961
0.052632
0.298701
0.102754
0.500000
0.325581
0.197531
0.190114
26
1610612737
21500376
48
78
0.615
10
21
0.476
21
24
...
ATL
PHI
0.679487
0.074074
0.269231
0.121753
0.600000
0.233333
0.213333
0.218775
27
1610612737
21500360
33
84
0.393
8
33
0.242
14
15
...
ATL
MIA
0.440476
0.152174
0.166667
0.143443
0.488764
0.333333
0.146067
0.156904
28
1610612737
21500347
30
80
0.375
5
24
0.208
13
16
...
ATL
SAS
0.406250
0.140000
0.162500
0.175185
0.554054
0.187500
0.283784
0.228447
29
1610612737
21500286
37
74
0.500
10
26
0.385
16
20
...
ATL
LAL
0.567568
0.250000
0.216216
0.187225
0.447674
0.306122
0.116279
0.172563
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
1200
1610612762
21500860
33
77
0.429
3
17
0.176
9
12
...
UTA
SAS
0.448052
0.105263
0.116883
0.123208
0.537975
0.250000
0.139241
0.127492
1201
1610612762
21500843
38
74
0.514
10
24
0.417
31
38
...
UTA
HOU
0.581081
0.250000
0.418919
0.202468
0.477011
0.250000
0.356322
0.129582
1202
1610612762
21500817
37
68
0.544
10
23
0.435
27
44
...
UTA
BOS
0.617647
0.235294
0.397059
0.158966
0.413580
0.156863
0.320988
0.073038
1203
1610612762
21500758
30
77
0.390
8
27
0.296
16
23
...
UTA
MIL
0.441558
0.260870
0.207792
0.166445
0.471831
0.175000
0.197183
0.214500
1204
1610612762
21500743
33
74
0.446
5
22
0.227
14
20
...
UTA
DEN
0.479730
0.200000
0.189189
0.157658
0.400000
0.230769
0.357143
0.156390
1205
1610612762
21500728
38
85
0.447
7
18
0.389
22
33
...
UTA
CHI
0.488235
0.227273
0.258824
0.135240
0.461111
0.166667
0.144444
0.133588
1206
1610612762
21500704
40
76
0.526
10
25
0.400
13
16
...
UTA
MIN
0.592105
0.285714
0.171053
0.151093
0.480000
0.302326
0.240000
0.160110
1207
1610612762
21500690
40
81
0.494
12
31
0.387
10
15
...
UTA
CHA
0.567901
0.189189
0.123457
0.110375
0.411765
0.116279
0.250000
0.199468
1208
1610612762
21500673
34
85
0.400
9
29
0.310
15
18
...
UTA
DET
0.452941
0.255319
0.176471
0.138416
0.526667
0.159091
0.213333
0.108085
1209
1610612762
21500608
41
83
0.494
12
24
0.500
15
18
...
UTA
LAL
0.566265
0.282051
0.180723
0.111210
0.394444
0.285714
0.122222
0.145955
1210
1610612762
21500591
35
83
0.422
6
34
0.176
25
34
...
UTA
SAC
0.457831
0.200000
0.301205
0.128764
0.493243
0.333333
0.405405
0.160462
1211
1610612762
21500555
39
71
0.549
9
20
0.450
11
18
...
UTA
MIA
0.612676
0.172414
0.154930
0.177936
0.451220
0.319149
0.109756
0.185833
1212
1610612762
21500518
30
75
0.400
12
29
0.414
19
25
...
UTA
HOU
0.480000
0.348837
0.253333
0.174419
0.566176
0.171429
0.235294
0.183402
1213
1610612762
21500503
31
75
0.413
9
27
0.333
21
28
...
UTA
MEM
0.473333
0.219512
0.280000
0.169635
0.450617
0.170213
0.172840
0.115256
1214
1610612762
21500489
43
86
0.500
15
33
0.455
8
11
...
UTA
POR
0.587209
0.279070
0.093023
0.059637
0.551282
0.210526
0.128205
0.116063
1215
1610612762
21500467
28
84
0.333
7
26
0.269
32
36
...
UTA
PHI
0.375000
0.340909
0.380952
0.150240
0.447674
0.173913
0.162791
0.172480
1216
1610612762
21500452
36
74
0.486
10
27
0.370
22
27
...
UTA
LAC
0.554054
0.228571
0.297297
0.170430
0.563291
0.200000
0.253165
0.126904
1217
1610612762
21500417
36
79
0.456
9
25
0.360
29
37
...
UTA
PHX
0.512658
0.261905
0.367089
0.106067
0.436709
0.200000
0.253165
0.140268
1218
1610612762
21500395
34
73
0.466
10
25
0.400
19
25
...
UTA
DEN
0.534247
0.147059
0.260274
0.150538
0.430380
0.306122
0.253165
0.157303
1219
1610612762
21500380
32
67
0.478
7
20
0.350
23
29
...
UTA
NOP
0.529851
0.151515
0.343284
0.138313
0.534247
0.216216
0.356164
0.114521
1220
1610612762
21500341
33
78
0.423
8
28
0.286
16
24
...
UTA
OKC
0.474359
0.244444
0.205128
0.124210
0.506329
0.282051
0.177215
0.147660
1221
1610612762
21500327
39
80
0.488
9
21
0.429
19
23
...
UTA
NYK
0.543750
0.236842
0.237500
0.147183
0.448718
0.142857
0.192308
0.107666
1222
1610612762
21500297
43
92
0.467
8
23
0.348
28
37
...
UTA
IND
0.510870
0.372549
0.304348
0.143843
0.494624
0.255319
0.290323
0.135184
1223
1610612762
21500279
31
72
0.431
14
33
0.424
18
24
...
UTA
ORL
0.527778
0.138889
0.250000
0.196769
0.494382
0.209302
0.168539
0.103520
1224
1610612762
21500259
40
89
0.449
6
19
0.316
17
22
...
UTA
GSW
0.483146
0.243902
0.191011
0.082747
0.573171
0.358974
0.146341
0.167411
1225
1610612762
21500243
38
82
0.463
9
18
0.500
16
21
...
UTA
NOP
0.518293
0.279070
0.195122
0.159168
0.456522
0.097561
0.347826
0.169851
1226
1610612762
21500208
28
73
0.384
5
19
0.263
28
40
...
UTA
OKC
0.417808
0.302326
0.383562
0.212982
0.616883
0.176471
0.207792
0.168563
1227
1610612762
21500173
35
72
0.486
7
22
0.318
16
22
...
UTA
TOR
0.534722
0.200000
0.222222
0.185428
0.456250
0.209302
0.200000
0.150667
1228
1610612762
21500091
31
74
0.419
12
27
0.444
15
18
...
UTA
MEM
0.500000
0.225000
0.202703
0.223595
0.362637
0.245283
0.142857
0.142624
1229
1610612762
21500068
33
88
0.375
5
24
0.208
21
33
...
UTA
POR
0.403409
0.313725
0.238636
0.094221
0.603896
0.351351
0.194805
0.195715
1230 rows × 52 columns
In [5]:
# Doing dunk data much much later
#sched_2014.add_dunk_data(log = True)
In [6]:
sched_2014.get_games().columns
Out[6]:
Index([u'Team_ID_home', u'Game_ID', u'FGM_home', u'FGA_home', u'FG_PCT_home',
u'FG3M_home', u'FG3A_home', u'FG3_PCT_home', u'FTM_home', u'FTA_home',
u'FT_PCT_home', u'OREB_home', u'DREB_home', u'REB_home', u'AST_home',
u'STL_home', u'BLK_home', u'TOV_home', u'PF_home', u'PTS_home',
u'Team_ID_away', u'FGM_away', u'FGA_away', u'FG_PCT_away', u'FG3M_away',
u'FG3A_away', u'FG3_PCT_away', u'FTM_away', u'FTA_away', u'FT_PCT_away',
u'OREB_away', u'DREB_away', u'REB_away', u'AST_away', u'STL_away',
u'BLK_away', u'TOV_away', u'PF_away', u'PTS_away', u'GAME_DATE', u'WL',
u'MIN', u'Home Team', u'Away Team', u'H_FF_EFG', u'H_FF_ORB',
u'H_FF_FTFGA', u'H_FF_TOV', u'A_FF_EFG', u'A_FF_ORB', u'A_FF_FTFGA',
u'A_FF_TOV', u'H_dunk_made', u'H_dunk_miss', u'H_dunk_score'],
dtype='object')
In [15]:
games_2014 = sched_2014.get_games()
games_2014['Pts_diff'] = [x-y for x,y in zip(games_2014['PTS_home'], games_2014['PTS_away'])]
games_2014 = games_2014[['PTS_home', 'PTS_away', 'GAME_DATE', 'WL', 'Home Team', 'Away Team', 'H_FF_EFG', 'H_FF_ORB', 'H_FF_FTFGA', 'H_FF_TOV', 'A_FF_EFG', 'A_FF_ORB', 'A_FF_FTFGA', 'A_FF_TOV']]
games_2014 = games_2014.rename(index = str, columns = {'PTS_away':'A_PTS', 'PTS_home':'H_PTS', 'WL':'H_WL'})
games_2014['H_WL'] = [1 if x=='W' else 0 for x in games_2014['H_WL']]
games_2014['A_WL'] = [1-x for x in games_2014['H_WL']]
stats_2014 = Stats(games_2014, 'avg', 'GAME_DATE', 'Home Team', 'Away Team', 'H_PTS')
stats_5 = stats_2014.get_lastn_stats(5)
In [31]:
games_2015 = sched_2015.get_games()
games_2015['Pts_diff'] = [x-y for x,y in zip(games_2015['PTS_home'], games_2015['PTS_away'])]
games_2015 = games_2015[['Pts_diff', 'PTS_home', 'PTS_away', 'GAME_DATE', 'WL', 'Home Team', 'Away Team', 'H_FF_EFG', 'H_FF_ORB', 'H_FF_FTFGA', 'H_FF_TOV', 'A_FF_EFG', 'A_FF_ORB', 'A_FF_FTFGA', 'A_FF_TOV']]
games_2015 = games_2015.rename(index = str, columns = {'PTS_away':'A_PTS', 'PTS_home':'H_PTS', 'WL':'H_WL'})
games_2015['H_WL'] = [1 if x=='W' else 0 for x in games_2015['H_WL']]
games_2015['A_WL'] = [1-x for x in games_2015['H_WL']]
stats_2015 = Stats(games_2015, 'avg', 'GAME_DATE', 'Home Team', 'Away Team', 'Pts_diff')
stats_5 = stats_5.append(stats_2015.get_lastn_stats(5))
stats_5.to_csv('stats_5.csv', index = False)
In [35]:
import numpy as np
print len(stats_5)
print len(stats_5[np.isnan(stats_5['Pts_diff'])])
print stats_5[np.isnan(stats_5['Pts_diff'])].head(100)
3690
2460
A_FF_EFG_5 A_FF_FTFGA_5 A_FF_ORB_5 A_FF_TOV_5 A_O_FF_EFG_5 \
0 0.450784 0.238792 0.243566 0.166777 0.474599
1 0.424693 0.178731 0.253427 0.117165 0.464448
2 0.460698 0.186828 0.185247 0.142159 0.500758
3 0.543058 0.189876 0.222998 0.101837 0.522147
4 0.479723 0.221694 0.315543 0.182215 0.531703
5 0.509991 0.156372 0.235657 0.161993 0.487430
6 0.543105 0.256152 0.197857 0.118132 0.493483
7 0.486684 0.289572 0.251814 0.150163 0.546025
8 0.510254 0.217250 0.287771 0.134782 0.495924
9 0.497685 0.255029 0.254501 0.156497 0.430168
10 0.482137 0.192067 0.222349 0.147826 0.453760
11 0.479766 0.193313 0.207459 0.160196 0.457701
12 0.486287 0.268311 0.232463 0.136686 0.478095
13 0.532848 0.170608 0.255958 0.126473 0.466577
14 0.502075 0.240814 0.259637 0.159196 0.498517
15 0.461571 0.183442 0.290399 0.185671 0.450156
16 0.476315 0.201649 0.213316 0.116419 0.505700
17 0.452525 0.212650 0.228782 0.134640 0.553720
18 0.456223 0.156175 0.255241 0.135920 0.533796
19 0.521936 0.183621 0.274002 0.139396 0.492559
20 0.444277 0.190807 0.259352 0.160535 0.472896
21 0.489565 0.234674 0.259733 0.118910 0.515759
22 0.524935 0.153288 0.238432 0.130257 0.513843
23 0.516233 0.226911 0.236119 0.155313 0.530872
24 0.520740 0.225354 0.233252 0.151953 0.508364
25 0.548972 0.203212 0.178329 0.179665 0.524421
26 0.530467 0.268664 0.290063 0.124471 0.556264
27 0.517794 0.254354 0.285361 0.155793 0.441275
28 0.509274 0.151944 0.206865 0.115060 0.527860
29 0.460502 0.225070 0.295211 0.173650 0.467792
.. ... ... ... ... ...
70 0.538250 0.202924 0.266885 0.152869 0.460209
71 0.516952 0.217149 0.252321 0.126853 0.501250
72 0.457618 0.186336 0.273792 0.155602 0.539921
73 0.574916 0.197202 0.223031 0.149598 0.481654
74 0.489997 0.236967 0.234878 0.135970 0.527517
75 0.533133 0.231505 0.258005 0.155148 0.455219
76 0.486585 0.239923 0.238937 0.143806 0.527239
77 0.474123 0.294967 0.261589 0.108147 0.533413
78 0.484075 0.173537 0.258556 0.177550 0.484493
79 0.471611 0.195382 0.294848 0.186143 0.472217
80 0.453839 0.351827 0.283563 0.093742 0.556778
81 -1.000000 -1.000000 -1.000000 -1.000000 -1.000000
82 0.512380 0.170639 0.258462 0.158928 0.457433
83 0.548374 0.159225 0.290103 0.168831 0.468495
84 0.511792 0.222930 0.236287 0.117309 0.529272
85 0.514158 0.241513 0.240060 0.120736 0.451574
86 0.481130 0.194637 0.251733 0.171089 0.503708
87 0.489940 0.161430 0.236137 0.138558 0.466431
88 0.501653 0.194775 0.163829 0.122321 0.458434
89 0.508480 0.194699 0.261622 0.159675 0.510728
90 0.460122 0.251651 0.221673 0.161428 0.470392
91 0.493971 0.180278 0.250670 0.114960 0.495361
92 0.502609 0.148545 0.169963 0.119278 0.497498
93 0.507028 0.207069 0.253270 0.153917 0.499491
94 0.453539 0.172825 0.285604 0.135854 0.514079
95 0.504053 0.173664 0.264578 0.112730 0.498707
96 0.467743 0.168628 0.265695 0.177074 0.460156
97 0.484584 0.284787 0.287932 0.177715 0.533929
98 0.467713 0.194606 0.217709 0.112763 0.519741
99 0.516189 0.159526 0.263133 0.128204 0.487039
A_O_FF_FTFGA_5 A_O_FF_ORB_5 A_O_FF_TOV_5 A_O_PTS_5 A_O_WL_5 ... \
0 0.165401 0.257778 0.141262 94.4 0.60 ...
1 0.210168 0.259745 0.142922 91.8 0.60 ...
2 0.160804 0.278279 0.152914 99.4 0.80 ...
3 0.181629 0.217240 0.134029 102.0 0.00 ...
4 0.234348 0.243962 0.172761 108.0 0.60 ...
5 0.172850 0.333125 0.181263 92.6 0.40 ...
6 0.208277 0.265423 0.132587 104.2 0.40 ...
7 0.211297 0.214524 0.144848 108.2 0.80 ...
8 0.202743 0.212919 0.130571 97.6 0.40 ...
9 0.227983 0.296748 0.171944 96.8 0.00 ...
10 0.285417 0.233219 0.160854 90.8 0.40 ...
11 0.147102 0.289699 0.185987 91.8 0.20 ...
12 0.187472 0.256463 0.125344 94.6 0.40 ...
13 0.198400 0.290686 0.149509 104.0 0.40 ...
14 0.188730 0.183249 0.105520 105.0 0.60 ...
15 0.244486 0.295369 0.173726 90.8 0.60 ...
16 0.166474 0.233160 0.143368 99.4 0.60 ...
17 0.176779 0.246828 0.160057 102.0 0.60 ...
18 0.137392 0.251382 0.126399 102.0 0.80 ...
19 0.209288 0.205615 0.143471 103.0 0.20 ...
20 0.234141 0.232078 0.146007 98.2 1.00 ...
21 0.130322 0.253542 0.159677 98.8 0.20 ...
22 0.152850 0.233032 0.149325 94.4 0.40 ...
23 0.193979 0.197991 0.160346 97.0 0.20 ...
24 0.141949 0.283297 0.137267 97.6 0.40 ...
25 0.285452 0.277105 0.165133 103.8 0.60 ...
26 0.177998 0.245058 0.161719 105.4 0.40 ...
27 0.190474 0.245116 0.107723 93.6 0.20 ...
28 0.178784 0.242156 0.136662 98.4 0.60 ...
29 0.279916 0.236212 0.156432 100.0 0.60 ...
.. ... ... ... ... ... ...
70 0.262010 0.220165 0.133905 92.6 0.20 ...
71 0.235455 0.256298 0.128722 109.6 0.60 ...
72 0.199751 0.290124 0.170457 103.2 1.00 ...
73 0.156431 0.213953 0.133718 94.6 0.00 ...
74 0.198087 0.233206 0.145066 101.2 0.60 ...
75 0.231307 0.243827 0.123150 96.0 0.00 ...
76 0.331829 0.198843 0.170972 107.2 0.60 ...
77 0.183800 0.267972 0.126728 104.6 0.40 ...
78 0.221186 0.247236 0.113447 97.0 0.80 ...
79 0.221911 0.195219 0.118154 94.6 0.80 ...
80 0.219008 0.247781 0.178212 98.0 0.25 ...
81 -1.000000 -1.000000 -1.000000 -1.0 -1.00 ...
82 0.171399 0.234393 0.106891 97.6 0.40 ...
83 0.272938 0.257265 0.118307 96.6 0.60 ...
84 0.184556 0.231024 0.151380 104.0 0.20 ...
85 0.195027 0.276364 0.144989 89.2 0.20 ...
86 0.223997 0.274919 0.176948 94.2 0.60 ...
87 0.264546 0.264050 0.150564 98.6 0.60 ...
88 0.257145 0.232723 0.118991 100.4 0.60 ...
89 0.180411 0.273938 0.142748 100.6 0.60 ...
90 0.219102 0.267363 0.147882 105.8 0.40 ...
91 0.208485 0.224646 0.141935 105.2 0.40 ...
92 0.201411 0.224805 0.190210 97.0 0.20 ...
93 0.177325 0.246502 0.134368 95.6 0.60 ...
94 0.192898 0.234745 0.134777 104.8 0.80 ...
95 0.182096 0.237479 0.127979 96.4 0.40 ...
96 0.230319 0.276942 0.169835 90.8 0.60 ...
97 0.221395 0.249733 0.128430 112.6 1.00 ...
98 0.170385 0.227605 0.155879 100.0 0.60 ...
99 0.208055 0.209669 0.152087 101.2 0.20 ...
H_O_FF_EFG_5 H_O_FF_FTFGA_5 H_O_FF_ORB_5 H_O_FF_TOV_5 H_O_PTS_5 \
0 0.464049 0.187727 0.271188 0.165070 93.40
1 0.487817 0.180982 0.263367 0.149742 94.40
2 0.529512 0.173412 0.255892 0.149090 98.60
3 0.505409 0.186937 0.240866 0.141805 95.40
4 0.535950 0.209083 0.250061 0.149694 104.20
5 0.548384 0.212708 0.258608 0.168942 107.40
6 0.524862 0.194313 0.286480 0.182252 102.60
7 0.481394 0.170081 0.264247 0.176616 92.80
8 0.476821 0.160772 0.252035 0.190926 89.60
9 0.477724 0.164383 0.278702 0.193088 91.40
10 0.459787 0.172769 0.316865 0.164388 94.40
11 0.450059 0.179073 0.324440 0.154124 95.80
12 0.448909 0.198328 0.314234 0.128881 100.00
13 0.500098 0.188543 0.236054 0.134573 99.40
14 0.519267 0.182543 0.280994 0.140834 100.20
15 0.495125 0.200635 0.237101 0.141688 97.00
16 0.474534 0.214232 0.266368 0.147003 93.60
17 0.478284 0.219749 0.260353 0.157394 93.00
18 0.458291 0.195119 0.251603 0.162428 90.80
19 0.459218 0.198747 0.274377 0.174451 90.40
20 0.466742 0.179314 0.283468 0.176215 89.60
21 0.486350 0.174307 0.256536 0.177443 91.00
22 0.476641 0.187948 0.233039 0.162875 97.20
23 0.485068 0.191767 0.250207 0.182639 96.60
24 0.491684 0.178353 0.267152 0.155624 99.00
25 0.469512 0.163281 0.283955 0.130270 97.40
26 0.490634 0.165220 0.255852 0.142809 96.60
27 0.473170 0.153457 0.206906 0.173204 87.20
28 0.470671 0.184045 0.196199 0.176011 86.40
29 0.490909 0.174124 0.213641 0.178458 91.60
.. ... ... ... ... ...
70 0.485005 0.207938 0.230213 0.129073 105.40
71 0.490060 0.207736 0.248217 0.138748 105.00
72 0.523954 0.197092 0.239445 0.146112 108.00
73 0.496362 0.188311 0.245978 0.147882 105.60
74 0.519173 0.187527 0.212003 0.143307 108.20
75 0.534743 0.203636 0.210993 0.128305 111.20
76 0.521533 0.205013 0.222757 0.097595 108.00
77 0.535335 0.178155 0.222908 0.110228 107.20
78 0.525579 0.205497 0.228463 0.126573 106.20
79 0.544047 0.257983 0.212347 0.151054 109.25
80 0.551067 0.271181 0.237675 0.177624 109.00
81 -1.000000 -1.000000 -1.000000 -1.000000 -1.00
82 0.534928 0.161246 0.205582 0.119329 101.20
83 0.527185 0.177664 0.204606 0.138603 99.40
84 0.502102 0.164818 0.213459 0.152993 94.60
85 0.495634 0.161227 0.206967 0.159915 91.80
86 0.496205 0.144465 0.209803 0.143257 92.60
87 0.499598 0.162917 0.201977 0.139030 93.80
88 0.527215 0.219428 0.257575 0.141080 105.00
89 0.513108 0.205737 0.272895 0.140175 102.40
90 0.508709 0.214337 0.221691 0.128623 99.00
91 0.465237 0.195533 0.238573 0.133465 94.60
92 0.451530 0.165504 0.275616 0.130602 94.20
93 0.466924 0.178401 0.270238 0.127867 95.20
94 0.452924 0.210687 0.260733 0.145313 92.20
95 0.454092 0.204915 0.273401 0.159670 90.60
96 0.448582 0.209061 0.264792 0.131078 93.40
97 0.459341 0.175039 0.269386 0.131711 93.80
98 0.444341 0.205039 0.267113 0.130339 93.80
99 0.479656 0.231339 0.277006 0.126447 99.80
H_O_WL_5 H_PTS H_PTS_5 H_WL_5 Pts_diff
0 0.200000 108.0 108.80 0.800000 NaN
1 0.200000 104.0 107.40 0.800000 NaN
2 0.400000 96.0 105.20 0.600000 NaN
3 0.400000 131.0 98.00 0.600000 NaN
4 0.600000 101.0 100.80 0.400000 NaN
5 0.600000 99.0 102.00 0.400000 NaN
6 0.400000 95.0 101.40 0.600000 NaN
7 0.200000 130.0 96.40 0.800000 NaN
8 0.000000 106.0 98.60 1.000000 NaN
9 0.200000 104.0 93.80 0.800000 NaN
10 0.400000 95.0 97.20 0.600000 NaN
11 0.600000 104.0 94.00 0.400000 NaN
12 0.400000 80.0 104.40 0.600000 NaN
13 0.200000 124.0 102.80 0.800000 NaN
14 0.200000 105.0 104.20 0.800000 NaN
15 0.000000 91.0 108.60 1.000000 NaN
16 0.000000 105.0 106.20 1.000000 NaN
17 0.000000 113.0 105.00 1.000000 NaN
18 0.000000 112.0 104.60 1.000000 NaN
19 0.000000 103.0 105.00 1.000000 NaN
20 0.000000 110.0 104.00 1.000000 NaN
21 0.000000 93.0 109.40 1.000000 NaN
22 0.000000 120.0 104.40 1.000000 NaN
23 0.000000 96.0 103.80 1.000000 NaN
24 0.200000 109.0 96.60 0.800000 NaN
25 0.000000 77.0 107.20 1.000000 NaN
26 0.200000 107.0 105.60 0.800000 NaN
27 0.200000 93.0 97.00 0.800000 NaN
28 0.000000 87.0 101.80 1.000000 NaN
29 0.000000 95.0 104.60 1.000000 NaN
.. ... ... ... ... ...
70 0.600000 101.0 103.60 0.400000 NaN
71 0.800000 113.0 98.60 0.200000 NaN
72 1.000000 109.0 96.80 0.000000 NaN
73 0.800000 89.0 101.00 0.200000 NaN
74 0.800000 102.0 104.80 0.200000 NaN
75 0.800000 88.0 106.00 0.200000 NaN
76 0.600000 114.0 105.80 0.400000 NaN
77 0.600000 121.0 104.20 0.400000 NaN
78 0.600000 94.0 103.40 0.400000 NaN
79 0.750000 101.0 107.75 0.250000 NaN
80 0.666667 107.0 108.00 0.333333 NaN
81 -1.000000 121.0 -1.00 -1.000000 NaN
82 0.400000 113.0 96.00 0.600000 NaN
83 0.400000 109.0 97.00 0.600000 NaN
84 0.200000 90.0 100.40 0.800000 NaN
85 0.200000 99.0 103.60 0.800000 NaN
86 0.200000 114.0 99.80 0.800000 NaN
87 0.200000 87.0 105.80 0.800000 NaN
88 0.200000 95.0 117.40 0.800000 NaN
89 0.200000 117.0 111.80 0.800000 NaN
90 0.600000 89.0 103.20 0.400000 NaN
91 0.400000 110.0 100.40 0.600000 NaN
92 0.200000 110.0 108.20 0.800000 NaN
93 0.200000 113.0 105.40 0.800000 NaN
94 0.200000 120.0 101.60 0.800000 NaN
95 0.000000 105.0 101.20 1.000000 NaN
96 0.000000 97.0 103.40 1.000000 NaN
97 0.000000 101.0 109.00 1.000000 NaN
98 0.000000 99.0 110.80 1.000000 NaN
99 0.000000 108.0 115.60 1.000000 NaN
[100 rows x 26 columns]
In [21]:
import matplotlib.pyplot as plt
plt.scatter(stats_5['H_PTS'],stats_5['H_PTS_5'])
plt.show()
In [25]:
plt.scatter(stats_5['H_PTS'], stats_5['H_O_PTS_5'])
plt.show()
In [26]:
plt.scatter(stats_5['H_PTS'], stats_5['H_WL_5'])
plt.show()
In [30]:
plt.scatter(stats_5['H_PTS'], stats_5['H_FF_EFG_5'])
plt.show()
In [23]:
stats_5.columns
Out[23]:
Index([u'H_PTS', u'H_PTS_5', u'H_O_PTS_5', u'A_PTS_5', u'A_O_PTS_5', u'H_WL_5',
u'H_O_WL_5', u'A_WL_5', u'A_O_WL_5', u'H_FF_EFG_5', u'H_O_FF_EFG_5',
u'A_FF_EFG_5', u'A_O_FF_EFG_5', u'H_FF_ORB_5', u'H_O_FF_ORB_5',
u'A_FF_ORB_5', u'A_O_FF_ORB_5', u'H_FF_FTFGA_5', u'H_O_FF_FTFGA_5',
u'A_FF_FTFGA_5', u'A_O_FF_FTFGA_5', u'H_FF_TOV_5', u'H_O_FF_TOV_5',
u'A_FF_TOV_5', u'A_O_FF_TOV_5'],
dtype='object')
In [ ]:
#so i don't see any huge indicators from these stats for home scores. i wonder if i should be looking at h-a score
Content source: mprego/NBA
Similar notebooks: