| NBA球员工资分析 | 您所在的位置：网站首页 › nba球员各项数据表 › NBA球员工资分析 |
|
NBA球员工资分析——谁在“白拿工资"？
思路：
主要问题：哪个球员*“白拿”工资*？（即投资的效率较低，投入=工资，产出=PER值） 一、爬取数据： www.espn.com/nba/salaries，ESPN官网爬取工资（及位置、所属球队、排名等信息） 二、描述性分析（工资分布，球队支付工资） 三、分析工资数据（方法：平均值法 by cl，产出/投入法,by syh ） 1）平均值法： -计算球员的平均工资（考虑：有没有必要去除异常值？如某个球员工资尤其高？个人认为并不需要）、球员平均PER水平 -筛选出高于平均工资的球员→计算高于平均工资球员的工资均值 -筛选出高于PER的球员→计算高于PER球员的PER均值 #简而言之，即求高于平均的平均 -筛选出：拿着高水平工资，表现（PER）却低于高水平PER均值的球员 2）产出/投入法： -分别将PER和球员工资标准化（由于二者scale不同） -PER/salary，排序 四、结论 #两种方法思路有所不同，求交集。 思考：可否视为test robustness的方法？ 最终有7名球员，其中两位：Chandler Parsons和Allen Crabbe的PER为0，估计是没有上场 故最终5位球员视为“白拿”工资（效率较低）: Russell Westbrook,Blake Griffin,Kemba Walker,Kevin Love,Andrew Wiggins 一、爬取数据 import requests from bs4 import BeautifulSoup #仅展示中间页码的爬取，由于URL、球员人数不同， #第一页和最后一页单独爬取（思路和方法类同），以下仅爬取了480位球员信息， rank=[] Url=[] players=[] position=[] team=[] salary=[] for k in range(2,14): response = requests.get('http://www.espn.com/nba/salaries/_/page/' + str(k)) soup = BeautifulSoup(response.text, 'html.parser') for m in range(0,20): info=soup.find_all('tr',class_='oddrow')[m] # rank r=info.find('td').get_text() rank.append(r) # individual url url=info.find('a').get('href') Url.append(url) # player p=info.find('a').get_text() players.append(p) #Position b=info.find_all('td')[1].get_text() b=b[-2:] position.append(b) # team name t=info.find_all('td')[2].get_text() team |
| CopyRight 2018-2019 实验室设备网 版权所有 |