主要思路

（1）數(shù)據(jù)選取

獲取數(shù)據(jù)的鏈接為：

https://www.basketball-reference.com/

獲取的數(shù)據(jù)內(nèi)容為：

每支隊伍平均每場比賽的表現(xiàn)統(tǒng)計；

每支隊伍的對手平均每場比賽的表現(xiàn)統(tǒng)計；

綜合統(tǒng)計數(shù)據(jù)；

2016-2017年NBA常規(guī)賽以及季后賽的每場比賽的比賽數(shù)據(jù)；

2017-2018年NBA的常規(guī)賽以及季后賽的比賽安排。

（2）建模思路

主要利用數(shù)據(jù)內(nèi)容的前四項來評估球隊的戰(zhàn)斗力。

利用數(shù)據(jù)內(nèi)容的第五項也就是比賽安排來預測每場比賽的獲勝隊伍。

利用方式為：

數(shù)據(jù)內(nèi)容的前三項以及根據(jù)數(shù)據(jù)內(nèi)容的第四項計算的Elo等級分作為每支隊伍的特征向量。

Elo等級分介紹（相關(guān)文件中有）：

為方便起見，假設(shè)獲勝方提高的Elo等級分與失敗方降低的Elo等級分數(shù)值相等。

另外，為了體現(xiàn)主場優(yōu)勢，主場隊伍的Elo等級分在原有基礎(chǔ)上增加100。

（3）代碼流程

數(shù)據(jù)初始化；

計算每支隊伍的Elo等級分（初始值1600）；

基于數(shù)據(jù)內(nèi)容前三項和Elo等級分建立2016-2017年常規(guī)賽和季后賽中每場比賽的數(shù)據(jù)集；

使用sklearn中的LogisticRegression函數(shù)建立回歸模型；

利用訓練好的模型對17-18年常規(guī)賽和季后賽的比賽結(jié)果進行預測；

將預測結(jié)果保存到17-18Result.CSV文件中。

開發(fā)工具

**Python版本：**3.5.4

相關(guān)模塊：

pandas模塊、numpy模塊、sklearn模塊以及一些Python自帶的模塊。

環(huán)境搭建

安裝Python并添加到環(huán)境變量，pip安裝需要的相關(guān)模塊即可。

使用演示

在cmd窗口運行Analysis_NBA_Data.py文件即可：

結(jié)果：

代碼參考http://www.fzitv.net/article/215291.htm

到此這篇關(guān)于利用Python實現(xiàn)預測NBA比賽結(jié)果的文章就介紹到這了,更多相關(guān)Python預測NBA比賽結(jié)果內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論