一、基本分析目标

（1）计算中国男篮、女篮运动员的平均身高与平均体重；

（2）分析中国篮球运动员的年龄分布；

（3）计算中国篮球运动员的体质指数。

二、分析其他目标

（1）分析美国运动员相关信息，与中国远动员信息作比较，得出一定结论；

（2）中国各个省份参加足球的基本信息分析；

（3）分析各国参赛情况；

（4）将得出的信息进行数据可视化，更加直观地展示。

三、代码+结论展示

（1）导入数据

import numpy as np

import pandas as pd

file_one = pd.read_excel('运动员信息采集01.xlsx')

file_two = pd.read_excel('运动员信息采集02.xlsx')

print(file_one)

print(file_two)

运行结果如下：

（2）分别读取两个数据，展示为表格形式

file_one

file_two

（3）合并两个文件数据（利用“outer”进行外连接合并）

all_data = pd.merge(left=file_one,right=file_two,how='outer')

all_data

分析中国情况

（4）提取中国运动员信息

all_data = all_data[all_data['国籍'] == '中国']

all_data

（5）去除重复值

all_data = all_data.drop_duplicates()

all_data = all_data.reset_index(drop=True)

all_data

（6）去重后绘制中国参加所有项目的柱状图

import matplotlib.pyplot as plt

from collections import Counter

projects = [str(project) for project in all_data['项目']]

participation = Counter(projects)

labels = participation.keys()

sizes = participation.values()

plt.figure(figsize=(40,20))

bars = plt.bar(labels, sizes, color='pink')

plt.xticks(x=labels,rotation=60)

plt.xlabel('项目')

plt.ylabel('参与人数')

plt.title('中国参加的所有项目')

for bar in bars:

height = bar.get_height()

plt.text(bar.get_x() + bar.get_width()/2, height, '%d' % int(height), ha='center', va='bottom')

plt.show()

得出结论：中国参加游泳项目的人数最多为46人，从柱状图来看，能够观察出中国在各个项目中都有运动员参与，说明中国注重体育方面的发展。

处理缺失值：

（7）提取中国篮球运动员信息（共有31名）

basketball_data = all_data[all_data['项目'] == '篮球']

basketball_data

（8）将中国篮球运动员出生日期统一为年月日

import datetime

basketball_data = basketball_data.copy()

initial_time = datetime.datetime.strptime('1900-01-01',"%Y-%m-%d")

for i in basketball_data.loc[:,'出生日期']:

if type(i) == int:

new_time = (initial_time + datetime.timedelta(days=i)).strftime('%Y{y}%m{m}%d{d}').format(y='年',m='月',d='日')

basketball_data.loc[:,'出生日期'] = basketball_data.loc[:,'出生日期'].replace(i,new_time)

basketball_data

（9）仅查看年份

basketball_data.loc[:,'出生日期'] = basketball_data['出生日期'].apply(lambda x:x[:5])

basketball_data['出生日期']

（10）将中国男篮身高统一形式为cm（男篮人数：11人）

male_data = basketball_data[basketball_data['性别'].apply(lambda x :x == '男')]

male_data = male_data.copy()

male_height = male_data['身高'].dropna()

fill_male_height = round(male_height.apply(lambda x : x[0:-2]).astype(int).mean())

fill_male_height = str(int(fill_male_height)) + '厘米'

male_data.loc[:,'身高'] = male_data.loc[:,'身高'].fillna(fill_male_height )

male_data.loc[:,'身高'] = male_data.loc[:,'身高'].apply(lambda x: x[0:-2]).astype(int)

male_data.rename(columns={'身高':'身高/cm'},inplace=True)

male_data

（11）将中国男篮身高绘制成柱状图

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']

fig = plt.figure(figsize=(8,4))

bars = plt.bar(male_data['中文名'],male_data['身高/cm'],width=0.8)

for bar in bars:

height = bar.get_height()

plt.text(bar.get_x() + bar.get_width()/2, height, height, ha='center', va='bottom')

plt.show()

（12）将中国女篮身高统一形式为cm（女篮人数：20人）

female_data = basketball_data[basketball_data['性别'].apply(lambda x :x == '女')]

female_data = female_data.copy()

data = {'191cm':'191厘米','1米89公分':'189厘米','2.01米':'201厘米','187公分':'187厘米','1.97M':'197厘米','1.98米':'198厘米','192cm':'192厘米'}

female_data.loc[:,'身高'] = female_data.loc[:,'身高'].replace(data)

female_height = female_data['身高'].dropna()

fill_female_height = round(female_height.apply(lambda x : x[0:-2]).astype(int).mean())

fill_female_height = str(int(fill_female_height)) + '厘米'

female_data.loc[:,'身高'] = female_data.loc[:,'身高'].fillna(fill_female_height)

female_data['身高'] = female_data['身高'].apply(lambda x: x[0:-2]).astype(int)

female_data.rename(columns={'身高':'身高/cm'},inplace=True)

female_data

（13）处理女篮体重：将88千克改为88kg；将8kg进行向上填充为77kg；处理缺失值将所有NaN改为体重均值80kg，统一的体重单位为kg

female_data.loc[:,'体重'] = female_data.loc[:,'体重'].replace({'88千克':'88kg'})

female_data

female_data['体重'].replace(to_replace = '8kg',method = 'pad',inplace = True)

female_data

female_weight = female_data['体重'].dropna()

female_weight = female_weight.apply(lambda x :x[0:-2]).astype(int)

fill_female_weight = round(female_weight.mean())

fill_female_weight = str(int(fill_female_weight)) + 'kg'

female_data.loc[:,'体重'].fillna(fill_female_weight,inplace = True)

female_data

（14）合并中国男篮、女篮信息，转换为int类型并将体重改为体重/kg

basketball_data = pd.concat([male_data,female_data])

basketball_data['体重'] = basketball_data['体重'].apply(lambda x : x[0:-2]).astype(int)

basketball_data.rename(columns = {'体重':'体重/kg'},inplace = True)

basketball_data

（15）检测男篮、女篮、所有篮球运动员身高异常值

from matplotlib import pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']

male_data.boxplot(column = ['身高/cm'])

plt.show()

female_data.boxplot(column=['身高/cm'])

plt.show()

basketball_data.boxplot(column=['身高/cm'])

plt.show()

（16）根据3准则检测到有一个异常值，但根据调查该数据属实，所以不属于异常值，可忽略不计

def three_sigma(ser):

mean_data = ser.mean()

std_data = ser.std()

rule = (mean_data - 3*std_data > ser) | (mean_data + 3*std_data < ser)

index = np.arange(ser.shape[0])[rule]

outliers = ser.iloc[index]

return outliers

female_weight = basketball_data[basketball_data['性别'] == '女']

three_sigma(female_weight['体重/kg'])

（17）计算中国篮球远动员的身高、体重的平均值

basketball_data.groupby('性别').mean().round(1)

（18）绘制中国篮球运动员年龄分布的直方图

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']

ages = 2020 - basketball_data['出生日期'].apply(lambda x :x[0:-1]).astype(int)

ax = ages.plot(kind = 'hist')

ax.set_xlabel('年龄（岁）')

ax.set_ylabel('频数')

ax.set_title('篮球运动员年龄分布的直方图')

ax.set_xticks(range(ages.min(),ages.max()+1,2))

plt.show()

（19）添加体质指数

basketball_data['体质指数'] = 0

basketball_data

def outer(num):

def ath_bmi(sum_bmi):

weight = basketball_data['体重/kg']

height = basketball_data['身高/cm']

sum_bmi = weight / (height/100)**2

return num + sum_bmi

return ath_bmi

basketball_data['体质指数'] = basketball_data[['体质指数']].apply(outer(basketball_data['体质指数'])).round(1)

basketball_data

（20）查找中国男篮、女篮非正常体质指数的人数

groupby_obj = basketball_data.groupby(by="性别")

females = dict([x for x in groupby_obj])['女']['体质指数'].values

count = females[females < 19].size + females[females > 24].size

print(f'体质指数小于19：{females[females < 19]}')

print(f'体质指数大于24：{females[females > 24]}')

print(f'非正常体质指数范围的总人数：{count}')

males = dict([x for x in groupby_obj])['男']['体质指数'].values

count = males[males < 20].size + males[males > 25].size

print(f'体质指数小于20：{males[males < 20]}')

print(f'体质指数大于25：{males[males > 25]}')

print(f'非正常体质指数范围的总人数：{count}')

（21）处理中国篮球运动员省份的缺失值，查找并删除（最后剩余30人，仅删除1个省份缺失值）

basketball_data['省份'].isnull()

data = basketball_data.dropna()

data

（22）进行数据可视化：绘制省份与篮球运动身高的散点图、运动员体重的柱状图、中国篮球运动员体重和身高之间的关系

plt.rcParams['font.sans-serif'] = ['SimHei']

fig = plt.figure(figsize=(20,15))

plt.scatter(data['省份'],data['身高/cm'],color='r',linestyle='-')

plt.grid(True,linestyle='-',alpha=0.9)

plt.legend(loc=0)

plt.xlabel("运动员生源地")

plt.ylabel("身高/cm")

plt.title("省份与篮球运动员身高的关系")

plt.show()

得出结论：河南新乡省的篮球运动员身高较高为215cm以上；其次为福建省、广东省，其中两省的身高都在210cm以上，福建省要比广东省的身高较高一点；江苏省的运动员身高较其他省份的低一点，为175cm左右。

import seaborn as sns

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']

fig = plt.figure(figsize=(15,10))

sns.barplot(x = data['中文名'],y = data['体重/kg'])

for x,y in enumerate(data['体重/kg']):

plt.text(x,y,"%s"%round(y,1))

plt.ylabel('体重/kg')

plt.xlabel('中文名')

plt.title('篮球运动员的体重')

plt.show()

得出结论：易建联的体重较高为113kg；最低体重为70kg（分别为陈晓佳和李珊珊）

import matplotlib.pyplot as plt

height = basketball_data['身高/cm']

weight = basketball_data['体重/kg']

plt.figure(figsize=(10, 6))

plt.scatter(height, weight, color='r')

plt.xlabel('身高 (cm)')

plt.ylabel('体重 (kg)')

plt.title('体重和身高之间的关系')

plt.show()

得出结论：身高190cm左右，体重为75kg左右的运动员分布较为密集。

分析美国情况

（23）索引美国运动员信息（需要重新运行合并的两个数据表代码）

import numpy as np

import pandas as pd

file_one = pd.read_excel('运动员信息采集01.xlsx')

file_two = pd.read_excel('运动员信息采集02.xlsx')

print(file_one)

print(file_two)

file_one

file_two

all_data = pd.merge(left=file_one,right=file_two,how='outer')

all_data

usdata= all_data[all_data['国籍'] == '美国']

usdata

usdata1 = len(usdata)

usdata1

（共有25名美国运动员）

（24）统一美国运动员出生日期

import datetime

usdata = usdata.copy()

initial_time = datetime.datetime.strptime('1900-01-01',"%Y-%m-%d")

for i in usdata.loc[:,'出生日期']:

if type(i) == int:

new_time = (initial_time + datetime.timedelta(days=i)).strftime('%Y{y}%m{m}%d{d}').format(y='年',m='月',d='日')

usdata.loc[:,'出生日期'] = usdata.loc[:,'出生日期'].replace(i,new_time)

usdata

（25）绘制美国参加项目的柱状图、项目占比的饼状图

import matplotlib.pyplot as plt

from collections import Counter

plt.rcParams['font.sans-serif'] = ['SimHei']

projects = usdata['项目']

participation = Counter(usdata['项目'])

labels = participation .keys()

sizes = participation .values()

plt.figure(figsize=(10,6))

bars = plt.bar(labels, sizes, color='r')

plt.xlabel('项目')

plt.ylabel('参与人数')

plt.title('美国参加的所有项目')

for bar in bars:

height = bar.get_height()

plt.text(bar.get_x() + bar.get_width()/2, height, height, ha='center', va='bottom')

plt.show()

import matplotlib.pyplot as plt

from collections import Counter

plt.rcParams['font.sans-serif'] = ['SimHei']

countries_array = usdata['项目']

country_counts = Counter(countries_array)

labels = country_counts.keys()

sizes = country_counts.values()

colors = plt.cm.tab20.colors

plt.figure(figsize=(6,6))

plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=140)

plt.title('美国参加的项目占比')

plt.axis('equal')

plt.show()

（26）对美国运动员的身高、体重统一单位

对身高进行处理

male_data = usdata[usdata['性别'].apply(lambda x :x == '男')]

male_data = male_data.copy()

male_height = male_data['身高'].dropna()

fill_male_height = round(male_height.apply(lambda x : x[0:-2]).astype(int).mean())

fill_male_height = str(int(fill_male_height)) + '厘米'

male_data.loc[:,'身高'] = male_data.loc[:,'身高'].fillna(fill_male_height )

male_data.loc[:,'身高'] = male_data.loc[:,'身高'].apply(lambda x: x[0:-2]).astype(int)

male_data.rename(columns={'身高':'身高/cm'},inplace=True)

male_data

female_data = usdata[usdata['性别'].apply(lambda x :x == '女')]

female_data = female_data.copy()

data = {'185cm':'185厘米','1.88米':'188厘米','175cm':'175厘米','183cm':'183厘米','198cm':'198厘米','192cm':'192厘米','178cm':'178厘米','145cm':'145厘米','168cm':'168厘米','193cm':'193厘米'}

female_data.loc[:,'身高'] = female_data.loc[:,'身高'].replace(data)

female_height = female_data['身高'].dropna()

fill_female_height = round(female_height.apply(lambda x : x[0:-2]).astype(int).mean())

fill_female_height = str(int(fill_female_height)) + '厘米'

female_data.loc[:,'身高'] = female_data.loc[:,'身高'].fillna(fill_female_height)

female_data['身高'] = female_data['身高'].apply(lambda x: x[0:-2]).astype(int)

female_data.rename(columns={'身高':'身高/cm'},inplace=True)

female_data

对体重进行处理

female_data.loc[:,'体重'] = female_data.loc[:,'体重'].replace({'66.4kg':'66kg'})

female_data

female_weight = female_data['体重'].dropna()

female_weight = female_weight.apply(lambda x :x[0:-2]).astype(int)

fill_female_weight = round(female_weight.mean())

fill_female_weight = str(int(fill_female_weight)) + 'kg'

female_data.loc[:,'体重'].fillna(fill_female_weight,inplace = True)

female_data

usdata = pd.concat([male_data,female_data])

usdata['体重'] = usdata['体重'].apply(lambda x : x[0:-2]).astype(int)

usdata.rename(columns = {'体重':'体重/kg'},inplace = True)

usdata

（27）求美国运动员身高、体重的平均值

（28）添加美国运动员的体质指数

usdata['体质指数'] = 0

usdata

def outer(num):

def ath_bmi(sum_bmi):

weight = usdata['体重/kg']

height = usdata['身高/cm']

sum_bmi = weight / (height/100)**2

return num + sum_bmi

return ath_bmi

usdata['体质指数'] = usdata[['体质指数']].apply(outer(usdata['体质指数'])).round(1)

usdata

（29）查找非正常体质指数的人数

groupby_obj = usdata.groupby(by="性别")

females = dict([x for x in groupby_obj])['女']['体质指数'].values

count = females[females < 19].size + females[females > 24].size

print(f'体质指数小于19：{females[females < 19]}')

print(f'体质指数大于24：{females[females > 24]}')

print(f'非正常体质指数范围的总人数：{count}')

males = dict([x for x in groupby_obj])['男']['体质指数'].values

count = males[males < 20].size + males[males > 25].size

print(f'体质指数小于20：{males[males < 20]}')

print(f'体质指数大于25：{males[males > 25]}')

print(f'非正常体质指数范围的总人数：{count}')

（30）绘制美国运动员出生日期与体质指数的散点图

plt.rcParams['font.sans-serif'] = ['SimHei']

fig = plt.figure(figsize=(20,6))

plt.scatter(usdata['出生日期'],usdata['体质指数'],color='b',linestyle='-')

plt.grid(True,linestyle='-',alpha=0.9)

plt.legend(loc=0)

plt.xticks(x=usdata['出生日期'],rotation=60)

plt.xlabel("运动员的出生日期")

plt.ylabel("体质指数")

plt.title("美国运动员的出生日期与体质指数的关系")

plt.show()

分析全国情况

（31）首先将全部信息进行去重（能够发现重复信息全部是中国运动员信息，所以后去除重复值也是可以的，以上所得结论仍然正确）

all_data1 = all_data[all_data.duplicated().values==True]

all_data1

all_data = all_data.drop_duplicates()

all_data = all_data.reset_index(drop=True)

all_data

（32）绘制全国参加项目的柱状图

import matplotlib.pyplot as plt

from collections import Counter

projects = [str(project) for project in all_data['项目']]

participation = Counter(projects)

labels = participation.keys()

sizes = participation.values()

plt.figure(figsize=(40,20))

bars = plt.bar(labels, sizes, color='skyblue')

plt.xticks(x=labels,rotation=60)

plt.xlabel('项目')

plt.ylabel('参与人数')

plt.title('全国参加的所有项目')

for bar in bars:

height = bar.get_height()

plt.text(bar.get_x() + bar.get_width()/2, height, '%d' % int(height), ha='center', va='bottom')

plt.show()

（33）查找全国参加足球运动的运动员信息（发现全部是中国女运动员）

football = all_data[all_data['项目'] == '足球']

football

（34）绘制各个省份参加足球情况的饼状图

import matplotlib.pyplot as plt

from collections import Counter

plt.rcParams['font.sans-serif'] = ['SimHei']

countries_array = football['省份']

country_counts = Counter(countries_array)

labels = country_counts.keys()

sizes = country_counts.values()

colors = plt.cm.tab20.colors

plt.figure(figsize=(6,6))

plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=140)

plt.title('中国各个省份参加足球项目的人数比例')

plt.axis('equal')

plt.show()

（35）查找全国参加篮球运动的运动员信息

all = all_data[all_data['项目'] == '篮球']

all

（36）绘制各国参加篮球情况的饼状图

import matplotlib.pyplot as plt

from collections import Counter

plt.rcParams['font.sans-serif'] = ['SimHei']

countries_array = all['国籍']

country_counts = Counter(countries_array)

labels = country_counts.keys()

sizes = country_counts.values()

colors = plt.cm.tab20.colors

plt.figure(figsize=(7,7))

plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=140)

plt.title('各国参加篮球项目的占比')

plt.axis('equal')

plt.show()

（37）全国打篮球的男女生比例

import matplotlib.pyplot as plt

from collections import Counter

genders = all['性别']

gender_counts = Counter(genders)

print("男生人数:", gender_counts['男'])

print("女生人数:", gender_counts['女'])

categories = ['男', '女']

values = [gender_counts['男'], gender_counts['女']]

plt.figure(figsize=(4,4))

plt.bar(categories, values)

plt.xlabel('性别')

plt.ylabel('人数')

plt.title('全国打篮球的男女比例')

plt.tight_layout()

plt.show()