Привет, Хабр!

Прошло чуть больше недели с окончания Чемпионата Европы 2016 во Франции. Этот чемпионат запомнится нам неудачным выступлением сборной России, проявленной волей сборной Исландии, потрясающей игрой сборных Франции и Португалии. В этой статье мы поработаем с данными, построим несколько графиков и отредактируем их в векторном редакторе Inkscape. Кому интересно — прошу под кат.

Содержание


  1. Работа с данными API
  2. Визуализация данных с помощью Python
  3. Редактирование векторной графики в Inkscape


1. Работа с данными API


Чтобы визуализировать футбольные данные сначала их необходимо получить. Для этих целей мы будем использовать API football-data.org. Нам доступны следующие методы:
  • Список соревнований — «api.football-data.org/v1/competitions/?season={year}»
  • Список команд (по идентификатору соревнования) — «api.football-data.org/v1/competitions/{competition_id}/teams»
  • Список матчей (по идентификатору соревнования) — «api.football-data.org/v1/competitions/{competition_id}/fixtures»
  • Информация о команде — «api.football-data.org/v1/teams/{team_id}»
  • Список футболистов (по идентификатору команды) — «api.football-data.org/v1/teams/{team_id}/players»

Подробная информация о всех методах находится в документации API.
Давайте теперь попробуем поработать с данными. Для начала попробуем изучить структуру возвращаемых данных для метода «competitions» (список соревнований):

[{'_links': {'fixtures': {'href': 'http://api.football-data.org/v1/competitions/424/fixtures'},
   'leagueTable': {'href': 'http://api.football-data.org/v1/competitions/424/leagueTable'},
   'self': {'href': 'http://api.football-data.org/v1/competitions/424'},
   'teams': {'href': 'http://api.football-data.org/v1/competitions/424/teams'}},
  'caption': 'European Championships France 2016',
  'currentMatchday': 7,
  'id': 424,
  'lastUpdated': '2016-07-10T21:32:20Z',
  'league': 'EC',
  'numberOfGames': 51,
  'numberOfMatchdays': 7,
  'numberOfTeams': 24,
  'year': '2016'},
 {'_links': {'fixtures': {'href': 'http://api.football-data.org/v1/competitions/426/fixtures'},
   'leagueTable': {'href': 'http://api.football-data.org/v1/competitions/426/leagueTable'},
   'self': {'href': 'http://api.football-data.org/v1/competitions/426'},
   'teams': {'href': 'http://api.football-data.org/v1/competitions/426/teams'}},
  'caption': 'Premiere League 2016/17',
  'currentMatchday': 1,
  'id': 426,
  'lastUpdated': '2016-06-23T10:42:02Z',
  'league': 'PL',
  'numberOfGames': 380,
  'numberOfMatchdays': 38,
  'numberOfTeams': 20,
  'year': '2016'},

Прежде чем начать работать с Python, нам понадобится сделать необходимые импорты:

import datetime
import random
import re
import os
import requests
import json
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import rc
pd.set_option('display.width', 1100)
plt.style.use('bmh')
DIR = os.path.dirname('__File__')
font = {'family': 'Verdana', 'weight': 'normal'}
rc('font', **font)

Структура данных понятна, попробуем загрузить данные о соревнованиях за 2015-2016 год в pandas.DataFrame. Параллельно будем сохранять данные, с которыми будем работать в .csv файлы, поскольку бесплатно можно делать лишь 50 запросов к API в день. Ограничения также накладываются и на временной период данных — бесплатно нам доступны лишь 2015-2016 годы.

competitions_url = 'http://api.football-data.org/v1/competitions/?season={year}'
data = []
for y in [2015, 2016]:
    response = requests.get(competitions_url.format(year=y))
    competitions = json.loads(response.text)
    competitions = [{'caption': c['caption'], 'id': c['id'], 'league': c['league'], 'year': c['year'],
                     'games_count': c['numberOfGames'], 'teams_count': c['numberOfTeams']} for c in competitions]
    COMP = pd.DataFrame(competitions)
    data.append(COMP)
COMP = pd.concat(data)
COMP.to_csv(os.path.join(DIR, 'input', 'competitions_2015_2016.csv'))
COMP.head(20)

Отлично! Мы видим чемпионат Европы 2016 в списке:

caption games_count id league teams_count year
12 League One 2015/16 552 425 EL1 24 2015
0 European Championships France 2016 51 424 EC 24 2016

Теперь мы можем получить список команд по идентификатору (id) этих соревнований — используем метод teams для получения списка команд Евро-2016.

teams_url = 'http://api.football-data.org/v1/competitions/{competition_id}/teams'
response = requests.get(teams_url.format(competition_id=424))
teams = json.loads(response.text)['teams']
teams = [dict(code=team['code'], name=team['name'], flag_url=team['crestUrl'], players_url=team['_links']['players']['href'])
        for team in teams]
TEAMS = pd.DataFrame(teams)
TEAMS.to_csv(os.path.join(DIR, 'input', 'teams_euro2016.cvs'))
TEAMS.head(24)

code flag_url name players_url
0 FRA upload.wikimedia.org/wikipedia/en/c/c3... France api.football-data.org/v1/teams/773/players
1 ROU upload.wikimedia.org/wikipedia/commons... Romania api.football-data.org/v1/teams/811/players
2 ALB upload.wikimedia.org/wikipedia/commons... Albania api.football-data.org/v1/teams/1065/pla...
3 SUI upload.wikimedia.org/wikipedia/commons... Switzerland api.football-data.org/v1/teams/788/players
4 WAL upload.wikimedia.org/wikipedia/commons... Wales api.football-data.org/v1/teams/833/players

Структура нашей таблицы таблица (DataFrame) представлена со следующими столбцами:
  • code (трехзначный код страны)
  • flag_url (ссылка на .svg файл флага страны в нашем случае, а в оригинале crestUrl — .svg файл символа команды)
  • name (наименование команды)
  • players_url (ссылка на страницу API с данными об игроках — почему-то данных об игроках сборных нет, возможно, это еще одно ограничение API)

В нашей последующей работе нам также понадобятся .svg файлы флагов команд — просто скачаем их в отдельную директорию, я сделал это быстро и непринужденно с помощью расширения Chrono для Chrome.

Теперь попробуем получить данные непосредственно о матчах Евро-2016. Сначала вновь посмотрим структуру ответа сервера для выбранного метода «competitions». Для примера разберем структуру информации о матче, закончившемся серией пенальти (это максимально сложный состав данных из возможных для этого метода).

games_url = 'http://api.football-data.org/v1/competitions/{competition_id}/fixtures'
response = requests.get(games_url.format(competition_id=424))
games = json.loads(response.text)['fixtures']
# Для примера разберем структуру информации о матче, закончившемся серией пенальти.
games_selected = [game for game in games if 'extraTime' in game['result']]
games_selected[0]

В ответе получаем следующее:

{'_links': {'awayTeam': {'href': 'http://api.football-data.org/v1/teams/794'},
  'competition': {'href': 'http://api.football-data.org/v1/competitions/424'},
  'homeTeam': {'href': 'http://api.football-data.org/v1/teams/788'},
  'self': {'href': 'http://api.football-data.org/v1/fixtures/150457'}},
 'awayTeamName': 'Poland',
 'date': '2016-06-25T13:00:00Z',
 'homeTeamName': 'Switzerland',
 'matchday': 4,
 'result': {'extraTime': {'goalsAwayTeam': 1, 'goalsHomeTeam': 1},
  'goalsAwayTeam': 1,
  'goalsHomeTeam': 1,
  'halfTime': {'goalsAwayTeam': 1, 'goalsHomeTeam': 0},
  'penaltyShootout': {'goalsAwayTeam': 5, 'goalsHomeTeam': 4}},
 'status': 'FINISHED'}

Для облегчения работы с данными и процесса загрузки их в DataFrame напишем небольшую функцию, которая в качестве атрибута принимает словарь с информацией о матче и возвращает словарь удобного для нас вида.

Функция обработки словаря матча
def handle_game(game):
    date = game['date']
    team_1 = game['homeTeamName']
    team_2 = game['awayTeamName']
    matchday = game['matchday']
    team_1_goals_main = game['result']['goalsHomeTeam']
    team_2_goals_main = game['result']['goalsAwayTeam']
    status = game['status']
    if 'extraTime' in game['result']:
        team_1_goals_extra = game['result']['extraTime']['goalsHomeTeam']
        team_2_goals_extra = game['result']['extraTime']['goalsAwayTeam']
        if 'penaltyShootout' in game['result']:
            team_1_goals_penalty = game['result']['penaltyShootout']['goalsHomeTeam']
            team_2_goals_penalty = game['result']['penaltyShootout']['goalsAwayTeam']
        else:
            team_1_goals_penalty = team_2_goals_penalty = 0
    else:
        team_1_goals_extra = team_2_goals_extra = team_1_goals_penalty = team_2_goals_penalty = 0
    team_1_goals = team_1_goals_main + team_1_goals_extra
    team_2_goals = team_2_goals_main + team_2_goals_extra
    if (team_1_goals + team_1_goals_penalty) > (team_2_goals + team_2_goals_penalty):
        team_1_win = 1
        team_2_win = 0
        draw = 0
    elif (team_1_goals + team_1_goals_penalty) < (team_2_goals + team_2_goals_penalty):
        team_1_win = 0
        team_2_win = 1
        draw = 0
    else:
        team_1_win = team_2_win = 0
        draw = 1
    game = dict(date=date, team_1=team_1, team_2=team_2, matchday=matchday, status=status,
                team_1_goals=team_1_goals, team_2_goals=team_2_goals,
                team_1_goals_extra=team_1_goals_extra, team_2_goals_extra=team_2_goals_extra,
                team_1_win=team_1_win, team_2_win=team_2_win, draw=draw,
                team_1_goals_penalty=team_1_goals_penalty, team_2_goals_penalty=team_2_goals_penalty)
    return game

# Сразу попробуем использовать функцию на примере нашей записи с пенальти
game = handle_game(games_selected[0])
print(game)


Вот как выглядит возвращаемый словарь:

{'date': '2016-06-25T13:00:00Z',
 'draw': 0,
 'matchday': 4,
 'status': 'FINISHED',
 'team_1': 'Switzerland',
 'team_1_goals': 2,
 'team_1_goals_extra': 1,
 'team_1_goals_penalty': 4,
 'team_1_win': 0,
 'team_2': 'Poland',
 'team_2_goals': 2,
 'team_2_goals_extra': 1,
 'team_2_goals_penalty': 5,
 'team_2_win': 1}

Теперь у нас всё готово для загрузки данных обо всех матчах Евро-2016 в DataFrame.

games_url = 'http://api.football-data.org/v1/competitions/{competition_id}/fixtures'
response = requests.get(games_url.format(competition_id=424))
games = json.loads(response.text)['fixtures']
GAMES = pd.DataFrame([handle_game(g) for g in games])
GAMES.to_csv(os.path.join(DIR, 'input', 'games_euro2016.csv'))
GAMES.head()

date draw matchday status team_1 team_1_goals team_1_goals_extra team_1_goals_penalty team_1_win team_2 team_2_goals team_2_goals_extra team_2_goals_penalty team_2_win
0 2016-06-10T19:00:00Z 0 1 FINISHED France 2 0 0 1 Romania 1 0 0 0
1 2016-06-11T13:00:00Z 0 1 FINISHED Albania 0 0 0 0 Switzerland 1 0 0 1

Отлично, данные у нас загружены в DataFrame, но такая структура не подходит для анализа данных. Руководствуясь принципами документа «Tidy Data, Hadley Wickham (2014)», скорректируем структуру DataFrame таким образом, чтобы одна переменная (команда) была тождественна одной строке — фактически кол-во строк Dataframe мы увеличим вдвое. Также скорректируем названия столбцов, чтобы с ними было проще работать.

# Помимо всего прочего приведем столбец даты к формату даты.
GAMES['date'] = pd.to_datetime(GAMES.date)
# Для начала расположим столбцы в удобном порядке и скорректируем их названия (сократим)
GAMES = GAMES.reindex(columns=['date', 'matchday', 'status',
                               'team_1', 'team_1_win', 'team_1_goals', 'team_1_goals_extra', 'team_1_goals_penalty',
                               'team_2', 'team_2_win', 'team_2_goals', 'team_2_goals_extra', 'team_2_goals_penalty',
                               'draw'])
new_columns = ['date', 'mday', 'status', 't1', 't1w', 't1g', 't1ge', 't1gp', 't2', 't2w', 't2g', 't2ge', 't2gp', 'draw']
GAMES.columns = new_columns
GAMES.head()

# Теперь создадим итоговый DataFrame
# Создадим копию DataFrame с играми, перетасовав столбцы, и объединим его с оригинальным DataFrame.
GAMES_2 = GAMES.ix[:,[0, 1, 2, 8, 9, 10, 11, 12, 3, 4, 5, 6, 7, 13]]
GAMES_2.columns = new_columns
GAMES_F = pd.concat([GAMES, GAMES_2])
GAMES_F.sort(['date'], inplace=True)
GAMES_F.head()

date mday status t1 t1w t1g t1ge t1gp t2 t2w t2g t2ge t2gp draw
0 2016-06-10 19:00:00 1 FINISHED France 1 2 0 0 Romania 0 1 0 0 0
0 2016-06-10 19:00:00 1 FINISHED Romania 0 1 0 0 France 1 2 0 0 0
1 2016-06-11 13:00:00 1 FINISHED Albania 0 0 0 0 Switzerland 1 1 0 0 0

Такая структура куда лучше, но для дальнейшей работы нам понадобится еще несколько небольших изменений.

# Для удобства отображения информации в таблице добавим еще один столбец - "g" - общее кол-во забитых за матч голов
GAMES_F['g'] = GAMES_F.t1g + GAMES_F.t2g
GAMES_F['idx'] = GAMES_F.index

# Для удобства отображения некоторых графиков добавим еще данные о стадии того или иного матча.
# Мы знаем, что всего матчей было 51, из них 15 матчей плей-офф, остальные - групповой этап.
# Давайте добавим эту информацию в DataFrame
TP = pd.DataFrame({'typ': ['Группы']*36 + ['1/8']*8 + ['1/4']*4 + ['1/2']*2 + ['Финал']*1,
                   'idx': range(0, 51)})

# Сформируем итоговый DataFrame
GAMES_F= pd.merge(GAMES_F, TP, how='left', left_on=GAMES_F.idx, right_on=TP.idx)
GAMES_F.head()

date mday status t1 t1w t1g t1ge t1gp t2 t2w t2g t2ge t2gp draw g idx_x idx_y typ
0 2016-06-10 19:00:00 1 FINISHED France 1 2 0 0 Romania 0 1 0 0 0 3 0 0 Группы
1 2016-06-10 19:00:00 1 FINISHED Romania 0 1 0 0 France 1 2 0 0 0 3 0 0 Группы
2 2016-06-11 13:00:00 1 FINISHED Albania 0 0 0 0 Switzerland 1 1 0 0 0 1 1 1 Группы

2. Визуализация данных с помощью Python


Для визуализации данных мы будем использовать библиотеку matplotlib. На этом этапе мы фактически подготовим графики в формате .svg для их дальнейшей обработки в векторном редакторе.
Для начала подготовим график-таймлайн всех матчей Евро-2016. Мне показалось, что он будет достойно и удобно смотреться в форме горизонтальных столбцов.

GAMES_W = GAMES_F[(GAMES_F.t1w==1) | (GAMES_F.draw==1)]
GAMES_W['dt'] =[d.strftime('%d.%m.%Y') for d in GAMES_W.date]
# Отформатируем подписи для осей
GAMES_W['l1'] = (GAMES_W.idx_x + 1).astype(str) + ' - ' + GAMES_W.dt + ' ' + (GAMES_W.typ)
GAMES_W['l2'] = GAMES_W.t2 + '   ' + GAMES_W.t2g.astype(str) + ':' + GAMES_W.t1g.astype(str) + '   ' + GAMES_W.t1

fig, ax1 = plt.subplots(figsize=[10, 30])
ax1.barh(GAMES_W.idx_x, GAMES_W.t1g, color='#01aae8')
ax1.set_yticks(GAMES_W.idx_x + 0.5)
ax1.set_yticklabels(GAMES_W.l1.values)
ax2 = ax1.twinx()
ax2.barh(GAMES_W.idx_x, -GAMES_W.t2g, color='#f79744')
ax2.set_yticks(GAMES_W.idx_x + 0.5)
ax2.set_yticklabels(GAMES_W.l2.values)
# Хорошо. Теперь мы нанесли почти достаточно информации для редактирования в редакторе - нам осталось лишь 
# нанести информацию для матчей, закончившихся серией пенальти.
ax3 = ax1.twinx()
ax3.barh(GAMES_W.idx_x, GAMES_W.t2gp, 0.5, alpha=0.2, color='blue')
ax3.barh(GAMES_W.idx_x, -GAMES_W.t1gp, 0.5, alpha=0.2, color='orange')
ax1.grid(False)
ax2.grid(False)
ax1.set_xlim(-6, 6)
ax2.set_xlim(-6, 6)
# Теперь можно сохранить в файл для обработки
plt.show()
fig.savefig(os.path.join(DIR, 'output', 'barh_1.svg'))

На выходе мы получим вот такой неказистый график-таймлайн.
Все матчи Евро-2016 (Python)


Давайте теперь узнаем, какая же сборная забила больше всего мячей. Для этого создадим группированный DataFrame из существующего и расcчитаем некоторые агрегированные показатели.

GAMES_GR = GAMES_F.groupby(['t1'])
GAMES_AGG = GAMES_GR.agg({'t1g': np.sum})
GAMES_AGG.sort(['t1g'], ascending=False).head()

teams goals
France 13
Wales 10
Portugal 10
Belgium 9
Iceland 8

Интересно, но давайте подсчитаем еще несколько показателей:
  • Кол-во сыгранных матчей
  • Кол-во побед/ничьих/поражений
  • Кол-во забитых/пропущенных голов
  • Кол-во матчей с дополнительным временем
  • Кол-во матчей, закончившехся серией пенальти

GAMES_F['n'] = 1
GAMES_GR = GAMES_F.groupby(['t1'])
GAMES_AGG = GAMES_GR.agg({'n': np.sum, 'draw': np.sum, 't1w': np.sum, 't2w':np.sum,
                          't1g': np.sum, 't2g': np.sum})
GAMES_AGG['games_extra'] = GAMES_GR.apply(lambda x: x[x['t1ge']>0]['n'].count())
GAMES_AGG['games_penalty'] = GAMES_GR.apply(lambda x: x[x['t1gp']>0]['n'].count())
GAMES_AGG.reset_index(inplace=True)
GAMES_AGG.columns = ['team', 'draw', 'goals_lose', 'lose', 'win', 'goals',
                     'games', 'games_extra', 'games_penalty']
GAMES_AGG = GAMES_AGG.reindex(columns = ['team', 'games', 'games_extra', 'games_penalty',
                             'win', 'lose', 'draw', 'goals', 'goals_lose'])

Теперь визуализируем эти распределения:
GAMES_P = GAMES_AGG
GAMES_P.sort(['goals'], ascending=False, inplace=True)
GAMES_P.reset_index(inplace=True)

bar_width = 0.6
fig, ax = plt.subplots(figsize=[16, 6])
ax.bar(GAMES_P.index + 0.2, GAMES_P.goals, bar_width, color='#01aae8', label='Забито')
ax.bar(GAMES_P.index + 0.2, -GAMES_P.goals_lose, bar_width, color='#f79744', label='Пропущено')
ax.set_xticks(GAMES_P.index)
ax.set_xticklabels(GAMES_P.team, rotation=45)
ax.set_ylabel('Голы')
ax.set_xlabel('Команды')
ax.set_title('Топ команд по кол-ву забитых мячей')
ax.legend()
plt.grid(False)
plt.show()
fig.savefig(os.path.join(DIR, 'output', 'bar_1.svg'))

На выходе мы получаем такой график:
Распределение забитых/пропущенных мячей Евро-2016 (Python)


Нарисуем еще один график распределения побед, поражений и ничьих на Евро.

GAMES_P = GAMES_AGG
GAMES_P.sort(['win'], ascending=False, inplace=True)
GAMES_P.reset_index(inplace=True)

bar_width = 0.6
fig, ax = plt.subplots(figsize=[16, 6])
ax.bar(GAMES_P.index + 0.2, GAMES_P.win, bar_width, color='#01aae8', label='Победы')
ax.bar(GAMES_P.index + 0.2, -GAMES_P.lose, bar_width/2, color='#f79744', label='Поражения')
ax.bar(GAMES_P.index + 0.5, -GAMES_P.draw, bar_width/2, color='#99b286', label='Ничьи')
ax.set_xticks(GAMES_P.index)
ax.set_xticklabels(GAMES_P.team, rotation=45)
ax.set_ylabel('Матчи')
ax.set_xlabel('Команда')
ax.set_title('Топ команд по кол-ву побед')
ax.set_ylim(-GAMES_P.lose.max()*1.2, GAMES_P.win.max()*1.2)
ax.legend(ncol=3)
plt.grid(False)
plt.show()
fig.savefig(os.path.join(DIR, 'output', 'bar_2.svg'))

На выходе мы получаем такой график:
Распределение побед/ничьих/поражений Евро-2016 (Python)


Пользуясь случаем, хочется отметить, что лидер по количеству забитых мячей и количеству побед Франция не стал победителем чемпионата, а Португалия, с 3 матчами в ничью, меньшим количеством забитых мячей и большим, чем у Франции количеством пропущенных, в итоге получила кубок.

3. Редактирование векторной графики в Inkscape


Теперь давайте отредактируем получившиеся у нас графики в векторном редакторе Inkscape. Выбор пал на этот редактор по одной причине — он бесплатный. Сразу хотелось бы отметить, что к ресурсам системы он также крайне требователен — опытным путём было определенно, что минимальное кол-во оперативной памяти для работы — 8гб. У меня было 4гб, так что к концу правки одной из иллюстраций я уже начинал нервничать от длительных ожиданий. Для комфортной работы в редакторе рекомендуется ознакомиться с вводными туториалами на сайте.

Основной задачей редактирования графиков в векторном редакторе является возможность сделать красивые визуализации с помощью встроенных функций редактора. При этом мы можем:
  • Выбирать, изменять и перемещать любой элемент графика, созданный с помощью python
  • Как угодно дополнять отрисованные данные из внешних источников, например — вставлять флаги стран
  • Экспортировать данные в каком угодно разрешении в большинство графических форматов

Я не буду длительно описывать преобразования, которые я сделал в Inkscape, а просто перечислю их и представлю итоговые получившиеся графики. Изменения:
  • Отредактированы подписи на осях
  • Убраны лишние заливки
  • Добавлены флаги стран для более понятной визуализации
  • Произведены цветовые выделения
  • Добавлена символика Евро-2016
  • Добавлены футбольные атрибуты (например, мячи, отражающие количество забитых мячей на таймлайне)

Вот что получилось в итоге:

Распределение забитых/пропущенных мячей Евро-2016 (Inkscape)


Распределение побед/поражений/ничьих Евро-2016 (Inkscape)


Все матчи Евро-2016 (Inkscape)



Спасибо за внимание.
Поделиться с друзьями
-->

Комментарии (16)


  1. fivelife
    20.07.2016 11:23

    Прикольно. Можно еще добавить ставки букмекеров и оценить эффективность коэффициентов.


    1. tibhar940
      20.07.2016 11:25
      +1

      В планах есть получение полного доступа к API и анализ ставок букмекеров на более глобальном уровне.


  1. MAXHO
    20.07.2016 11:31

    Показательные диаграммы.

    Но самое главное спасибо за код. и подробный разбор создания таких красивых диаграмм


    1. moldabekov
      20.07.2016 15:00
      +1

      Еще можно вместе matplot использовать pygal (http://www.pygal.org/en/stable/). Очень красивые графики рисует. Использую для отображение статистики одного сервиса в боте Telegram.


      1. fivelife
        20.07.2016 16:34

        Можно пример этого сервиса?


      1. Meklon
        20.07.2016 18:31
        +2

        Есть еще совершенно восхитительный seaborn. Позволяет делать очень многое и приятно выглядит.
        image

        image


  1. xfishbonex
    20.07.2016 13:30
    +1

    Красивые диаграммы. На примере Франции-Португалии видно, что Франция сильнее, как команда, но не видно, что Португалия при этом чемпион.
    Что если добавить условную меру веса каждого матча?


    1. ikashnitsky
      20.07.2016 21:40

      Мерой веса как раз и может выступать букмекерская ставка. А еще коэффициенты пропорциональные стадиям турнира: 1/16, 1/8, 1/4, 1/2, 1 — за финал.


  1. MAGistr_MTM
    20.07.2016 13:30

    Забитые и пропущенные голы лучше показывать относительно сыгранных матчей. А количество побед/ничьих/поражений — в процентном соотношении к общему количеству игр.


  1. tumikosha
    20.07.2016 13:32
    +2

    AI для предсказания матчей
    http://kickoff.ai/previous-matches


  1. ikashnitsky
    20.07.2016 13:33

    Inkscape — явно лишнее звено. Не вполне уверен насчет python и, видимо, seaborn, в R и ggplot2 нашлепнуть флаги команд на графики довольно просто. И, главное, размещать их не придется вручную — достаточно указать отступ от значения столбика. Если еще придираться, надо бы обвечти флаги рамкой — посмотрите на Англию, Польшу и Россию.


    Идея анализа ставок букмекеров мне качется очень плодотворной


    1. tibhar940
      20.07.2016 13:40

      Я не говорил, что невозможно добавить графики без Inkscape, я просто показал, что можно подготовить графики в Python, а затем работать с векторной графикой в Inkscape. К сожалению, я не могу показать более продвинутые приёмы работы с векторным редактором, но возможности визуализации в нём для уже подготовленных графиков поистине огромные. Опять же с точки зрения удобства — можно очень быстро подготовить график, сохранить его в .svg и сделать несколько подписей в векторе для какого-либо отчета, либо долго и мучительно добавлять эти подписи в Python. А «нашлепать графики» в Python можно как с помощью библиотек визуализации, так и с помощью библиотек по работе с графикой.

      Идея анализа ставок букмекеров также заинтересовала.


      1. ikashnitsky
        20.07.2016 14:19
        +1

        Все так. Просто очень уж выпукло Inkscape смотрится в заголовке.
        Программное решение, как правило, лучше тем, что, написанное раз, может быть без лишних усилий использовано много раз. Представьте, что Вы бы построили не 2 графика, а 25. Я бы просто написал функцию, которая прилепляет флаг страны в необходимое место.


        1. tibhar940
          20.07.2016 14:31

          Я это прекрасно понимаю — и для постоянно подготавливаемых отчетов сделал бы также. И в данном частном случае это тоже подошло бы. Но если, допустим, ежедневно над разными элементами придется делать различные подписи, различные иллюстрации добавлять, и это никак определенными правилами (критериями) не вывести в закономерность — здесь придется использовать Inkscape. Или же в случае, если задача не сводится к copy-paste файла .svg в заданную (x,y) координату другого файла .svg, а заключается в преобразовании/художественном осмыслении, использовании различных фильтров/градиентов и т.п.
          P.S. — кстати, ваша статья про хоккеистов просто шикарна.


          1. ikashnitsky
            20.07.2016 21:43

            Мне как раз очень понравилось, как вы описали выгрузку данных через API — когда вручную копировал данные хоккеистов, сожалел, что не знаю, как автоматизировать процесс. А вот с самими данными, по-моему, можно было еще много чего интересного нарисовать.


            1. tibhar940
              20.07.2016 22:03

              Спасибо, я рад, что понравилось. С этими данными действительно еще можно много чего придумать. Хочу приобрести платную подписку на этот API или найти другой источник данных, чтобы посмотреть общую статистику чемпионатов Европы допустим. Еще мои друзья-рецензенты высказывали несколько заинтересованностей — например, соотношение голов в первом/втором тайме, распределение голов по минутам — но поминутных данных о голах я не нашел.