バルセロナのシュートデータを可視化する

先日の記事にて、機械学習を使ってバルセロナのゴール期待値（xG）を算出し、MSNの凄さを分析しました。

Expected Goals (xG)…シュートが得点につながる確率を0～1の範囲で表したもの

前回はいきなり分析結果を紹介しましたが、今回からはxGモデル構築について話していきます。

今日はデータ可視化編になります。

流れとしては、StatsBombのオープンデータを読み込み、シュートデータを可視化して理解する、というところまで。

StatsBomb Open Data

StatsBombは海外のデータ分析会社であり、メディアやチームに対してサッカーに関するデータを提供しています。

彼らはオープンデータも提供しており、その一部にメッシが出場したLa Ligaのイベントデータがあります↓

データベース作成には相当なリソースを割いたようで、公式ブログに苦労話が記されています。

彼らの熱意を無駄にしないためにも、存分に使わせてもらいましょう。

データの読み込み

それではデータを使っていきましょう。

今回使用したコードはGitHubに置いていますので、適宜ご参照ください。

データはjson形式で提供されています。

pandasなどでそのまま読み込んでもいいのですが、StatsBombデータをcsvに変換してくれる便利なパッケージがあるため、そちらを利用しましょう。

import statsbomb as sb # StatsBomb JSON parser

# read the DataFrame of competiton
comps = sb.Competitions().get_dataframe()

import statsbomb as sb # StatsBomb JSON parser

# read the DataFrame of competiton

comps = sb.Competitions().get_dataframe()

competitions.jsonには大会・リーグ名が格納されています。

Competitions()クラスを使うと、competitons.jsonに納められているデータを一気に取得することができます。

中身を見てみましょう。

上の画像では見えませんが、表の下部にかけてLa Ligaの04/05～15/16シーズンのデータが納められています。

先述の通り、メッシが出場した試合に限定されているので注意です。

次に、La Ligaのcompetition_idが11であることを利用し、matches.jsonからLa Ligaの試合データを抜き出します。

# extract La Liga matches
competition_id = 11
season_ids = comps['season_id'][comps['competition_id']==competition_id].tolist()
season_names = comps['season_name'][comps['competition_id']==competition_id].tolist()
for i, season_id in enumerate(season_ids):
   matches_ = sb.Matches(event_id=competition_id, season_id=season_id).get_dataframe()
   # convert season id to season name 
   matches_['season'] = season_names[i]
   matches = matches_ if i == 0 else pd.concat([matches_, matches])
matches = matches.reset_index(drop=True)

# extract La Liga matches

competition_id = 11

season_ids = comps['season_id'][comps['competition_id']==competition_id].tolist()

season_names = comps['season_name'][comps['competition_id']==competition_id].tolist()

for i, season_id in enumerate(season_ids):

matches_ = sb.Matches(event_id=competition_id, season_id=season_id).get_dataframe()

# convert season id to season name

matches_['season'] = season_names[i]

matches = matches_ if i == 0 else pd.concat([matches_, matches])

matches = matches.reset_index(drop=True)

肝心のシュートデータはevents.jsonの中にあるため、match_idと紐付けてシュートデータだけ抜き出します。

# read shot data
for i, event_id in tqdm(enumerate(matches['match_id'])):
   events = sb.Events(event_id=str(event_id))
   data_ = events.get_dataframe(event_type='shot')
   # add the 'season' column to the DataFrame
   data_.insert(0, 'season', matches['season'][i])
   # add the 'match_date' columns to the DataFrame
   data_.insert(1, 'match_date', matches['match_date'][i])
   data = data_ if i == 0 else pd.concat([data, data_])
data = data.reset_index(drop=True)

# read shot data

for i, event_id in tqdm(enumerate(matches['match_id'])):

events = sb.Events(event_id=str(event_id))

data_ = events.get_dataframe(event_type='shot')

# add the 'season' column to the DataFrame

data_.insert(0, 'season', matches['season'][i])

# add the 'match_date' columns to the DataFrame

data_.insert(1, 'match_date', matches['match_date'][i])

data = data_ if i == 0 else pd.concat([data, data_])

data = data.reset_index(drop=True)

さらに、今回はバルサのシュートに着目したいので、チーム名を指定して該当のシュートだけ取ってきます。

# extract Barcelona's shot
shots = data[data['team']=='Barcelona'].reset_index(drop=True)

1 2	# extract Barcelona's shot shots = data[data['team']=='Barcelona'].reset_index(drop=True)

これでシュートデータの取得は完了です↓

次に、変数名（列名）をリストアップし、どのようなデータが納められているかチェックします。

中身が気になる変数に関してはユニーク要素もリストアップしてみましょう。

# show the detail of data
print('columns -', list(shots))
print()

print('play_pattern -', (list(shots['play_pattern'].unique())))
print()

print('type -', list(shots['type'].unique()))
print()

print('technique -', list(shots['technique'].unique()))
print()

print('outcome -', list(shots['outcome'].unique()))

# show the detail of data

print('columns -', list(shots))

print()

print('play_pattern -', (list(shots['play_pattern'].unique())))

print()

print('type -', list(shots['type'].unique()))

print()

print('technique -', list(shots['technique'].unique()))

print()

print('outcome -', list(shots['outcome'].unique()))

35個の変数があり、シュートに関する多くの情報が納められていることがわかります。

例えば、outcome列はその名の通りシュートの結果を示しています。その中には「宇宙開発」的なシュートを表すWaywardもあります苦笑

データの前処理

本企画の狙いはシュートのゴール確率を予測することなので、シュートがゴールだったか否かを示す教師データが必要です。

outcome列の中にGoal要素があるため、これを元にgoal列を作成しておきます。

# add new columns
# goal or no goal
shots['goal'] = shots['outcome'].apply(lambda x: 1 if x == 'Goal' else 0)

# add new columns

# goal or no goal

shots['goal'] = shots['outcome'].apply(lambda x: 1 if x == 'Goal' else 0)

さらに、新たな特徴量を作成しておきます。追加した特徴量は以下のとおり。

body_part…”Left Foot”および”Right Foot”でのシュートを”Foot”に統一
distance…シュート位置からゴール中心部までの距離
angle…シュート位置→右ポストのベクトルと、シュート位置→左ポストのベクトルが成す角度

# body_part: Left Foot &amp; Right Foot -> Foot
shots['body_part'] = shots['body_part'].where((shots['body_part']!='Left Foot') &amp; (shots['body_part']!='Right Foot'), 'Foot')

# distance from shot-taker to goal
shots['distance'] = np.sqrt(((120 - shots['start_location_x'])**2 + (40 - shots['start_location_y'])**2))

# angle between following two vectors: 
   # vector from shot-taker to right post
   # vector from shot-taker to left post
angles = []
for i in range(len(shots)):
   right_post = np.array([120 - shots['start_location_x'].iloc[i], 44 - shots['start_location_y'].iloc[i]])
   left_post = np.array([120 - shots['start_location_x'].iloc[i], 36 - shots['start_location_y'].iloc[i]])
   I = np.inner(right_post, left_post)
   R = np.linalg.norm(right_post)
   L = np.linalg.norm(left_post)
   angles.append(np.rad2deg(np.arccos(I / (R * L))))
shots['angle'] = angles

# body_part: Left Foot & Right Foot -> Foot

shots['body_part'] = shots['body_part'].where((shots['body_part']!='Left Foot') & (shots['body_part']!='Right Foot'), 'Foot')

# distance from shot-taker to goal

shots['distance'] = np.sqrt(((120 - shots['start_location_x'])**2 + (40 - shots['start_location_y'])**2))

# angle between following two vectors:

# vector from shot-taker to right post

# vector from shot-taker to left post

angles = []

for i in range(len(shots)):

right_post = np.array([120 - shots['start_location_x'].iloc[i], 44 - shots['start_location_y'].iloc[i]])

left_post = np.array([120 - shots['start_location_x'].iloc[i], 36 - shots['start_location_y'].iloc[i]])

I = np.inner(right_post, left_post)

R = np.linalg.norm(right_post)

L = np.linalg.norm(left_post)

angles.append(np.rad2deg(np.arccos(I / (R * L))))

shots['angle'] = angles

次に欠損値処理を行います。

カテゴリカル変数は1 or nullで記録されているので、可視化の障害にならぬようnull値を0で置き換えておきます。

# handle vissing values
# True -> 1, None -> 0
for col in ['under_pressure', 'first_time', 'one_on_one', 'open_goal']:
   shots[col] = shots[col].fillna(0) * 1

# handle vissing values

# True -> 1, None -> 0

for col in ['under_pressure', 'first_time', 'one_on_one', 'open_goal']:

shots[col] = shots[col].fillna(0) * 1

次回のために、この時点でのDataFrameをcsvとして保存しておきます。

# write shod data to csv file
shots.to_csv('../data/input/shots.csv', index=False, encoding='utf-8-sig')

1 2	# write shod data to csv file shots.to_csv('../data/input/shots.csv', index=False, encoding='utf-8-sig')

データの可視化

前処理が終わったので可視化に入ります。

各変数に対するシュート数・ゴール率の関係性を調べ、データに対する理解を深めていきます。

18/19シーズンのシュートに対して予測を行いたいので、可視化段階では17/18シーズンまでのデータのみ可視化します（学習段階でleakageに繋がってしまうため）。

# use 04/05 - 17/18 season data for visualization
num_test = len(shots[shots['season']=='2018/2019']) # the number of 18/19 season data
# train: 04/05 - 17/18 season data
train = shots.iloc[:-num_test]

# use 04/05 - 17/18 season data for visualization

num_test = len(shots[shots['season']=='2018/2019']) # the number of 18/19 season data

# train: 04/05 - 17/18 season data

train = shots.iloc[:-num_test]

変数の数が多いので重要そうなものだけ見ていくことにします。

まずはplay_pattern。攻撃開始時のプレーの種類を表します。

注目すべきは、カウンター（From Counter）から生まれたシュートの決定率が3割と高い点でしょうか。

サッカーではカウンター時に生まれる得点が多いと言われるため、納得できる結果です。

その他（Other）が飛び抜けて決定率が高いですが、これはPKが含まれているからですね。

次はシュートの種類を示すtype列。

当然ですが、シュート数に関してはオープンプレーが最も多くなっています。

決定率はPKが最も高く、8割ほどの決定率。

各国リーグにおけるPKの決定率は8割程度と言われていますが、それはバルセロナも例外ではないようです。

次にシュート位置を見ていきますが、その前にピッチ座標についての理解を深めましょう。

StatsBombのデータでは、ピッチ縦方向をX軸、横方向をY軸とし、それぞれ0～120、0～80の範囲の座標系になっています↓

それを踏まえて、まずはX座標のグラフをご覧ください。

ピッチ縦方向に着目すると、100～110の位置で放たれたシュートが多いことがわかります。

ペナルティエリアに入ったあたりでのシュートが多いわけですね。

そして、当然ながらゴールへ近ければ近いほど決定率は高くなります。

センターライン付近（60）からの決定率が少し高くなっていますが、恐らく相手GKが飛び出していた状況でのシュートだったのでしょう。

ピッチ横方向に関しては、ゴール正面からのシュートが多く決定率も高いことが見て取れます。

distanceとangleについても可視化を行っておきましょう。

当然ながら、ゴールに近ければ近いほど、角度が大きければ大きいほどゴールは決まりやすくなっています。

もう少しビジュアル的に優れた可視化をしたいので、カーネル密度推定という手法を使い、シュート位置のヒートマップを作成してみます。

from scipy.stats.kde import gaussian_kde

# visualize shot area
x_mesh, y_mesh = np.mgrid[0:100:0.1, 0:100:0.1] # make grids in increments of 10 cm
loc_mesh = np.vstack([x_mesh.ravel(), y_mesh.ravel()])
x_shot = train['start_location_x'].values * 100 / 120 # normalize x-coordinate
y_shot = (80 - train['start_location_y'].values) * 100 / 80 # normalize y-coordinate
loc_shot = np.vstack([x_shot, y_shot])
k_shot = gaussian_kde(loc_shot) # 2D Kernel Density Estimation
z_shot = np.reshape(k_shot(loc_mesh).T, x_mesh.shape)

fig, ax = draw_pitch()
contour = ax.contourf(x_mesh, y_mesh, z_shot.reshape(x_mesh.shape), cmap='summer')
ax.set_title("Shot area in Barcelona's games Messi has played")

from scipy.stats.kde import gaussian_kde

# visualize shot area

x_mesh, y_mesh = np.mgrid[0:100:0.1, 0:100:0.1] # make grids in increments of 10 cm

loc_mesh = np.vstack([x_mesh.ravel(), y_mesh.ravel()])

x_shot = train['start_location_x'].values * 100 / 120 # normalize x-coordinate

y_shot = (80 - train['start_location_y'].values) * 100 / 80 # normalize y-coordinate

loc_shot = np.vstack([x_shot, y_shot])

k_shot = gaussian_kde(loc_shot) # 2D Kernel Density Estimation

z_shot = np.reshape(k_shot(loc_mesh).T, x_mesh.shape)

fig, ax = draw_pitch()

contour = ax.contourf(x_mesh, y_mesh, z_shot.reshape(x_mesh.shape), cmap='summer')

ax.set_title("Shot area in Barcelona's games Messi has played")

先程のグラフより直感的に理解しやすくなりました。

ペナルティエリア中央を中心として、楕円を描くようにシュート位置が分布しています。

バイタルエリアにも分布が広がっているので、ミドルシュートもそれなりに多かったみたいですね。

せっかくなのでゴール位置のヒートマップも作ってみましょう。

# visualize goal area
x_goal = train['start_location_x'][train['goal']==1].values * 100 / 120 # normalize x-coordinate
y_goal = (80 - train['start_location_y'][train['goal']==1].values) * 100 / 80 # normalize y-coordinate
loc_goal = np.vstack([x_goal, y_goal])
k_goal = gaussian_kde(loc_goal) # 2D Kernel Density Estimation
z_goal = np.reshape(k_goal(loc_mesh).T, x_mesh.shape)

fig, ax = draw_pitch()
contour = ax.contourf(x_mesh, y_mesh, z_goal.reshape(x_mesh.shape), cmap='summer')
ax.set_title("Goal area in Barcelona's games Messi has played")

# visualize goal area

x_goal = train['start_location_x'][train['goal']==1].values * 100 / 120 # normalize x-coordinate

y_goal = (80 - train['start_location_y'][train['goal']==1].values) * 100 / 80 # normalize y-coordinate

loc_goal = np.vstack([x_goal, y_goal])

k_goal = gaussian_kde(loc_goal) # 2D Kernel Density Estimation

z_goal = np.reshape(k_goal(loc_mesh).T, x_mesh.shape)

fig, ax = draw_pitch()

contour = ax.contourf(x_mesh, y_mesh, z_goal.reshape(x_mesh.shape), cmap='summer')

ax.set_title("Goal area in Barcelona's games Messi has played")

おっと、一気にスポットが小さくなりました…！

色が濃い箇所の大部分がペナルティエリアに入っており、ボックス内での決定率の高さが伺えます。

おわりに

可視化編はこれにて終了です。

次回は今回得たシュートデータの肌感を活かし、機械学習モデルを構築していきます。

バルセロナのゴール期待値をLightGBMで予測する

最後に…

先日DAZNでマンチェスター・ダービーを観ていたのですが、実況の下田さんが試合前にxGについて話していました…！

「xGを基準にして考えると、ユナイテッドはもっと点を取っていてもおかしくない」という現地の報道を紹介していました。

今後、試合中継にもxGが登場する機会が増えると嬉しいです。

StatsBomb Open Data

データの読み込み

データの前処理

データの可視化

おわりに

コメントを残す コメントをキャンセル

コメントを残すコメントをキャンセル