使用Seaborn进行NBA球员数据可视化与相关性分析

云舒

发布时间：2026-10-16 | 4人浏览过

原创

本文通过Jupyter Notebook演示如何利用Seaborn库对NBA球员数据集进行完整的数据分析。内容涵盖从数据导入、基础统计信息查看，到基于效率值（RPM）的特征相关性计算及热力图绘制，帮助读者掌握Python在体育数据挖掘中的实际应用。

本案例基于Jupyter Notebook环境进行演示，选取NBA球员信息数据集作为分析对象，旨在展示完整的数据分析流程。

1. 数据介绍

该数据集包含342名球员的样本，共涉及38个特征字段，数据规模表现为342行乘以38列。
数据集的核心信息汇总如下表所示：

球员姓名	位置	身高	体重	年龄	球龄	上场次数	场均时间	进攻能力	防守能力	是否入选过全明星	球员薪金

此数据集适用于数据处理、数据挖掘以及数据可视化等应用场景。
本节将对NBA球员数据集执行初步的统计学分析，并绘制相关性热力图以展示变量间的关系。

2. 案例演示

2.1 获取数据

首先导入必要的Python库，并执行以下代码以加载本地数据集。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 获取数据集
NBA = pd.read_csv("nba_2017_nba_players_with_salary.csv")
NBA.head()

代码运行后的输出结果如下：

2.2 查看数据基本信息

首先进行基础的统计学分析，通过查看标准差、中位数、方差等指标来了解数据分布情况。

# 看一下数据有多少
NBA.shape
# 查看基本统计信息
NBA.describe()

部分运行结果展示如下：

2.3 数据分析

2.3.1 效率值相关性分析

在诸多数据指标中，RPM（Real Plus-Minus）代表球员的效率值，该指标反映了球员在场时对球队获胜的贡献度，是衡量球员综合实力的关键数据。我们可以进一步分析该指标与其他数据的相关性。

首先，选取几个具有代表性的特征进行分析，并绘制热力图以直观展示关系。

# 2. 数据分析
## 2.1 效率值相关性分析
NBA_1 = NBA.loc[:, ['RPM','AGE','SALARY_MILLIONS','ORB','DRB','TRB','AST','AST','STL','BLK','TOV','PF','POINTS','GP','MPG','ORPM','DRPM']]
NBA_1.head()

随后，使用以下代码计算具体的相关性数值表。

# 计算相关性
# 获取两列之间的相关性
corr = NBA_1.corr()
corr

部分运行结果如下图所示：

最后，利用前述计算得到的相关性表，绘制相关性关系热力图。

# 调用热力图绘制相关性关系
plt.figure(figsize=(20,20),dpi=120)
sns.heatmap(corr, square=True, linewidths=0.1, annot=True)
# 保存图像
plt.savefig("./test.png")
# 颜色越深：相关性越弱
# 颜色越浅：相关性越强

运行结果如下图所示：