1.数据采集
采集目标：世界杯成绩信息表：WorldCupsSummary
包含了所有21届世界杯赛事（1930-2018）的比赛主办国、前四名队伍、总参赛队伍、总进球数、现场观众人数等汇总信息，包括如下字段：Year: 举办年份,HostCountry: 举办国家,Winner: 冠军队伍,Second: 亚军队伍,Third: 季军队伍,Fourth: 第四名队伍,GoalsScored: 总进球数,QualifiedTeams: 总参赛队伍数,MatchesPlayed: 总比赛场数,Attendance: 现场观众总人数,HostContinent: 举办国所在洲,WinnerContinent: 冠军国家队所在洲等，采集后如下图数据采集目标字段截图所示。
采集流程：
第一步，导入所需要的库,如requests库、json库、pandas库等，代码展示如图所示：
import requests
import json
import time
import pandas as pd
import random
第二步，确定翻页方法，确定url和请求参数，发起请求与响应，代码展示如图所示：
df = []
i = 0
# API
url = 'https://api.bilibili.com/x/space/arc/search?'# 请求头参数
headers = {'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36 Edg/92.0.902.67','refer': 'https://www.bilibili.com/',
}
第三步，发起请求，确定网站返回值正常，网站可以正常爬取，代码展示如图所示：
response = requests.get(url, headers=headers, params=params)
第四步，定义一个列表，利用requests库发送请求，由于我们要收集不同网页的数据，再利用每一页网址存在一定差异的特点进行分页爬取，定位列表爬取的内容，代码展示如下图所示：
for value in info_list:try:RoundID = value['RoundID']except:RoundID = ""try:MatchID = value['MatchID']except:MatchID = ''try:Team_Initials = value['Team_Initials']except:Team_Initials = ''try:Coach_Name = value["Coach_Name"]except:Coach_Name = ''try:Line_up = value['Line_up']except:Line_up = ''try:Shirt_Number = value['Shirt_Number']except:Shirt_Number = ''try:Player_Name = value['Player_Name']except:Player_Name = 0try:Position= value['Position']except:Position = '无'try:Event = value['Event']except:Event = 0df.append([RoundID,MatchID,Team_Initials,Coach_Name,Line_up,Shirt_Number,Player_Name,Position,Event])
第五步，加入时间函数，设置代码运行速度，使翻页速度下降，模拟成人工翻页，防止爬取速度过快，代码展示如图所示：
# 防止爬取速度过快time.sleep(random.randint(1, 2))
第六步，在确定网站可以正常爬取的前提下，通过for循环获取信息，再将爬取的文件写入并保存至csv文件，代码展示如图所示：
if __name__=='__main__':start = time.time()# 设置需要爬取的页数num = 3list = [1935882,351498044,390461123,99157282,60384544,9008159,8960728,71851529]for value in list:pau = get_info(url,headers,num,value)end = time.time()# 数据存储df = pd.DataFrame(df,columns=["RoundID", "MatchID", "Team Initials","Coach Name","Line-up","Shirt Number","Player Name"，"Position","Event"])df.to_csv('WorldCupsSummary', encoding='gb18030', index=False)
这样，运行完整代码，就可以在csv文件中找到我们获取到的主页信息，并对它们进行有效分析，采集的部分数据截图如图所示：
2.数据预处理
2.1 数据预处理的目标：
（1）数据清洗
（2）缺失值处理
（3）数据格式清洗
（4）重复值清洗
（5）异常值清洗。
（6）去掉重复记录
（7）年份列，数据添加关键字”年”，2014年
2.2 空值、重复值的处理：
wcPlayers. duplicated()
处理重复值：
wcPlayers.drop_duplicates(inplace=True)
wcMatches.drop_duplicates(inplace=True)
用isnull()查看缺失值，，返回True表示此处为缺失值，本数据集有缺失值，需要处理
删除Position列为Nan的数据，填充 Attendance 为空的 cell
# 删除Position列为Nan的数据
wcPlayers.dropna(how='any', subset=['Position'], inplace=True)
# 填充 Attendance 为空的 cell
#使用每列缺失值后面的值进行填充(按相应列填充,按照相应index前后填充)
wcMatches.Attendance.fillna(method='bfill', inplace=True)
异常值的处理：
1.Position包括C和GK
ind = wcPlayers[(wcPlayers.Position != 'C')&(wcPlayers.Position != 'GK')].index
wcPlayers.drop(axis=0, index=ind, inplace=True)
2 Home Team Name 和 Away Team Name以rn">开头的国家
ind = wcMatches['Home Team Name'].str.startswith('rn">')
wcMatches.loc[ind,['Home Team Name']] = wcMatches.loc[ind,['Home Team Name']]['Home Team Name'].str.slice(4)
单位标准统一化：在有年份的列，加入单位年，进行标准化，方便后续的处理
wcMatches.Year = wcMatches.Year.astype(str) + '年'
wcMatches.Year
数值标准化：
1. Matches 的 Year 列转为整数
2. 主队进球数 转为整数
3. 客队进球数转为整数
4. Datetime 转为时间列
wcMatches.Year = wcMatches.Year.astype(int)
#将year转换为整形
wcMatches['Home Team Goals'] = wcMatches['Home Team Goals'].astype(int)
wcMatches['Away Team Goals'] = wcMatches['Away Team Goals'].astype(int)
wcMatches.Datetime = pd.to_datetime(wcMatches.Datetime)
wcMatches
3.数据可视化
导入数据可视化需要的第三方库：
import pandas as pd
import numpy as np
from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.charts import Line
from pyecharts.charts import Map
根据世界杯历史数据，可以分析每个比赛场次吸引的观众人数：
attendance = wcMatches.groupby(by='Year',group_keys=False).agg({'Attendance':'mean'}).reset_index()
plt.bar(x=range(attendance.shape[0]),height=attendance.Attendance)
plt.xticks(ticks=range(attendance.shape[0]),labels=attendance.Year,rotation=90)
plt.xlabel('年份')
plt.ylabel('平均每场人数')
plt.title('各年世界杯人数')
plt.show()
people=[round(i,2) for i in df.loc[:,'Attendance']/10000]
c = (Line(init_opts=opts.InitOpts(width='1150px')).add_xaxis(df.index.tolist()).add_yaxis("现场观众总人数", people, is_smooth=True,markpoint_opts=opts.MarkPointOpts(data=[opts.MarkLineItem(type_='max',symbol_size = [80,50],name='max'),opts.MarkLineItem(type_='min',symbol_size = [80,50],name='min')])).set_global_opts(tooltip_opts=opts.TooltipOpts(is_show=True, trigger="axis", axis_pointer_type="cross"),xaxis_opts=opts.AxisOpts(name='Time',type_="category",axispointer_opts=opts.AxisPointerOpts(is_show=False, type_="shadow"),),yaxis_opts=opts.AxisOpts(name='numbers(10000)')).set_series_opts(label_opts=opts.LabelOpts(is_show=False)).render("此场观众总人数.html")
)
从图中可以看出，世界杯观众人数整体总体是上升的，从最初只有30万人到2018年有300多万人现场观看，上涨了近5倍，其中在1934年现场人数最少，只有36万人左右，观众总数最多的一届是1994年的美国世界杯。其次，世界杯现场观众人数的总量已经从1930年的约590,000人增长到了2018年的超过3300万人。这反映了足球运动在全球越来越受欢迎和普及的趋势。然而，需要注意的是，该数字并不包括通过电视和互联网观看比赛的人数，因此实际上世界杯足球比赛所吸引的观众远远超过现场观众的数量。在世界杯历史的早期，现场观众人数相对较少，这主要是因为早期的比赛更为局部化和地区化。直到20世纪90年代，随着电视和互联网的普及，现场观众人数才开始显著增长。
接下来，我们绘制了1930-2018年世界杯总进球、参赛队伍、比赛场数折线图。
year_list=df['Year'].values.tolist()
plt.plot(year_list,df['GoalsScored'],label='总进球数')
plt.plot(year_list,df['QualifiedTeams'],label='总参赛队伍数')
plt.plot(year_list,df['MatchesPlayed'],label='总比赛场数')
plt.legend()
plt.title('1930-2018年世界杯总进球、参赛队伍、比赛场数')
plt.show()
从图中可看出，参赛队伍的增加，导致了总进球数和比赛场次的增加，中间有几届出现较大的波动，但1954年和1958年像是个意外，队伍不多，进的球还不少。且1930年至2018年的世界杯参赛队伍数量不断增加，从最初的13个增长到现在的32个，1998年世界杯以后，参赛队伍数量稳定在32个，其中既有足球强国，也有新兴足球劲旅。1930年至2018年的世界杯比赛场数逐年增加，从最初的18场增长到现在的64场。世界杯足球比赛已经成为全球足球迷普遍关注的焦点，进球数、参赛队伍和比赛场数也随着时间不断增长。世界杯足球比赛也一直在不断创造新的历史记录。
我们想要预测下一届的世界杯冠军，就得分析世界杯各个国家球队身价。
从世界杯各个国家球队身价条形图可知，排在前五的是英格兰队、巴西队、法国队和葡萄牙队，分别是在十亿欧元左右。然而，需要注意的是球员身价是动态变化的，受到众多因素的影响，不过这也能帮助我们预测下一届的冠军，大概率会从前几名之中产生。
为了做出更准确的预测，世界杯各个国家进球数分析是必不可少的。
homeTeam = wcMatches[['Home Team Name', 'Home Team Goals']]
homeTeam.columns = ['Team Name','Team Goals']
awayTeam = wcMatches[['Away Team Name', 'Away Team Goals']]
awayTeam.columns = ['Team Name','Team Goals']
team = pd.concat([homeTeam, awayTeam])
results = team.groupby(by='Team Name',group_keys=False).agg({'Team Goals':'sum'}).reset_index()
results.sort_values(by='Team Goals',ascending=False,inplace=True)plt.figure(figsize=(24,6))
plt.bar(range(results.shape[0]), results['Team Goals'])
plt.xticks(range(results.shape[0]),results['Team Name'],rotation=90)
plt.xlabel('国家')
plt.ylabel('历届总进球数')
plt.title('国家进球数')
plt.show()
从图中可以看出，巴西是历届总进球数最多的国家，远远超过其他各国，无愧足球王国的称号，其次是德国和阿根廷等。而矩形颜色越深，说明这个国家进球的次数越多，实力比较强。
同时我们也分析了夺冠国家的进失球率。
# 合并数据表
data7=data3.merge(data6,on="球队",how="outer")
data7=data7[['球队','总场次_x','总进球数','进球率','总失球数','失球率']]
data7.rename(columns={'总场次_x': '总场次'}, inplace=True)
# 画图
import numpy as np
col=["Brazil","Italy","Germany FR","Argentina","France","Uruguay","England","Germany","Spain"]
result=[]
for i in col:result.append(data7[data7["球队"]==i])
result=np.array(result)
result=result.reshape(9,6)
result=pd.DataFrame(result,index=col,columns=data7.columns)
result=result.iloc[:,1:].astype('float') import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams['font.family']='sans-serif'
mpl.rcParams['font.sans-serif']=[u'SimHei']
mpl.rcParams['axes.unicode_minus'] = Falseminx = min(result["失球率"])
maxx = max(result["失球率"])
miny = min(result["进球率"])
maxy = max(result["进球率"])plt.figure(figsize=(8,8),dpi=100)
for i in range(result.shape[0]): plt.scatter(x=result["失球率"][i],y=result["进球率"][i],s=result["总场次"][i]*20,alpha=0.65,cmap='viridis')
plt.xlim(xmin= maxx+0.1,xmax=minx-0.1) # 将失球率从大到小设定X轴
plt.vlines(x=result['失球率'].mean(), ymin=miny-0.1, ymax=maxy+0.1,colors='black', linewidth=1)
plt.hlines(y=result['进球率'].mean(), xmin=minx-0.1, xmax=maxx+0.1,colors='black', linewidth=1)
for x,y,z in zip(result["失球率"],result["进球率"],col):plt.text(x, y, z, ha='center',fontsize=10)
plt.xlabel("高<—————— 失球率(%) ——————>低",fontsize=15)
plt.ylabel("低<—————— 进球率(%) ——————>高",fontsize=15)
plt.title("夺冠国家进失球率-波士顿矩阵图", fontsize=20)
plt.show()
从图可以看出进球率高而失球率低的国家更容易夺冠。例如，巴西、德国和意大利等国家，它们在夺冠的同时，进球率和失球率都比较出色，这说明它们在攻守两端都相当出色，具有很强的实力和稳定性。 其次，一些夺冠次数较少的国家，如乌拉圭和英格兰，它们的进球率和失球率波动范围比较大，这表明它们的实力相对较弱，夺冠时的运气和机会起到了很大的作用。最后，还可以看出一些国家在进攻或防守方面表现非常突出。
世界杯上主客场优劣势问题一直备受关注，下面是世界杯主客场胜率的一些分析，研究冠军国家是否与举办国家是否存在关系。
data = wcSummary[['HostCountry','Winner']]
eq = data[data.HostCountry == data.Winner].shape[0]
neq = data.shape[0] - eqplt.pie(labels=['举办国家获冠军','非举办国家获冠军'],x=[eq,neq],autopct='%.2f%%')
plt.title('举办国家和冠军国家的比例')
plt.show()
#主场队胜
win=int(df[df.loc[:,'Home Team Goals']>df.loc[:,'Away Team Goals']].count()[0])
#平
draw=int(df[df.loc[:,'Home Team Goals']==df.loc[:,'Away Team Goals']].count()[0])
#主场队输
loss=int(df[df.loc[:,'Home Team Goals']
从图中可以发现，主场优势是真实存在的，当作为主场方的，其胜率达到了76.19%，而客场的胜率只有23.81%，平局和客队胜概率都较小。需要明确的是，在世界杯比赛中，没有正式的主客场之分。在小组赛中，每个球队都有机会分别在中立场进行3次比赛；而在淘汰赛阶段，除了决赛以外，主客场的优劣势对这些比赛并没有明显的影响。
世界杯是世界范围内最重要、最受关注的足球比赛之一，那么世界杯举办国家都在哪些地方呢，哪些地方的人们踢足球更厉害呢？
HostCountry=df.groupby(df.loc[:,'HostCountry']).groups
for i in HostCountry:HostCountry[i]=len(HostCountry[i])
HostCountry['Korea']=1
HostCountry['Japan']=1
del HostCountry['Korea/Japan']
HostCountry['United States']=HostCountry['USA']
del HostCountry['USA']
HostCountry['United Kingdom']=HostCountry['England']
del HostCountry['England']
HostCountry=[[i,HostCountry[i]] for i in HostCountry]c=(Map(init_opts=opts.InitOpts(width='1150px')).add(series_name="举办国家",data_pair=HostCountry,maptype="world",)# 全局配置项.set_global_opts(# 设置标题title_opts=opts.TitleOpts(title="举办世界杯国家的世界地图"),# 设置标准显示visualmap_opts=opts.VisualMapOpts(max_=2, is_piecewise=False),)# 系列配置项.set_series_opts(# 标签名称显示，默认为Truelabel_opts=opts.LabelOpts(is_show=False, color="blue"),showLegendSymbol=False)# 生成本地html文件.render("举办过世界杯的国家.html"))
从图中可以看出，世界杯的主办方一般都在欧洲和美洲,很少会在亚洲和非洲举办，这可能跟经济实力或者国家足球实力有关，也取决于欧洲球队的综合实力以及参赛名额。从词云图可知，有的国家都举办二轮了，有的国家连一轮都没举办过，在亚洲举办的次数最少，在欧洲举办的次数是最多的，像墨西哥，巴西，法国等都举办了两次了。
世界杯的冠军队伍并不都来自同一个州或地区，这些获胜者分散在世界各地。以下是世界杯冠军队伍所在州的一些分析。
sns.countplot(df['WinnerContinent'])
plt.title('1930-2018年世界杯冠军队所在州统计')
plt.show()
预测下一届世界杯冠军是一项困难的任务，因为从目前的局面来看，尚不清楚哪支球队最有可能夺冠。每个队伍都有自己的优点和缺点，而世界杯比赛还可能会出现意外的情况，影响比赛进程和结果。
尽管如此，我们可以根据过去的战绩、球队阵容、教练以及球队的整体实力等因素来预测夺冠概率。根据目前的情况，以下是我们的预测：
巴西拥有百年足球历史和优秀的足球文化，在世界足坛上一直占有重要地位。他们有许多优秀的球员，如内马尔、库蒂尼奥和阿尔维斯等，并且巴西队一直以攻势足球而著名。如果他们能够保持稳定状态并且各个方面配合默契，他们极有可能赢得冠军。我们认为夺冠概率为14%。
阿根廷足球历史悠久，拥有众多可圈可点的成就和优秀的球员，是南美洲足球的重要代表之一，但是，尽管他们历史上曾多次获得过世界杯冠军，但在未来能否夺冠仍存在着许多的不确定性。总的来说，我认为阿根廷队在下一届世界杯夺冠概率是中等偏上的，约为13%左右。
法国在2018年世界杯上获得了冠军，他们是一支有实力的球队，拥有一流的教练和优秀球员，如姆巴佩、格列兹曼和坎特等。他们有足够的实力和经验，可以在下一届世界杯中再次获得冠军，夺冠概率约在16%。
德国早期足球运动很活跃，在足球历史上占有着重要的地位，也取得过世界杯冠军，且一直保持着强大的国际竞争实力。然而，根据过往的历史数据和目前的球队阵容，德国队仍然是有很大冠军争夺实力的球队之一。夺冠概率约在12%。
西班牙足球风格独特，注重技术和战术的融合并且拥有一流的球员和教练团队。他们在过去几年的比赛中表现出色，并有可能在下一届世界杯上获得冠军。夺冠概率约为11%。
其他国家也有可能赢得冠军，如英格兰、葡萄牙等。但他们的夺冠概率相对较低，因为他们可能面临更大的挑战和困难。夺冠概率：10%。
这仅是我们通过数据做出的预测，实际情况可能存在变化，并且各支球队的实力、状态以及比赛情况均可影响预测结果。
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！