1.数据来源

2.字段解释

世界杯成绩信息表：WorldCupsSummary

世界杯比赛比分汇总表：WorldCupMatches.csv

世界杯球员信息表：WorldCupPlayers.csv

3.数据分析及可视化

世界杯已经告一段落，作为一个学习大数据的学生，就像借此来做做分析玩，本次数据来源于天池大赛官网，大家可以去天池大赛官网自己下载，也可以通过我的网盘，链接放下面了。

1.数据来源

天池大赛官网链接：

https://tianchi.aliyun.com/competition/entrance/532045/information

百度网盘下载链接：

python源代码也放入进去了（现在只有一个表的分析，后面会更新剩下两个表的分析）

https://pan.baidu.com/s/1GuiqtTLCwdR-yfobdhnX6w?pwd=zytt 提取码：zytt

2.字段解释

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

世界杯比赛比分汇总表：WorldCupMatches.csv

包含了所有21届世界杯赛事（1930-2014）单场比赛的信息，包括比赛时间、比赛主客队、比赛进球数、比赛裁判等信息。包括如下字段：

Year: 比赛（所属世界杯）举办年份
Datetime: 比赛具体日期
Stage: 比赛所属阶段，包括小组赛（GroupX）、16进8（Quarter-Final）、半决赛（Semi-Final）、决赛（Final）等
Stadium: 比赛体育场
City: 比赛举办城市
Home Team Name: 主队名
Away Team Name: 客队名
Home Team Goals: 主队进球数
Away Team Goals: 客队进球数
Attendance: 现场观众数
Half-time Home Goals: 上半场主队进球数
Half-time Away Goals: 上半场客队进球数
Referee: 主裁
Assistant 1: 助理裁判1
Assistant 2: 助理裁判2
RoundID: 比赛所处阶段ID，和Stage字段对应
MatchID: 比赛ID
Home Team Initials: 主队名字缩写
Away Team Initials: 客队名字缩写

世界杯球员信息表：WorldCupPlayers.csv

RoundID: 比赛所处阶段ID，同比赛信息表的RoundID字段
MatchID: 比赛ID
Team Initials: 队伍名
Coach Name: 教练名
Line-up: 首发/替补
Shirt Number: 球衣号码
Player Name: 队员名
Position: 比赛角色，包括：C=Captain, GK=Goalkeeper
Event: 比赛事件，包括进球、红/黄牌等

3.数据分析及可视化

在这里，我是对一个表一个表分析可视化来的，首先对世界杯成绩信息表：WorldCupsSummary进行分析。

我们先导入所需要用到的库

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

然后导入数据

#显示所有列
pd.set_option('display.max_columns', None)
#显示所有行
pd.set_option('display.max_rows', None)
#设置value的显示长度为100，默认为50
pd.set_option('max_colwidth',100)
df=pd.read_csv('WorldCupsSummary.csv',index_col=0)#将第一列作为索引列，即将时间作为索引

首先，我先分析进入半决赛的国家次数，夺冠次数，获得亚军次数，获得季军次数，获得第四名次数，由于给的数据都比较规则，不存在什么缺失值和异常值，故这里没怎么进行数据处理，但是在国家这里，国家名称存在着问题，如Germany FR 与Germany，这里需要对其进行合并，最终代码如下

#国家获得冠军数量
groupbyed=df.groupby(['Winner']).groups
for i in groupbyed :
    groupbyed[i]=len(groupbyed[i])
groupbyed['Germany']=groupbyed['Germany FR']+groupbyed['Germany']#合并Germany与Germany FR
del groupbyed['Germany FR']
groupbyed=pd.DataFrame([groupbyed]).T
groupbyed.columns=['nums']

#获得亚军数量
Second=df.groupby('Second').groups
for i in Second :
    Second[i]=len(Second[i])
Second['Germany']=Second['Germany FR']+Second['Germany']
del Second['Germany FR']
Second=pd.DataFrame([Second]).T
Second.columns=['nums']


#获得季军数
Third=df.groupby('Third').groups
for i in Third :
    Third[i]=len(Third[i])
Third['Germany']=Third['Germany FR']+Third['Germany']
del Third['Germany FR']
Third=pd.DataFrame([Third]).T
Third.columns=['nums']

#第四名数
Fourth=df.groupby('Fourth').groups
for i in Fourth :
    Fourth[i]=len(Fourth[i])
Fourth['Germany']=Fourth['Germany FR']
del Fourth['Germany FR']
Fourth=pd.DataFrame([Fourth]).T
Fourth.columns=['nums']

groupbyed.reset_index(inplace=True)
Second.reset_index(inplace=True)
Third.reset_index(inplace=True)
Fourth.reset_index(inplace=True)
groupbyed=pd.merge(groupbyed,Second,how='outer',on='index')
groupbyed=pd.merge(groupbyed,Third,how='outer',on='index')
groupbyed=pd.merge(groupbyed,Fourth,how='outer',on='index')
groupbyed.columns=['国家','冠军数','亚军数','季军数','第四名数']
groupbyed.fillna(0,inplace=True)
groupbyed['总数']=groupbyed['冠军数']+groupbyed['亚军数']+groupbyed['季军数']+groupbyed['第四名数']
groupbyed.sort_values(by='总数',inplace=True,ascending=False)
print(groupbyed)
c = (
    Bar(init_opts=opts.InitOpts(width='1500px'))
    .add_xaxis(list(groupbyed['国家']))
    .add_yaxis("冠军数", list(groupbyed['冠军数']),category_gap='15%')
    .add_yaxis("亚军数", list(groupbyed['亚军数']),category_gap='15%')
    .add_yaxis("季军数", list(groupbyed['季军数']),category_gap='15%')
    .add_yaxis("第四名数", list(groupbyed['第四名数']),category_gap='15%')
    .add_yaxis('总数',list(groupbyed['总数']),category_gap='15%')
    .set_global_opts(title_opts=opts.TitleOpts(title="按照获奖总数排序",pos_left='20%'),
                     xaxis_opts=opts.AxisOpts(name='国家',axispointer_opts={'interval':'0'},axislabel_opts=opts.LabelOpts(rotate=35,font_size=12)),
                     yaxis_opts=opts.AxisOpts(name='数量'),
                     legend_opts=opts.LegendOpts(textstyle_opts=opts.TextStyleOpts(font_size=15)))
    .render("前四名.html")
)

从上述可看出，进入半决赛最多的是德国队，其次就是巴西队、意大利队等，想不到韩国也进过半决赛，懂得都懂。

然后我们分析一下举办年份，按照四年一届世界杯，看看中间是否有过缺席

#统计未举办年份
Year=list(df.index)
count={}
for i in range(1930,2019,4):
    count[str(i)]=Year.count(i)
count=pd.DataFrame([count]).T
count.columns=['是否举办']
print(count[count['是否举办']==0])

发现1942年和1946年未举办，估计这是由于正在打二战所导致的

然后我们统计分析一波，总进球数，总比赛场数，总参赛队伍数，并简单计算一下场均进球数

GoalsScored=df.loc[:,'GoalsScored']
changjun=np.array(GoalsScored)/np.array(df.loc[:,'MatchesPlayed'])
changjun=[round(i,1) for i in changjun]
# print(changjun)
bar = (
    Bar(init_opts=opts.InitOpts(width='1500px'))
    .add_xaxis(list(GoalsScored.index))
    .add_yaxis("总进球数", GoalsScored.tolist(),category_gap='15%',z=0)
    .add_yaxis('总参赛队伍数',list(df.loc[:,'QualifiedTeams']),category_gap='15%',z=0)
    .add_yaxis("总比赛场数",list(df.loc[:,'MatchesPlayed']),category_gap='15%',z=0)
    .set_global_opts(
                     xaxis_opts=opts.AxisOpts(axispointer_opts={'interval':'0'},axislabel_opts=opts.LabelOpts(rotate=35,font_size=12),name='Time'),
                     yaxis_opts=opts.AxisOpts(name='Numbers'),
                     legend_opts=opts.LegendOpts(textstyle_opts=opts.TextStyleOpts(font_size=15))))
line=(
    Line(init_opts=opts.InitOpts(width='1500px'))
        .add_xaxis(GoalsScored.index.tolist())
        .add_yaxis("场均进球数",y_axis=changjun,is_smooth=True,is_symbol_show=True)
        .set_global_opts(title_opts=opts.TitleOpts(title="折线图-基本示例"))
)
bar.overlap(line)
bar.render('场均进球.html')

可看出参赛队伍从1930年的13支增加到了18年的32支，这么多支队伍，中国都进不去啧啧啧，参赛队伍的增加，导致了总进球数和比赛场次的增加，但54年和58年像是个意外，队伍不多，进的球还不少，难不成刚二战结束，踢球都带有民族情绪，而场均进球数，从1930年到2018年呈下降趋势，这可能与早期足球参赛队伍少，比赛场次少有关吧，数量少了，偶然性就大嘛，而54年的场均进球数最高，平均每场都得进5、6个，搞得我还去百度了一下54年世界杯发生啥了，踢的这么激烈。

接着咱们看看世界杯现场观众数量的变化

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("现场观众总人数.html")
)

世界杯现场观众数整体是上升的，从最初只有60万人到2018年有303万人现场观看，上涨了近5倍，其中在1934年现场人数最少，只有36万人左右，可能是要打仗了吧=-=，而在1994年，现场人数最多，达到了358万人，是在美国所举办=-=。但我估计今年卡塔尔世界杯可能会破新高。

然后我们分析一下哪些国家举办国世界杯的吧，这里队日本和韩国的数据要处理一下，他们联合举办，就当他们都举办过的吧=-=，当然这里的德国和联邦德国依旧合并，而这里的USA需要更改为United States，England 也需要更改，不然Map画不出来=-=。

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="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True
            label_opts=opts.LabelOpts(is_show=False, color="blue"),showLegendSymbol=False
        )
        # 生成本地html文件
        .render("世界地图.html")
        )

只能说有的国家都举办二轮了，有的国家连一轮都没举办过，当然这和地区经济也有关，可以看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。

然后再看看夺冠国家的分布吧，这里英国的名字需要自己修改一下，不如又识别不了

Winner=df.groupby(['Winner']).groups
for i in Winner :
    Winner[i]=len(Winner[i])
Winner['Germany']=Winner['Germany FR']+Winner['Germany']
del Winner['Germany FR']
Winner['United Kingdom']=Winner['England']
del Winner['England']
Winner=[[i,Winner[i]] for i in Winner]
# Winner.columns=['nums']
c=(
    Map(init_opts=opts.InitOpts(width='1150px'))
        .add(
            series_name="夺冠国家",
            data_pair=Winner,
            maptype="world",
        )
        # 全局配置项
        .set_global_opts(
            # 设置标题
            title_opts=opts.TitleOpts(title="世界地图"),
            # 设置标准显示
            visualmap_opts=opts.VisualMapOpts(max_=5, is_piecewise=True),
        )
        # 系列配置项
        .set_series_opts(
            # 标签名称显示，默认为True
            label_opts=opts.LabelOpts(is_show=False, color="blue"),showLegendSymbol=False
        )
        # 生成本地html文件
        .render("夺冠国家分布.html")
        )