Απάνθισμα

Τα δεδομένα που έχουμε μπορούν να παράγουν νέες στήλες οι οποίες θα είναι χρήσιμες στην επεξεργασία που θα κάνουμε στην συνέχεια. Προς το παρόν θα φτιάξουμε τρεις νέες στήλες. Θα φτιάξουμε μια στήλη με το όνομα ΣΚΟΡ_ΣΥΝ στην οποία θα αποθηκεύουμε το άθροισμα των γκολ κάθε αγωνιστικής, δηλαδή το άθροισμα των γκολ της στήλης ΣΚΟΡ_ΓΗΠ + ΣΚΟΡ_ΦΙΛ. Θα φτιάξουμε μια νέα στήλη που θα την ονομάσουμε ΑΠΟΤ, το οποίο θα είναι το αποτέλεσμα του παιχνιδιού και θα παίρνει 3 τιμές, (Α για το Άσσος η Δ για το Διπλό ή Χ για την ισοπαλία) 1 ή 2 ή Χ ανάλογα με το αποτέλεσμα κάθε αγώνα. Τέλος θα φτιάξουμε μια στήλη ΑΠΟΤ_ΑΡ, δηλαδή το αποτέλεσμα με αριθμητική τιμή. Επειδή οι διακριτές τιμές Α, Δ, Χ ίσως σε μελλοντική επεξεργασία δεν μας δίνουν επαρκή αποτελέσματα όταν επιχειρήσουμε να δούμε την συσχέτιση μεταξύ των μεταβλητών, θα αποθηκεύσω το αποτέλεσμα κάθε αγώνα και σε μια επιπλέον μορφή με αριθμητική προέκταση. Αυθαίρετα θα επιλέξω όταν το ματς έρχεται άσσος στο ΑΠΟΤ_ΑΡ να αποθηκεύω το 0, όταν το ματς έρχεται Χ να αποθηκεύω 1 και όταν το ματς έρχεται 2, να αποθηκεύω στην στήλη την τιμή 2. Οι νέες στήλες μπορούν είτε να δημιουργηθούν πάνω στο ίδιο dataframe df, είτε μπορούν να δημιουργηθούν σε ένα νέο dataframe. Θα επιλέξω να τις δημιουργήσω σε ένα νέο με το όνομα games έτσι ώστε να διατηρήσω αμετάβλητα τα αρχικά δεδομένα για πιθανή μελλοντική χρήση. Έχουμε λοιπόν:

α. games = df #Δημιουργία ενός πανομοιότυπου dataframe με το όνομα games

β. games[‘ΣΚΟΡ_ΣΥΝ’] = games[‘ΣΚΟΡ_ΓΗΠ’] + games[‘ΣΚΟΡ_ΦΙΛ’] #Δημιουργία μιας νέας στήλης στο games που θα περιέχει το άθροισμα των άλλων δύο στηλών με όνομα ΣΚΟΡ_ΣΥΝ

γ. Αν τώρα γράψουμε games, θα πάρουμε ως αποτέλεσμα:

Βλέπουμε ότι έχει προστεθεί η νέα στήλη ΣΚΟΡ_ΣΥΝ και πως σε κάθε γραμμή έχει το άθροισμα των δύο προηγούμενων στηλών.

Τώρα δίνω αρχική τιμή σε όλα τα ματς το αποτέλεσμα Χ

games[‘ΑΠΟΤ’]=’Χ’

games[‘ΑΠΟΤ_ΑΡ’] = 1

Και κατόπιν αν το σκορ του Γηπεδούχου είναι μεγαλύτερο του σκορ του Φιλοξενούμενου τότε αλλάζω το αποτέλεσμα σε Άσσο, σε αντίθετη περίπτωση το κάνω Διπλό και για τις δύο στήλες σύμφωνα με αυτά που έχουμε προδιαγράψει.

games[‘ΑΠΟΤ’] = np.where(games[‘ΣΚΟΡ_ΓΗΠ’]>games[‘ΣΚΟΡ_ΦΙΛ’],’Α’, games[‘ΑΠΟΤ’])

games[‘ΑΠΟΤ’] = np.where(games[‘ΣΚΟΡ_ΓΗΠ’]<games[‘ΣΚΟΡ_ΦΙΛ’],’Δ’, games[‘ΑΠΟΤ’])

games[‘ΑΠΟΤ_ΑΡ’] = np.where(games[‘ΣΚΟΡ_ΓΗΠ’]>games[‘ΣΚΟΡ_ΦΙΛ’], 0, games[‘ΑΠΟΤ_ΑΡ’])

games[‘ΑΠΟΤ_ΑΡ’] = np.where(games[‘ΣΚΟΡ_ΓΗΠ’]<games[‘ΣΚΟΡ_ΦΙΛ’], 2, games[‘ΑΠΟΤ_ΑΡ’])

Αν τώρα ελέγξω το dataframe μου θα πάρω: games

Το παραπάνω dataframe φαίνεται πολύ ωραίο για περαιτέρω επεξεργασία. Ωστόσο κάθε φορά που θα χρειάζεται να κάνουμε επιπλέον εργασίες, θα πρέπει να τρέχει όλος ο κώδικας που έχουμε γράψει ως τώρα για να παράγουμε το dataframe games και να το φτιάχνουμε στην μορφή που το έχουμε. Για να μην τρέχουμε ξανά και ξανά όλο το κώδικα, μπορούμε να το αποθηκεύσουμε στην μορφή που το έχουμε φέρει ως τώρα με ένα νέο όνομα (Greekf.csv) και από εδώ και πέρα να ανοίγουμε αυτό το αρχείο και να συνεχίζουμε την επεξεργασία.

Η αποθήκευση γίνεται με την εντολή:

games.to_csv(‘Greekf.csv’)

και αυτόματα στον ενεργό μας φάκελο δημιουργείται και αποθηκεύεται ένα αρχείο csv που έχει το τελικό dataframe που έχουμε φτιάξει με το όνομα games με όλες τις επιπλέον στήλες που έχουμε εισαγάγει.

Είδαμε πως ο μέσος όρος των γκολ των γηπεδούχων είναι 1.33 γκολ και ο μέσος όρος των γκολ των φιλοξενούμενων είναι 1,07 γκολ. Ας δούμε το σύνολο των γκολ που βάλανε οι γηπεδούχοι και οι Φιλοξενούμενοι. Χρησιμοποιούμαι την μέθοδο sum. Έχουμε:

α. Γηπεδούχοι: df[‘ΣΚΟΡ_ΓΗΠ’].sum() σύνολο 243

α. Φιλοξενούμενοι: df[‘ΣΚΟΡ_ΦΙΛ‘].sum() σύνολο 196

Επομένως στο Ελληνικό πρωτάθλημα μπήκαν την σεζόν 2021-2022 σύνολο 439 γκολ ή 2.41 γκολ ανά αγώνα.

Μπορούμε να εφαρμόσουμε φίλτρα στα δεδομένα μας. Για παράδειγμα αν θέλουμε να βρούμε σε πόσους και ποιους αγώνες ο φιλοξενούμενος έβαλε 4 η περισσότερα γκολ γράφουμε:

df[df[‘ΣΚΟΡ_ΦΙΛ’] >= 4]

Αποτέλεσμα:

Μπορούμε να φτιάξουμε και πιο σύνθετα φίλτρα. Αν για παράδειγμα θέλουμε να βρούμε τα ματς που και ο γηπεδούχος και ο φιλοξενούμενος βάλανε 2 ή περισσότερα γκολ γράφουμε:

df[(df[‘ΣΚΟΡ_ΦΙΛ’] >= 2) & (df[‘ΣΚΟΡ_ΓΗΠ’] >= 2)]

Αποτέλεσμα:

Αν θέλουμε να μετρήσουμε τα συγκεκριμένα ματς γράφουμε:

df[(df[‘ΣΚΟΡ_ΦΙΛ’] >= 2) & (df[‘ΣΚΟΡ_ΓΗΠ’] >= 2)].count()

Αποτέλεσμα: ΑΓΩΝΙΣΤΙΚΗ 16

Αν θέλουμε το άθροισμα των γκολ για παράδειγμα για αυτές τις αγωνιστικές των Γηπεδούχων:

df.ΣΚΟΡ_ΓΗΠ[(df[‘ΣΚΟΡ_ΦΙΛ’] >= 2) & (df[‘ΣΚΟΡ_ΓΗΠ’] >= 2)].sum()

Αποτέλεσμα: 43

Θα χρειαστεί για ευκολία να φτιάξουμε και νέες στήλες στα δεδομένα μας με ενδιάμεσους υπολογισμούς που θα χρησιμοποιούμε συνέχεια. Για παράδειγμα μια στήλη με το άθροισμα των γκολ και των δύο ομάδων, μια στήλη με τον αν ο αγώνας ήρθε 1,2,Χ κ.α. Αυτά θα τα δούμε σε κάποιο επόμενο μάθημα.

Αν τώρα θέλουμε να βρούμε την πιο συνηθισμένη τιμή μιας στήλης το κάνουμε με την συνάρτηση mode(). Αν για παράδειγμα θέλουμε το πιο συνηθισμένο σκορ για τον γηπεδούχο, τότε:

df.ΓΗΠΕΔΟΥΧΟΣ.mode() Αποτέλεσμα: 1

Άρα το πιο σύνηθες αποτέλεσμα για τον γηπεδούχο είναι να βάζει 1 ακριβώς γκολ

Μπορούμε και σε μια σύνθετη επιλογή να βρούμε το πιο επικρατές. Στο παραπάνω παράδειγμα αν θέλαμε να βρούμε ποια ομάδα σε ματς που βάζει και ο γηπεδούχος και ο φιλοξενούμενος δύο ή περισσότερα γκολ, ποια είναι η πιο συνήθης ομάδα, τότε έχω:

df.ΦΙΛΟΞΕΝΟΥΜΕΝΟΣ[(df[‘ΣΚΟΡ_ΦΙΛ’] >= 2) & (df[‘ΣΚΟΡ_ΓΗΠ’] >= 2)].mode()

Αποτέλεσμα: ΒΟΛΟΣ

Αν θέλαμε τις 3 ή Ν πιο συνηθισμένες τιμές, χρησιμοποιούμαι την συνάρτηση value_counts()

df.ΣΚΟΡ_ΓΗΠ.value_counts()

και παίρνουμε ως αποτέλεσμα:

1 58

0 53

2 44

3 16

4 7

5 3

6 1

Επομένως σε 58 ματς μπήκαν 1 γκολ, σε 53 ματς 0 γκολ σε 44 ματς 2 γκολ κοκ (γηπεδούχος).

Αν θέλω να δω την σειρά με την οποία εμφανίζονται οι ομάδες όσον αφορά στα ματς που κατάφεραν ως γηπεδούχοι να βάλουν περισσότερα από 2 γκολ θα έγραφα το παρακάτω κώδικα:

df.ΓΗΠΕΔΟΥΧΟΣ[df[‘ΣΚΟΡ_ΓΗΠ’] >= 2].value_counts()

Και βλέπουμε παρακάτω το αποτέλεσμα, σε πόσα ματς με φθίνουσα σειρά κάθε ομάδα έβαλε ώς γηπεδούχος περισσότερα από δύο γκολ.

ΠΑΝΑΘΗΝΑΙΚΟΣ 9

ΠΑΟΚ 8

ΑΕΚ 7

ΟΦΗ 7

ΟΛΥΜΠΙΑΚΟΣ 7

ΑΤΡΟΜΗΤΟΣ 6

ΛΑΜΙΑ 5

ΒΟΛΟΣ 4

ΑΣΤΕΡΑΣ 4

ΑΡΗΣ 4

ΓΙΑΝΝΕΝΑ 4

ΙΩΝΙΚΟΣ 3

ΠΑΝΑΙΤΩΛΙΚΟΣ 2

ΑΠΟΛΛΩΝ 1

Αν θέλουμε μόνο τις Ν πρώτες, τότε γράφουμε:

df.ΓΗΠΕΔΟΥΧΟΣ[df[‘ΣΚΟΡ_ΓΗΠ’] >= 2].value_counts()[:Ν]

Αν θέλουμε αύξουσα σειρά στην συνάρτηση, τότε βάζουμε τον τελεστή ascending = True

Όπως είπαμε στο προηγούμενο άρθρο η έρευνα μας θα γίνει με χρήση της Γλώσσας Προγραμματισμού Python. Παρόλο που μπορούμε να κατεβάσουμε την επίσημη έκδοση της Python από το επίσημο site, ωστόσο προτείνω να γίνει η εργασία με την έκδοσης της Anaconda. Ο λόγος είναι πως χρησιμοποιώντας την Anaconda υπάρχουν ενσωματωμένες όλες οι βιβλιοθήκες που θα χρησιμοποιήσουμε για data science και δεν χρειάζεται να κατεβάζουμε νέες βιβλιοθήκες. Την έκδοση της Anaconda μπορεί να την κατεβάσουμε στην Ιστοσελίδα https://www.anaconda.com/products/individual .

Τρεις είναι οι βασικές βιβλιοθήκες που θα χρειαστούμε για τα προγράμματα μας για τις οποίες βιβλιοθήκες υπάρχει πολύ καλή τεκμηρίωση:

1. Η βιβλιοθήκη Numpy (https://numpy.org/) για πράξεις πινάκων

2. Η βιβλιοθήκη Pandas (https://pandas.pydata.org/ ) για επεξεργασία των δεδομένων.

3. Η βιβλιοθήκη Matplotlib (https://matplotlib.org/ ) για οπτικοποίηση των δεδομένων.

Εγκαθιστώντας την έκδοση της Anaconda δεν χρειάζεται ούτε να εγκαταστήσουμε την Python, ούτε κάποια από τις βιβλιοθήκες. Είναι το περιβάλλον ήδη έτοιμο και στημένο να λειτουργεί.

Στο Anaconda ξεκινάμε ένα νέο python πρόγραμμα το οποίο το αποθηκεύουμε στο ίδιο φάκελο με το αρχείο των δεδομένων μας (Greek.csv)

Αρχικά εισάγουμε τις βιβλιοθήκες μας

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

Έπειτα διαβάζουμε τα δεδομένα μας και τα αποθηκεύουμε σε ένα Dataframe με το όνομα df. Προσθέτουμε την εντολή encoding=”cp1253” για να διαβάσει τους Ελληνικούς χαρακτήρες.

data_filename = ‘Greek.csv’

df = pd.read_csv(data_filename,encoding= ‘cp1253’)

Τώρα το πρόγραμμα μας έχει ήδη διαβάσει ολόκληρο το αρχείο μας με τα δεδομένα με τις 183 γραμμές και το έχει αποθηκεύσει σε ένα dataframe με το όνομα df. Σε όλες τις γραμμές κώδικα όπου βλέπετε εισαγωγικά, να θεωρείτε ότι είναι double quotes. Για κάποιο λόγο ο δαίμονας της τυπογραφίας μου μετατρέπει τα double quotes σε εισαγωγικά.

Στο επόμενο άρθρο θα δούμε δεδομένου του df, βασικές λειτουργίες επ’ αυτού.

Με αυτό το άρθρο θα εγκαινιάσω μια προσωπική μου τριβή πάνω στην επιστήμη των δεδομένων με χρήση της γλώσσας προγραμματισμού python. Το θέμα είναι τεχνικό και μάλλον δεν μπορεί εύκολα να το παρακολουθήσει κάποιος μη σχετικός με την επιστήμη της Πληροφορικής. Η ανάλυση των δεδομένων απευθύνεται αποκλειστικά σε ειδικό κοινό, τα αποτελέσματα όμως που θα παράγονται στο τέλος κάθε άρθρου μπορεί να τα διαβάσει και να τα κατανοήσει ο οποιοσδήποτε.  Προκειμένου να μην γράψω ένα τεράστιο άρθρο 20-30 σελίδες που θα είναι κουραστικό, θα ακολουθήσω άλλη τακτική, θα γράφω κάθε φορά ένα άρθρο που θα αναλύει ορισμένες πλευρές του θέματος και θα είναι συνέχεια από το προηγούμενο. Κάθε άρθρο θα έχει ονοματολογία της λογικής: “Άρθρο 1” μετά “Άρθρο 2” κτλ. Αν και θα μπορούσε κάποιος να διαβάσει τα άρθρα με οποιαδήποτε σειρά, ειδικά αν τον ενδιαφέρουν μόνο τα τελικά διαγράμματα και τα τελικά αποτελέσματα, οι αναγνώστες που ενδιαφέρονται και για τα τεχνικά θέματα καλό θα ήταν να τα διαβάσουν στην σειρά με την οποία έχουν γραφτεί. Θα δίνω όλο το υλικό, όλα τα αρχεία και όλους τους κώδικες έτσι ώστε οποιοσδήποτε επιθυμεί να μπορεί να αναπαράγει και ο ίδιος όλα τα προγράμματα και να τα διαφοροποιήσει αν θέλει.

Για να ασχοληθείς με την επιστήμη των δεδομένων θα πρέπει καταρχήν να έχεις κάποια πραγματικά δεδομένα τα οποία επιθυμείς να μελετήσεις. Τα δεδομένα με τα οποία θα ασχοληθώ στην παρούσα εργασία είναι τα δεδομένα του Ελληνικού πρωταθλήματος ποδοσφαίρου για την σεζόν 2021 – 2022 και αφορούν μόνο την κανονική διάρκεια του πρωταθλήματος και όχι τα Play offs. Επέλεξα το συγκεκριμένο θέμα και όχι κάποια άλλα πιο επιστημονικά δεδομένα για δύο βασικούς λόγους, καταρχήν διότι αφενός τα ποδοσφαιρικά δεδομένα είναι κάτι που όλοι μπορούν να τα καταλάβουν εν αντιθέση για παράδειγμα με το να παρουσίαζα δεδομένα πίεσης θερμοκρασίας και στροφών κινητήρα κατά την προσγείωση του Rover στον Άρη, και αφετέρου είναι και πιο “πιασάρικα”, πιθανόν θα “τσιμπήσω” κανέναν αναγνώστη επιπλέον, απελπισμένο “στοιχηματία” που ίσως θεωρήσει πως βρήκε την κότα με τα χρυσά αυγά ή το ιερό δισκοπότηρο στην προσπάθεια του να κερδίσει στο στοίχημα ή στο τζόγο. Θα επιχειρήσω να γράφω γύρω στα 2-3 άρθρα κάθε εβδομάδα.

Σε αυτό το πρώτο άρθρο ήθελα από την μια να παρουσιάσω το θέμα και τις γενικές αρχές για αυτήν την ακολουθία άρθρων που θα γράψω και επίσης να μπω απευθείας στο ψητό δείχνοντας τα δεδομένα που θα επεξεργαστούμε. Τα δεδομένα λοιπόν αποτελούνται από ένα αρχείο csv, το οποίο δυστυχώς δεν το βρήκα έτοιμο αλλά το έγραψα μόνος μου ψάχνοντας στο διαδίκτυο (μια εργατοώρα). Το αρχείο ονομάζεται Greek.csv και έτσι θα το αναφέρω σε όλο το κώδικα μου. Αποτελείται από μια γραμμή για κάθε αγώνα του Ελληνικού πρωταθλήματος της σεζόν 2021-2022. Συνολικά είχαμε 26 αγωνιστικές με 7 ματς σε κάθε αγωνιστική, δηλαδή σύνολο 182 ματς. Το αρχείο λοιπόν αποτελείται από 183 γραμμές. Μια γραμμή για τους τίτλους της κάθε στήλης και μια γραμμή για κάθε αγώνα. Είναι στην μορφή csv και χωρίζονται οι στήλες με τον χαρακτήρα ‘,’.  Οι στήλες από τις οποίες αποτελείται το αρχείο μας είναι: 1. ΑΓΩΝΙΣΤΙΚΗ (είναι ένας αριθμός που δείχνει σε ποια αγωνιστική ήταν το συγκεκριμένο ματς), 2. ΓΗΠΕΔΟΥΧΟΣ (είναι το όνομα της γηπεδούχου ομάδας), 3. ΦΙΛΟΞΕΝΟΥΜΕΝΟΣ (είναι το όνομα της Φιλοξενούμενης ομάδας), 4. ΣΚΟΡ_ΓΗΠ (τα γκολ που έβαλε η γηπεδούχος ομάδα) 5. ΣΚΟΡ_ΦΙΛ (τα γκολ που έβαλε η φιλοξενούμενη).

Παρακάτω φαίνονται οι πρώτες γραμμές του αρχείου:

ΑΓΩΝΙΣΤΙΚΗ,ΓΗΠΕΔΟΥΧΟΣ,ΦΙΛΟΞΕΝΟΥΜΕΝΟΣ,ΣΚΟΡ_ΓΗΠ,ΣΚΟΡ_ΦΙΛ
1,ΠΑΝΑΙΤΩΛΙΚΟΣ,ΑΣΤΕΡΑΣ,0,0
1,ΒΟΛΟΣ,ΛΑΜΙΑ,2,1
1,ΟΛΥΜΠΙΑΚΟΣ,ΑΤΡΟΜΗΤΟΣ,0,0
1,ΑΡΗΣ,ΟΦΗ,0,0
1,ΠΑΝΑΘΗΝΑΙΚΟΣ,ΑΠΟΛΛΩΝ,4,0

Παρακάτω μπορείτε να κατεβάσετε ολόκληρο το αρχείο Greek.csv Greek

Κατεβάστε το αρχείο, ανοίξτε το με το excel και αποθηκεύστε το με την μορφή csv και το όνομα Greek.csv