2018 註定是不平凡的一年，這一年有太多我們熟知的大師離去。他們的離去代表著一個時代的終結，也代表這我們 90 後青春的落幕。我們這代 90 後是個男生都會看場 NBA 的比賽。

2013 那年我高二也是 NBA 球隊熱火隊最火爆的時期，詹偉連線無人可擋。

那年的總決賽，熱火大比分 2-3 落後馬刺，當時第六場的最後幾秒熱火的比分還是落後於馬刺，眼看就要輸掉了比賽。那時候我們還在上課，但為了看熱火這場生死大戰，我和幾個死黨一起逃課。當時我們都覺得熱火已經沒有希望了，都準備要回去，但就在比賽快要結束時雷阿倫投入高難度扳平三分，從而把比賽拖入加時，最終逆轉奪冠！我們幾個當場就大喊起來：熱火牛逼！

絕殺總是能讓人激動不已！在NBA歷史上，留下了不少的經典絕殺！我們的閃電俠韋德也是個中佼佼者，其中 2009 年對陣公牛一役完成搶斷三分絕殺就是一大例證，絕殺之後韋德跑到站臺上更是霸氣的喊到「This is my house」。

當年的熱火給我們的青春帶來了太多的回憶，雖然曾經的隊友，早已成為了彼此的對手。就像當年一起通宵的死黨，如今都已變成陌生人，都在為現實奔波。

而就在昨天 12 月 11 日美國當地時間 10 日晚，NBA 常規賽湖人主場迎戰熱火隊，這也是詹姆斯和韋德生涯最後一次常規賽對決。這場比賽就像多年以後老朋友再次相見，有太多不捨的回憶。賽後詹姆斯和韋德生互相交換了球衣，這個場景不知戳中多少球迷的心。

今天就帶大家用 Python 分析韋德職業生涯的資料，多年以後或許還可以拿出這篇文章給自己的孩子訴說這自己的青春。

資料獲取

資料的來源主要是爬 basketball-reference 網站上的資料。

網站地址：

https://www.basketball-reference.com/players/w/wadedw01.html

網站把韋德所有的生涯資料都展示出來，結構也很清晰我們只要用 requests + pyquery 解析就好。

最後我們把解析到的資料利用 pandas 儲存到 excel 中即可。

具體的爬蟲程式碼如下：

from pyquery import PyQuery as pq
from fake_useragent import UserAgent
import requests
import pandas as pd


def parse_html():
    url = "https://www.basketball-reference.com/players/w/wadedw01.html"
    ua = UserAgent()
    headers = {"User-Agent": ua.random}
    reponse = requests.get(url, headers=headers)
    if reponse.status_code == 200:
        html = reponse.text
        extract_htm(html)

def extract_htm(html):
    doc = pq(html)
    Dwyane_Wade_data = []
    data_items = doc.find("#div_per_game #per_game tbody tr").items()
    for itme in data_items:
        season = itme.find("th[data-stat='season'] a").text()
        age = itme.find("td[data-stat='age']").text()
        team = itme.find("td[data-stat='team_id'] a").text()
        league = itme.find("td[data-stat='lg_id'] a").text()
        position = itme.find("td[data-stat='pos']").text()
        games = itme.find("td[data-stat='g']").text()
        games_started = itme.find("td[data-stat='gs']").text()
        minutes_played_per_game = itme.find("td[data-stat='mp_per_g']").text()
        field_goals_per_game = itme.find("td[data-stat='mp_per_g']").text()
        field_goals_attempts_per_game = itme.find("td[data-stat='fga_per_g']").text()
        field_goal_percentage = itme.find("td[data-stat='fg_pct']").text()
        point_3_field_goal_per_game = itme.find("td[data-stat='fg3_per_g']").text()
        point_3_field_goal_percentage = itme.find("td[data-stat='fg3_pct']").text()
        point_2_filed_goals_per_game = itme.find("td[data-stat='fg2_per_g']").text()
        point_2_filed_goals_attempts_per_game = itme.find("td[data-stat='fg2a_per_g']").text()
        fg2_pct = itme.find("td[data-stat='fg2_pct']").text()
        efg_pct = itme.find("td[data-stat='efg_pct']").text()
        ft_per_g = itme.find("td[data-stat='ft_per_g']").text()
        fta_per_g = itme.find("td[data-stat='fta_per_g']").text()
        ft_pct = itme.find("td[data-stat='ft_pct']").text()
        orb_per_g = itme.find("td[data-stat='orb_per_g']").text()
        drb_per_g = itme.find("td[data-stat='drb_per_g']").text()
        trb_per_g = itme.find("td[data-stat='trb_per_g']").text()
        ast_per_g = itme.find("td[data-stat='ast_per_g']").text()
        stl_per_g = itme.find("td[data-stat='stl_per_g']").text()
        blk_per_g = itme.find("td[data-stat='blk_per_g']").text()
        tov_per_g = itme.find("td[data-stat='tov_per_g']").text()
        pf_per_g = itme.find("td[data-stat='pf_per_g']").text()
        pts_per_g = itme.find("td[data-stat='pts_per_g']").text()
        item_data = {'season': season, "age": age, "team": team, "league": league, "position": position, "games": games,
                "games_started": games_started, "minutes_played_per_game": minutes_played_per_game, "field_goals_per_game": field_goals_per_game,
                "field_goals_attempts_per_game": field_goals_attempts_per_game, "field_goal_percentage": field_goal_percentage,
                "point_3_field_goal_per_game": point_3_field_goal_per_game, "point_3_field_goal_percentage": point_3_field_goal_percentage,
                "point_2_filed_goals_per_game": point_2_filed_goals_per_game, "point_2_filed_goals_attempts_per_game": point_2_filed_goals_attempts_per_game,
                "fg2_pct": fg2_pct, "efg_pct": efg_pct, "ft_per_g": ft_per_g, "fta_per_g": fta_per_g, "ft_pct": ft_pct,
                "orb_per_g": orb_per_g, "drb_per_g": drb_per_g, "trb_per_g": trb_per_g, "ast_per_g": ast_per_g, "stl_per_g": stl_per_g,
                "blk_per_g": blk_per_g, "tov_per_g": tov_per_g, "pf_per_g": pf_per_g, "pts_per_g": pts_per_g}
        print(item_data)
        Dwyane_Wade_data.append(item_data)

    data = pd.DataFrame(Dwyane_Wade_data)
    data.to_csv("Dwyane_Wade_data.csv", encoding='utf_8_sig')


if __name__ == '__main__':
    parse_html()

最後儲存的 excel 表如下：

出場次數和首發資料分析

首先我們對韋德生涯參加的場數和時間進行一個分析。

games:參與的比賽場數（都為82場)

games_start: 先發次數

age：年齡

minutes_played: 平均每場比賽進行的時間

韋德 22 歲就進入 NBA 打比賽，出道就打了 61 場比賽，首發 56 場，往後的幾年時間裡都是打球隊首發人員。一個賽季按 82 場來算，韋德在 2008 - 09 賽季恐怖的達到了 79 場比賽。

平均每場比賽時間都在 30 分鐘以上。

從這些資料可以看出韋德是隊伍中的主力軍，絕對的領袖。

投球命中率

韋德投球命中率平均在 0.47 。

2013-14 賽季達到職業生涯最大命中率：0.55。

由於篇幅的問題其他的資料就暫時不再繼續分析，感興趣的同學可獲取相應的原始碼進行分析，這裡給大家一個單詞對照表。

連結: https://pan.baidu.com/s/1PCQ-gEX-aaV5JvgDva_0lQ 提取碼: dx73

在很多年後，當老詹和騷韋挺著日漸臃腫的肚子來到球場，看著場上的小詹和小腮幫在球場上盡情揮灑著天賦，一次次的空接暴扣，一次次的搶斷反擊，聽著場下一聲又一聲的吶喊，會不會忽然就溼潤了眼眶。

此文紀念我們逝去的青春。