今回は前回記事に引き続き、2022-23シーズンにおけるデンバー・ナゲッツのアシストネットワークに注目していきたいと思います。（※本記事は前回記事からの続きとなります。まだ前回の記事をご覧になられていない方は、よろしければ下記より前回の記事をご覧ください。）
データは、2022-23シーズンのPbP. BDBとPbox（過去記事参照）を使用します。
まずは、前回記事で扱ったアシストネットワークに、獲得点数に関するスタッツを追加したグラフを作成していきたいと思います。
※データ分析を実践する際に参考にしている書籍『Basketball Data Science: With Applications in R』の紹介記事も書きましたので、よろしければご確認ください。
獲得点数の観点から見るナゲッツのアシストネットワーク＜2022-23シーズン＞
下記は、前回記事で紹介したナゲッツのアシストネットワークに、獲得点数に関連するスタッツを追加したグラフとなります。
追加したスタッツの内容は、下記のとおりです。
- FGPTS：フィールドゴール（FG）による獲得点数（PTS）を表します。各プレイヤーを表すノードの色は獲得点数と対応しており、獲得点数が多ければ赤色を示し、獲得点数が少なければ薄紫色へと変化していきます。
- FGPTS_ASTp：上記のFGPTSに占める、チームメイトからのアシストに起因するフィールドゴール獲得点数（FGPTS_AST）の割合（p）を表します。この割合は、「アシストを受けたフィールドゴール獲得点数（FGPTS_AST）/フィールドゴール獲得点数（FGPTS）」で算出されます。各プレイヤーを表すノードのサイズはFGPTS_ASTpの割合の数値と対応しており、割合が高ければノードのサイズが大きくなり、割合が低ければノードのサイズが小さくなります。
上記のFGPTS_ASTpに関して、その割合が高いプレイヤーは、チームメイトからアシストを受けることでシュートチャンスを作り出すことが多いプレイヤーだと考えられます。
反対に、その割合が低いプレイヤーは、チームメイトからのアシストではなく、プレイヤー自身でシュートチャンスを作り出すことが多いプレイヤーだと言えます。
上記のグラフを確認すると、ノードの色からヨキッチのFGPTSが最も高くなっていることが分かります。
実際のスタッツの数値を以下に示すと、ヨキッチのFGPTSは1,838点であることが確認でき、チームトップであることが分かります。
ヨキッチのFGPTS_ASTpに目を向けると、その値は約63％となっており、低くはない数値となっています。
グラフを確認すると、マレーからヨキッチへのアシストが多くなっていることから、ヨキッチのFGPTS_ASTpの割合の高さは、マレーからのアシストの多さが起因になっていると考えられます。
また、マレーについては、FGPTSは比較的高い1,565点となっている一方で、FGPTS_ASTpの数値は約44%であり、これはチーム内では最も低い数値（ノードのサイズが最も小さい）となっています。
このことからマレーに関しては、ヨキッチへアシストを出しながらも、自分自身でシュートチャンスを作り出し、得点を重ねていくプレイヤーであることが分かります。
さらに、K.コールドウェル・ポープとマイケル・ポーターJr.のノードのサイズを確認すると、FGPTS_ASTpが比較的高いプレイヤーであることが判断できます。
実際の数値は、K.コールドウェル・ポープが約89％、マイケル・ポーターJr.が約86％であることから、アシストを受けたフィールドゴール獲得点数がFGPTSの大半を占めていることが分かります。
そのため、この2プレイヤーに関しては、チームメイトからアシストを受けることでシュートチャンスを作り出しているプレイヤーであると言えます。
次に、上記のグラフで示されたFGPTS_ASTpを、別のスタッツに変更したグラフを下記に示します。
追加したスタッツの内容は、下記のとおりです。
- ASTPTS：そのプレイヤーがチームメイトへアシストすることにより生み出した獲得点数を表します。各プレイヤーを表すノードのサイズはASTPTSの点数と対応しており、獲得点数が多ければノードのサイズが大きくなり、獲得点数が少なければノードのサイズが小さくなります。
上記グラフのノードのサイズを確認すると、ヨキッチのASTPTSが飛び抜けて多いことが分かります。
ヨキッチのASTPTSの実際の得点は2,006点となっており、これは自身の獲得点数である1,838点を上回ります。
ヨキッチに次いで、マレーのノードのサイズが大きく、実際のASTPTSの得点は1,252点となっています。
ヨキッチとマレーに関しては、自らの得点を伸ばしながらも、チームメイトへアシストを供給することでチームメイトの得点も伸ばすプレイヤーであることが分かります。
なお、マイケル・ポーターJr.のノードのサイズは、アシストネットワークの主な構成要素である6プレイヤー（ヨキッチ、ゴードン、ブルース・ブラウン、マレー、K.コールドウェル・ポープ、マイケル・ポーターJr.）の中で最も小さくなっており、実際のASTPTSの得点は231点となっています。
アシストを供給するプレイヤーと、アシストを受けることで得点を重ねるプレイヤーがはっきりと区分されており、ナゲッツにおいてはチーム内のプレイヤーの役割が明確になっていることがうかがえます。
最後に、ASTPTS、PM（プラスマイナス）、MIN（出場時間）を使った散布図を示します。
横軸がASTPTSの数値を表し、縦軸がPM（プラスマイナス）の数値を表しています。
各プレイヤーはMIN（出場時間）で色分けされており、出場時間が多いほど赤色へ近づき、出場時間が少なければ青色へ変化していきます。
上記の散布図を確認すると、ナゲッツのアシストネットワークを構成する6プレイヤーは出場時間が多く、そのすべてがプラスマイナスでプラスとなっていることが分かります。
ヨキッチのASTPTSが高いことは既に述べましたが、プラスマイナスもチーム内で最も高い水準であることが分かります。
ゴードン、K.コールドウェル・ポープ、マイケル・ポーターJr.については、ASTPTSの面ではヨキッチやマレーに及びませんが、プラスマイナスの水準が高く、アシスト面以外でチームへの貢献が大きいことが読み取れます。
なお、上記のグラフと散布図を出力するためのコマンドは、下記のとおりです。（前回記事で扱ったコマンドをすべて入力していることが前提となっています。）
> plot(netdataden, layout="circle", edge.thr=20, node.col="FGPTS", node.size="FGPTS_ASTp")
#ノードのカラーをFGPTS、サイズをFGPTS_ASTpに設定し、netdatadenを用いてグラフを出力
> plot(netdataden, layout="circle", edge.thr=20, node.col="FGPTS", node.size="ASTPTS")
> TABden <- netdataden$assistTable #アシストのクロス集計表をTABdenへ格納
> Xden <- netdataden$nodeStats #アシスト関連のスタッツをXdenへ格納
> names(Xden)[1] <- "Player" #names()を使ってXdenの1列目の変数名をPlayerへ変更
> Pbox2223 <- read.csv(file="Pbox_2223.csv") # Pbox2223の読み込み
> dataden <- merge(Xden, Pbox2223, by="Player") #merge()を使ってXdenとPbox2223をPlayerで横に併合
> mypal <- colorRampPalette(c("blue", "yellow", "red")) #colorRampPalette()でパレットを作成
> scatterplot(dataden, data.var=c("ASTPTS", "PM"), z.var="MIN", labels=dataden$Player, palette=mypal, repel_labels=TRUE)
#ASTPTS, PM, MINを散布図上にプロット
次回について
今回は前回記事に引き続き、2022-23シーズンにおけるナゲッツのアシストネットワークを確認していきました。
チームメイトからアシストを受けることで獲得できたプレイヤーの得点や、プレイヤーがアシストにより間接的に生み出した獲得点数をあわせて確認することで、各プレイヤーのチーム内での役割を把握することができました。
次回記事も引き続きナゲッツに注目し、以下の過去記事で扱ったジニ係数を使って、チーム内におけるアシストの偏りを確認していきたいと思います。
なお、本記事は、記事の最後に紹介している書籍を参考にして作成しています。
それでは、今回のトラッシュトークは以上です。
【参考書籍】
Paola Zuccolotto and Marica Manisera (2020), Basketball Data Science – with Applications in R. Chapman and Hall/CRC. ISBN 9781138600799.
※本書籍の紹介記事を書いていますので、よろしければご参考ください。
