今回は、2024年3月16日時点のスタッツを使用して多次元尺度構成法によるプレイヤーのマッピングを行い、NBAプレイヤー内におけるルーキープレイヤーの位置関係を確認していきたいと思います。
データは全てNBA公式ウェブサイトから収集し、Pbox（過去記事参照）を作成の上、統計ソフトRによりマップの作成を進めていきます。
今回、マップを作成するにあたり使用したスタッツは、P2M（2Pシュート成功数）、P3M（3Pシュート成功数）、REB（リバウンド数）、AST（アシスト数）、STL（スティール数）、BLK（ブロック数）となっています。
各スタッツはMIN（出場時間：分単位）あたりの数値に変換したデータを使用しており、取り上げるプレイヤーに関しては、MINが1100MIN以上のプレイヤーを抽出しています。
また、マップ上では2024年3月16日時点で1100MIN以上の出場時間がある下記12名のルーキーを赤色のハイライトで示しています。
| PLAYER | TEAM | AGE | MIN |
|---|---|---|---|
| Chet Holmgren | OKC | 21 | 1991.7 |
| Brandon Miller | CHA | 21 | 1928.4 |
| Jaime Jaquez Jr. | MIA | 23 | 1758.5 |
| Victor Wembanyama | SAS | 20 | 1705.5 |
| Bilal Coulibaly | WAS | 19 | 1684.9 |
| Ausar Thompson | DET | 21 | 1582.8 |
| Brandin Podziemski | GSW | 21 | 1538.2 |
| Toumani Camara | POR | 23 | 1536.7 |
| Keyonte George | UTA | 20 | 1529 |
| Cason Wallace | OKC | 20 | 1348.8 |
| Scoot Henderson | POR | 20 | 1262.6 |
| Dereck Lively II | DAL | 20 | 1162.2 |
それでは、NBAプレイヤーのマッピングを実際に進めていきます。
※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。
多次元尺度構成法によるNBAプレイヤーのマップ＜ビクター・ウェンバンヤマ、チェット・ホルムグレンなどのマップ内における位置を確認 ※2024年3月16日時点＞
2024年3月16日時点のスタッツを用いた多次元尺度構成法によるNBAプレイヤーのマップは、下記のとおりです。
上記のマップ上では、前述した6スタッツの成績が似ているプレイヤー同士が近くにマッピングされ、反対にスタッツ成績が似ていないプレイヤー同士の距離は大きく離れることになります。（※その他のマップの詳しい見方は過去記事で説明していますので、よろしければ併せてご確認ください。）
マップ内で赤色のハイライトで示されたルーキープレイヤーの位置を確認すると、おおまかに下記の3つのグループでルーキープレイヤーがマッピングされていることが分かります。
- グループ１：多数のプレイヤーが密集している中央付近のエリアにマッピングされているルーキープレイヤー。マッピングされているのはブランディン・ポジェムスキー（GSW）、ブランドン・ミラー（CHA）、トゥマニ・カマラ（POR）など計8プレイヤー。（※プレイヤーが密集し判別が出来ないため、参考のために該当エリアの拡大版を後ろのほうに載せています。）
- グループ2：グループ1から少し離れたエリアにマッピングされているルーキープレイヤー。マッピングされているのはアサー・トンプソン（DET）、デレック・ライブリーⅡ（DAL）、チェット・ホルムグレン（OKC）の3プレイヤー。
- グループ3：グループ1とグループ2から大きく離れたエリアにマッピングされているルーキープレイヤー。マッピングされているのはビクター・ウェンバンヤマ（SAS）のみ。
今回はプレイヤーが密集しているグループ1の確認は省略し、グループ2とグループ3に注目していきたいと思います。
上記のマップにつき、グループ2とグループ3がマッピングされているエリアを拡大させたものを下記に示します。
前述のとおり6スタッツの成績が似ているプレイヤー同士が近くにマッピングされますので、上記マップ上の位置関係により例えば、アサー・トンプソン（DET）とニコラ・ブーチェビッチ（CHI）やモリッツ・バグナー（ORL）、デレック・ライブリーⅡ（DAL）とヨナス・バランチュナス（NOP）やイビツァ・ズバッツ（LAC）、チェット・ホルムグレン（OKC）とマイルズ・ターナー（IND）やニック・リチャーズ（CHA）、ビクター・ウェンバンヤマ（SAS）とアンドレ・ドラモンド（CHI）はスタッツ成績が類似していることが読み取れます。
次に、各プレイヤーのマッピングとスタッツ成績の関係を確認するために、スタッツに関して等高線の形式で表現されたヒートマップを示したいと思います。
※【参考】プレイヤーが集中し判別できないエリアの拡大版です。
なお、上記のマップを出力するための統計ソフトRのコマンドは、後述を参照ください。
等高線形式のヒートマップによるマッピングの解釈＜ビクター・ウェンバンヤマがリバウンド数とブロック数で高いパフォーマンスを示す ※2024年3月16日時点＞
各スタッツに関する等高線形式で表現されたヒートマップを下記に示します。
下記のヒートマップでは、スタッツ数が低いプレイヤーがマッピングされるエリアは青色、反対にスタッツ数が高いプレイヤーがマッピングされるエリアは薄黄色で表示されます。
また、等高線を確認することで特定のスタッツ数を有するプレイヤーが、どの範囲にわたりマッピングされているのかを把握することが可能となります。
上記のヒートマップを確認すると、プレイヤーの各スタッツの成績に応じて、以下のようなマッピングの傾向を読み取ることが出来ます。
- P2M：スタッツが高水準のプレイヤーは左上のエリアにマッピングされ、右側のエリアにはスタッツが低水準のプレイヤーがマッピングされる。
- P3M：スタッツが高水準のプレイヤーは右下のエリアにマッピングされ、左側のエリアにはスタッツが低水準のプレイヤーがマッピングされる。
- REB：スタッツが高水準のプレイヤーは左上のエリアにマッピングされ、右側のエリアにはスタッツが低水準のプレイヤーがマッピングされる。
- AST：スタッツが高水準のプレイヤーは中央寄りの右上エリアにマッピングされ、下側のエリアにはスタッツが低水準のプレイヤーがマッピングされる。
- STL：スタッツが高水準のプレイヤーは右上のエリアにマッピングされ、下側のエリアにはスタッツが低水準のプレイヤーがマッピングされる。
- BLK：スタッツが高水準のプレイヤーは左下のエリアにマッピングされ、右側のエリアにはスタッツが低水準のプレイヤーがマッピングされる。
上記のヒートマップと先述したマップを考慮すると、アサー・トンプソン（DET）、デレック・ライブリーⅡ（DAL）、チェット・ホルムグレン（OKC）に関しては2Pシュート成功数、リバウンド数、ブロック数で好成績を残していると解釈できそうです。
また、ビクター・ウェンバンヤマ（SAS）に関しては2Pシュート成功数、リバウンド数、ブロック数で好成績を残しており、特にリバウンド数とブロック数で高いパフォーマンスを示していることが読み取れます。（※ビクター・ウェンバンヤマの2024年3月16日時点の実際のブロック数は200本であり、この数字はリーグトップのブロック数となっています。）
最後に、今回記事で焦点をあてたルーキープレイヤーの実際のスタッツ（MINあたり）を類似プレイヤーも含めて下記に示しますので、ご参考ください。
＜チェット・ホルムグレン（OKC）＞
> list <- data.frame(id, data2324)
> CH <- subset(list, id=="Chet Holmgren" | id=="Myles Turner" | id=="Nick Richards")
> CH
id P2M P3M REB AST STL BLK
71 Nick Richards 0.1462801 0.00000000 0.3110935 0.03044745 0.01389992 0.04633307
211 Myles Turner 0.1776004 0.05148675 0.2562768 0.04685873 0.01966910 0.06710633
374 Chet Holmgren 0.1531355 0.05573128 0.2595772 0.08937089 0.02108751 0.08133755＜アサー・トンプソン（DET）＞
> AT <- subset(list, id=="Ausar Thompson" | id=="Moritz Wagner" | id=="Nikola Vucevic")
> AT
id P2M P3M REB AST STL BLK
87 Nikola Vucevic 0.1897019 0.03457621 0.3074479 0.09671993 0.01915709 0.02242781
146 Ausar Thompson 0.1333081 0.01326763 0.2539803 0.07581501 0.04296184 0.03727571
402 Moritz Wagner 0.2037697 0.02547122 0.2470708 0.06537612 0.02716930 0.01528273＜デレック・ライブリーⅡ（DAL）＞
> DL <- subset(list, id=="Dereck Lively II" | id=="Jonas Valanciunas" | id=="Ivica Zubac")
> DL
id P2M P3M REB AST STL BLK
115 Dereck Lively II 0.1677852 0.00000000 0.2865256 0.04732404 0.028394424 0.05937016
221 Ivica Zubac 0.1849128 0.00000000 0.3467115 0.05183162 0.009105554 0.04412692
342 Jonas Valanciunas 0.1854581 0.02210759 0.3813559 0.08720216 0.016580693 0.03991648＜ビクター・ウェンバンヤマ（SAS）＞
> VW <- subset(list, id=="Victor Wembanyama" | id=="Andre Drummond")
> VW
id P2M P3M REB AST STL BLK
78 Andre Drummond 0.1965774 0.00000000 0.5133831 0.02808249 0.05440983 0.03685827
498 Victor Wembanyama 0.2005277 0.05863383 0.3559074 0.11902668 0.04456171 0.11726766なお、上記のヒートマップを出力するための統計ソフトRのコマンドは、後述を参照ください。
※参考＜統計ソフトRに入力するコマンド＞
※マップの作成に関しては過去記事でも扱っていますので、よろしければ下記の過去記事もあわせてご参考ください。
多次元尺度構成法によるNBAプレイヤーのマップ
> library(BasketballAnalyzeR)
> Pbox2324 <- read.csv(file="Pbox_20240316.csv")
> attach(Pbox2324)
> data2324 <- data.frame(P2M, P3M, REB=(OREB+DREB), AST, STL, BLK)/MIN
> detach(Pbox2324)
> data2324 <- subset(data2324, Pbox2324$MIN>=1100)
> id <- Pbox2324$Player[Pbox2324$MIN>=1100]
> mds <- MDSmap(data2324)
initial value 23.445996
iter 5 value 17.130961
iter 10 value 15.483662
final value 15.449571
converged
> selp <- which(id=="Chet Holmgren" | id=="Brandon Miller" | id=="Jaime Jaquez Jr." | id=="Victor Wembanyama" | id=="Bilal Coulibaly" | id=="Ausar Thompson" | id=="Brandin Podziemski" |
+ id=="Toumani Camara" | id=="Keyonte George" | id=="Cason Wallace" | id=="Scoot Henderson" | id=="Dereck Lively II")
> plot(mds, labels=id, subset=selp, col.subset="tomato")
> plot(mds, labels=id, subset=selp, col.subset="tomato", zoom=c(-7,-1.25,-3.5,4.5))
> plot(mds, labels=id, subset=selp, col.subset="tomato", zoom=c(-1.25,5,-3.5,4.5))等高線形式のヒートマップ
plot(mds, z.var=c("P2M", "P3M", "REB", "AST", "STL", "BLK"), contour=TRUE, palette=topo.colors)それでは、今回のトラッシュトークは以上です。
※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』の紹介記事はこちらからご確認ください。
