數據挖掘在籃球技術動作中的應用分析

（青島農業大學，山東青島， 266109）

數據挖掘在籃球技術動作中的應用分析

姜 帥

（青島農業大學，山東青島， 266109）

本文在研究中，通過對籃球技術動作數據采集和預處理的分析應用，又研究了基于Apriori算法的關聯規則挖掘，進而對籃球技術動作之間的關聯性進行研究。

數據挖掘；籃球；技術動作

1 籃球技術動作與數據挖掘

很明顯籃球比賽的最終輸贏是由得分決定的，而從雙方球員的得分中也能夠看出各自籃球技術動作的運用情況。通常在籃球比賽中，得分較多的是2分投球、3分投球及罰球等技術動作，但是有關籃板球、助攻、失誤、犯規、技術犯規、干擾球、故意犯規、控球、傳球、扣籃、空中接力、快攻技術動作等對得失分的影響并沒有十分明確的研究數據，數據挖掘實際上就是從復雜眾多的數據資源中找出與實際相符合的有用信息，即從大量的不完全的、有噪聲的、模糊的、隨機的數據中，提取隱含在其中，具有潛在用途的信息和知識的過程。通過這些隱藏信息可以幫助教練員和運動員進行科學的、合理的動作技術學習，本文通過預處理、分類和關聯規則來分析挖掘籃球常用技術動作，為教練員和運動員提供更多的數據資料，幫助他們有針對性的進行訓練。

2 基于Apriori算法的關聯規則挖掘

關聯規則挖掘就是通過某種方式來找出眾多數據之間有意義的聯系。我們將數據之間存在的某種規律稱之為關聯，本次研究使用關聯規則挖掘的目的就是尋找籃球技術動作數據庫中隱含的關聯。而Apriori算法是關聯規則挖掘應用最廣泛的一種方法，它是一種使用侯選項集找頻繁項集的算法。下面就是通過對籃球腳本語言的設計方法研究的基礎上，分析了Apriori算法在挖掘籃球技術動作關聯規則中的設計與應用。

Apriori算法是一個在事務數據庫中尋找頻繁項集的典型算法，其中的頻繁項集實際上就是支持度≥最小支持度的項集，要實現這一目的需要對事物數據庫進行反腐掃描，因此會在這一步浪費較多的時間，制約了Apriori算法的運行。

Apriori算法可以通過遞推的方式，將事務數據庫中全部頻繁項集尋找出來。具體操作是先將事物數據表中的每一項作為候選一項集，用Cm來表示（m取值可以是1,2,3......），接下來對籃球技術動作數據庫進行掃描，進而統計出每個項集的支持度，將支持度≥最小支持度的項集設置為頻繁1-項集的集合，用Lm來表示（m取值可以是1,2,3......），并以此類推，直到L為空，算法停止。

3 籃球技術動作數據采集和預處理的應用分析

3.1 數據采集

NBA聯盟規定，一場球共48分鐘，分為4節，每節12分鐘，每一個回合的進攻要在24秒內完成，一場球有100~200個回合。若是超過24秒就會失去球權。如果運動員技術動作掌握得好，球員之間能夠很好的配合，那么就能夠在24秒內完成，反之，就會因為超時而丟失投籃機會。所以，在本次統計分析中，我們以一個進攻回合為時間段，統計了一場籃球比賽第5、20、100個回合的一般技術動作（如表1）。

表1 NBA籃球比賽技術動作統計表

3.2 數據清理與整合

通過上述方式采集到的籃球數據中存在不完整、不一致的問題，因此我們還要糾正這些問題，進行空缺值的填充。

①填充空缺值。根據某數據項含義，對缺失的這一數據項，定義一個缺省的值來替換缺少的空缺值。如表1中R5進攻回合缺少3分進球、蓋帽等，我們用“？”來代替。

②糾正不一致數據。采集到的數據有時會出現不一致的現象，如表1中R5的“運球”與“帶球”是一樣的技術動作，它們就不一致，但是我們可以通過分析某些數據之間的關聯性來確定將他們改成哪一種比較合適，將他們分別用A,B來表示，那么二者之間的相關性可以用下式表示：

當r=0,A與B獨立，不相關；r<0，A與B負相關；r＞0,A與B正相關。那么，應該將R5中“運球”與“帶球”修正成一致的“運球”（表2為修正后的統計數據），修正方法如下：

If action=“帶球”

then action=“運球”

If action=“2分進”

then action=“2分進”

......

表2 修改后的NBA籃球技術動作統計表

③清理數據噪聲。如動作技術犯規、干擾球等都屬于無意義的數據，因此直接清理掉就可以了，不必進行數據挖掘。又如，每個進攻回合同時出現2分進球和3分進球是不合理的，所以就需要清除一個，一般會清除3分進球。

3.3 數據集成

數據集成就是在同一個技術動作數據庫中來存儲很多的相關數據，這樣就避免了各種數據的零散分布，不利于研究。比如我們可以將表2中多次重復出現的數據（如擋拆、運球等）合并為一個（如表3）。

3.4 數據歸約

數據歸約可以在保持原數據完整的基礎上，減小數據量，從而減少數據挖掘時間，具體操作包括：

①堆歸約。將運球、傳球等技術動作刪掉，只保留研究意義較大的技術動作，如本次研究中只保留了搶斷、助攻、罰球、擋拆、蓋帽、籃板、2分進、3分進球和突破9個籃球技術動作。

②數據壓縮。使用a，b，c，d，e，f，g，h，i這9個英文字母來代表以上選取得9種技術動作，并一一對應進行編碼，以便壓縮數據集（如表4）。

表4 歸約后籃球技術動作統計表

在本次研究中我們選用的是weka挖掘軟件，為了更方便于籃球數據挖掘，需要進行相關的格式轉換，在上一步的基礎上，一一對應后如果有動作，則用y來表示，如果沒有動作，則用n來表示（。

表5 格式轉換后籃球技術動作統計表

4 結論

綜上所述，本文在分析了籃球技術動作數據采集和預處理的應用分析的基礎上，通過基于Apriori算法的關聯規則挖掘方法，研究了數據挖掘技術在籃球技術動作中的應用，這是籃球運動與計算機技術創造性的結合，為籃球技術動作規律的研究開辟了道路，指明了方向，同時為教練員和運動員提供了更準確的學習資源。

遲殿委,周興斌.數據挖掘的體育訓練決策支持系統[J].微型計算機,2009(25):190-192.

Application of data mining in basketball action in

Jiang Shuai
(Qingdao Agricultural University,Qingdao,Shandong，266109,China)

In this study,the application of basketball skills by analyzing motion data acquisition and pre-processing,but also studied based on Apriori algorithm for mining association rules,and then on the correlation between basketball technical action research.

data mining;Basketball Skill