美国国家橄榄球联盟（NFL）本周举行锦标赛大会，Scott M. Sawyer谈到大量难懂的数据，对获胜球队进行预测。

　　Sawyer的计算机分析团队来自麻省理工学院，他的研究领域包括大数据和并行算法。最近，他正在开发一项网络应用，解析自2002年至今的NFL赛况数据。那么，他发现了什么呢？

• 2002年以来，4号和1号位冲阵的成功几率为71%，如果把传球也算上的话就是66%。也就是说，球队应该让4号和1号冲阵。
• 2002年以来，新英格兰爱国者队得分率为40%，都在比赛最后5分钟之内攻下了一分。联赛平均得分率为34%。
• 巴尔的摩乌鸦队在第一次与丹佛野马队的配对防守中，传球成功率大大超过冲阵。这个结论很有意思，因为野马队的四分卫是大名鼎鼎的Peyton Manning。

　　Sawyer的研究方法在概念上相当简单。他提取出从2002年到2012年十年间NFL的赛况数据，这些数据已经由高级NFL统计部门的Brian Burke归档为逗号分隔值（CSV）。在海量的Excel表格文档中，每一行代表着NFL在某一季的一次比赛，信息十分详尽，包括攻守组、每一节的时间记录以及场地位置等。另外，还有关于每一次比赛的描述，如“（13:13） （枪响开始），12号T. Brady把球左传给了34号S. Vereen，推进33码线，达阵。”

　　接下来，Sawyer会处理这些CSV文档，用数小时来编写Python编码，然后针对每一行进行分析。他会过滤掉那些非进攻型的打法，比如踢球和点球，判断它们是传球还是冲阵，得出攻占与失守的码线，再对每一次打法成功与否进行标注。如果该打法引发了第一档进攻并达阵，或者在第一档或第二档进攻中至少推进4码线，就算成功。

　　下一步，Sawyer把所有数据传输到MySQL数据库中。

　　他表示：“我不指望能在这个项目上赚到钱，但也不希望赔损太多。我使用的是便宜的共享主机，MySQL在以最低限度的CPU周期将信息传送给访客方面最为合适。”

　　Sawyer还提到，MySQL已经安装配置到他的虚拟主机，而且他正在使用广泛索引和查询缓存以降低网络服务器的工作负荷。

　　虽然数据都是CSV文档，但由于每一次比赛都存在非结构化文本描述，还是会有人把它们归到大数据的范畴中去。Sawyer却认为这有点言过其实。关于比赛的文本语料库总共有64MB，并不大。他经过解析描述以后，把它们降到了30MB，但在导入MySQL并使用索引之后又上升到了100MB。

　　即便如此，Sawyer也不担心。他预测数据还会变得更大，因为还要不断引入更多的资源，比如比赛时的天气因素或者分析结果。

　　他指出：“如果你真的想要预测冠军，就需要大量的信息，但短期内还不至于达到TB或PB的级别。”

微信公众号

TechTarget

官方微博

TechTarget中国