Original size 1140x1600

Лучшие бойцы UFC по данным рекордов

PROTECT STATUS: not protected

Введение

Я выбрал данный датасет из-за того, что эта тема мне интересна и сам для себя хотел выявить лучших бойцов.

Датасет был выбран на ресурсе https://www.kaggle.com/datasets.

В проекте использованы такие диаграммы как: -Столбчатая —круговая

На мой взгляд, они наиболее наглядно показывают информацию

Блок 1: Импорт библиотек и загрузка данных

import pandas as pd import matplotlib.pyplot as plt

Загружаем CSV файл

file_path = '/content/UFC_Records.csv' ufc_data = pd.read_csv (file_path)

Просмотр первых строк данных

ufc_data.head ()

Импортируем библиотеки: использую pandas для работы с данными и matplotlib.pyplot для визуализации.

Загружаю данные: CSV файл, содержащий информацию о бойцах UFC.

Просмотр данных: вывожу первые несколько строк таблицы, чтобы убедиться, что данные загружены корректно.

Блок 2: Фильтрация и создание сводной таблицы

Оставляем только нужные строки для каждой метки

ufc_data_filtered = ufc_data[ufc_data['Type of Record'].isin ([…])]

Создаю сводную таблицу, где каждый боец в строках, а метки — в столбцах

ufc_data_pivoted = ufc_data_filtered.pivot_table (index="Name», columns="Type of Record», values="Total», aggfunc="first»)

Просмотр первых строк преобразованных данных

ufc_data_pivoted.head ()

Фильтрация данных: я отобрал только те строки, которые содержат информацию о рекордах бойцов (например, победы, количество боёв, и т. д.).

Создание сводной таблицы: преобразовал данные, чтобы для каждого бойца в строке находились его различные рекорды (в столбцах).

Просмотр данных: вывожу первые строки преобразованных данных, чтобы убедиться, что таблица имеет правильный вид

Блок 3: Проверка данных с пропусками (NaN) после сводной таблицы

Проверка на пропуски (NaN)

ufc_data_pivoted.isna ().sum ()

Заменяем пропущенные значения (NaN) на 0

ufc_data_pivoted_filled = ufc_data_pivoted.fillna (0)

Проверка, что пропуски заменены

ufc_data_pivoted_filled.isna ().sum ()

Проверка на пропуски: проверяю, есть ли пропущенные значения (NaN) в данных.

Заполнение пропусков: если есть пропущенные значения, заменяю их на 0, так как не можем работать с пустыми ячейками.

Блок 4: Нормализация данных и отображение всей таблицы

from sklearn.preprocessing import MinMaxScaler from IPython.display import display

Список столбцов для нормализации

columns_to_normalize = […]

Нормализуем данные

scaler = MinMaxScaler () ufc_data_normalized = ufc_data_pivoted_filled.copy () ufc_data_normalized[columns_to_normalize] = scaler.fit_transform (ufc_data_pivoted_filled[columns_to_normalize])

Отображаем всю таблицу

display (ufc_data_normalized)

Нормализация данных: для того, чтобы сравнивать бойцов по разным меткам (например, победы, нокауты), я нормализовал все числовые данные, чтобы они имели одинаковую шкалу от 0 до 1.

Отображение данных: вывожу нормализованные данные для проверки.

Блок 5: Создание итоговой оценки для каждого бойца

Создаем итоговую оценку для каждого бойца

ufc_data_normalized['Final Score'] = ufc_data_normalized[columns_to_normalize].mean (axis=1)

Сортируем бойцов по итоговому баллу и сбрасываем индекс

best_fighter = ufc_data_normalized.sort_values (by='Final Score', ascending=False).head (1).reset_index ()

Просмотр лучшего бойца

print («Самый лучший боец по всем меткам:») print (best_fighter[['Name', 'Final Score']])

Итоговый балл: для каждого бойца вычислил итоговый балл как среднее значение по всем меткам (например, победы, нокауты, и т. д.).

Сортировка бойцов: сортирую бойцов по итоговому баллу и нахожу бойца с наибольшим баллом — это и есть лучший боец.

Вывод лучшего бойца: показывает имя и итоговый балл лучшего бойца.

Блок 6: Топ-10 бойцов по итоговому баллу

Топ-10 бойцов по итоговому баллу

top_10_fighters = ufc_data_normalized[['Final Score']].sort_values (by='Final Score', ascending=False).head (10).reset_index ()

Отображаем топ-10 бойцов

print («\nТоп-10 бойцов по итоговому баллу:») display (top_10_fighters[['Name', 'Final Score']]) Топ-10 бойцов: вывод 10 лучших бойцов с самыми высокими итоговыми баллами.

Отображение топ-10: вывод имен бойцов и их итоговые баллы.

Блок 7: Гистограмма для лучших 20 бойцов по итоговому баллу

Сортируем бойцов по итоговому баллу и выбираем топ-20

top_20_fighters = ufc_data_normalized[['Final Score']].sort_values (by='Final Score', ascending=False).head (20).reset_index ()

Строим гистограмму

plt.figure (figsize=(12, 6)) plt.barh (top_20_fighters['Name'], top_20_fighters['Final Score'], color='lightblue') plt.xlabel ('Итоговый балл') plt.ylabel ('Бойцы') plt.title ('Топ-20 бойцов по итоговому баллу') plt.gca ().invert_yaxis ()

Инвертирую ось для отображения самых высоких значений сверху

plt.show ()

Строим горизонтальную гистограмму для визуального представления топ-20 бойцов с наивысшими итоговыми баллами.

Original size 1239x582

Блок 8: Количество рекордов у бойцов

Считаем количество уникальных записей (рекордов) для каждого бойца

record_counts = ufc_data.groupby ('Name')['Type of Record'].nunique ()

Строим график распределения количества рекордов у бойцов

plt.figure (figsize=(12, 6)) record_counts.sort_values (ascending=False).head (20).plot (kind='bar', color='salmon') plt.title ('Топ-20 бойцов с наибольшим количеством рекордов') plt.ylabel ('Количество рекордов') plt.xlabel ('Бойцы') plt.xticks (rotation=90) plt.show ()

Распределение рекордов: сколько уникальных типов рекордов (например, количество побед, нокаутов и т. д.) есть у каждого бойца

Строим график, показывающий бойцов с наибольшим количеством рекордов.

Original size 1134x673

Блок 9: Круговая диаграмма для распределения бойцов по количеству боёв

Разделяем бойцов на категории по количеству боёв

bins = [0, 10, 20, 30, 40, 50, 100] labels = ['0-10', '11-20', '21-30', '31-40', '41-50', '50+'] ufc_data['Total Fights Categories'] = pd.cut (ufc_data['Total'], bins=bins, labels=labels)

Считаем количество бойцов в каждой категории

fight_categories = ufc_data['Total Fights Categories'].value_counts ()

Строим круговую диаграмму для распределения по категориям

plt.figure (figsize=(8, 8)) fight_categories.plot (kind='pie', autopct='%1.1f%%', colors=['#FFD700', '#ADFF2F', '#FF4500', '#20B2AA', '#8A2BE2', '#FF6347'], startangle=90) plt.title ('Распределение бойцов по количеству боёв') plt.ylabel ('') # Убираем метку оси Y plt.show ()

Распределение бойцов по количеству боёв: распределение бойцов по категориям в зависимости от того, сколько боёв они провели.

Строим круговую диаграмму, чтобы визуализировать процент бойцов в каждой категории.

Original size 861x608

Блок 10: Круговая диаграмма для распределения побед по типам (KO/TKO, Submission, Decision)

Суммируем данные для разных типов побед

type_of_wins = ufc_data_normalized[['KO/TKO Wins', 'Submission Wins', 'Decision Wins']].sum ()

Строим круговую диаграмму для распределения побед

plt.figure (figsize=(8, 8)) type_of_wins.plot (kind='pie', autopct='%1.1f%%', colors=['#FF6347', '#90EE90', '#87CEFA'], startangle=90) plt.title ('Распределение побед по типам (KO/TKO, Submission, Decision)') plt.ylabel ('') # Убираем метку оси Y plt.show ()

Суммирую типы побед: для каждого бойца складываем количество побед по каждому из типов: KO/TKO, Submission и Decision.

Лучшие бойцы UFC по данным рекордов
Project created at 10.04.2025
adcr.dafes
The Art Directors Club of Russia sets the benchmark for creative excellence in design and advertising, serving as a central hub where industry professionals connect. Since 2004, the Club has hosted the ADCR Awards—a premier national competition celebrating creativity, design, and advertising. The core mission of the awards is to champion agencies and independent creators making their mark in the local market. By presenting this honor on behalf of the professional community, the Club reaffirms its endur... Show more
adcr advertising
adcr design
adcr students and young creators