HiÐΞClassic

MLBピッチャーのデータ分析:今永昇太選手の投球を解剖する(第3回)

SHOGAKU
3 months ago
MLBピッチャーのデータ分析:今永昇太選手の投球を解剖する(第3回)1. リリーススピード2. スピンレート3. リリースポイント4. リリース特性の時系列変化まとめ

MLBピッチャーのデータ分析:今永昇太選手の投球を解剖する(第3回)

こんにちは。今回は今永昇太選手のリリース特性について詳しく分析していきます。リリース特性とは、ボールが投手の手を離れた瞬間の様々な特徴を指します。

1. リリーススピード

まず、各球種のリリーススピードを見ていきましょう。

import matplotlib.pyplot as plt
import seaborn as sns

def plot_release_speed_boxplot(df):
    # マイル表示のグラフ
    plt.figure(figsize=(12, 6))
    sns.boxplot(x='pitch_type', y='release_speed', data=df)
    plt.title('Release Speed by Pitch Type (mph)')
    plt.xlabel('Pitch Type')
    plt.ylabel('Release Speed (mph)')
    plt.show()

    # キロメートル表示のグラフ
    plt.figure(figsize=(12, 6))
    sns.boxplot(x='pitch_type', y='release_speed', data=df.assign(release_speed=df['release_speed'] * 1.60934))
    plt.title('Release Speed by Pitch Type (km/h)')
    plt.xlabel('Pitch Type')
    plt.ylabel('Release Speed (km/h)')
    plt.show()

plot_release_speed_boxplot(df_684007_all_dates)

このグラフから以下のことが分かります:

  1. 4シームファストボール(FF)が最も速く、平均約92 mph程度です。
  2. スイーパー(ST)とスプリットフィンガー(SF)は似たような速度帯で、約82-83 mph程度です。
  3. カーブ(CU)が最も遅く、約73 mph程度です。

2. スピンレート

次に、各球種のスピンレートを見てみましょう。

def plot_spin_rate_boxplot(df):
    plt.figure(figsize=(12, 6))
    sns.boxplot(x='pitch_type', y='release_spin_rate', data=df)
    plt.title('Spin Rate by Pitch Type')
    plt.xlabel('Pitch Type')
    plt.ylabel('Spin Rate (rpm)')
    plt.show()

plot_spin_rate_boxplot(df_684007_all_dates)

このグラフから以下のことが読み取れます:

  1. スイーパー(ST)のスピンレート、平均約2430 rpm程度です。
  2. 4シームファストボール(FF)のスピンレート、平均約2500 rpm程度です。
  3. スプリットフィンガー(SF)は低いスピンレートで、1150 rpm程度です。

3. リリースポイント

リリースポイントは、x(水平方向)、y(投手板からの距離)、z(垂直方向)の3つの座標で表されます。ここでは、x座標とz座標に注目してみましょう。

def plot_release_point_scatter(df):
    plt.figure(figsize=(12, 8))
    for pitch_type in df['pitch_type'].unique():
        subset = df[df['pitch_type'] == pitch_type]
        plt.scatter(subset['release_pos_x'], subset['release_pos_z'], label=pitch_type, alpha=0.5)
    plt.title('Release Point (X vs Z)')
    plt.xlabel('Release Position X (ft)')
    plt.ylabel('Release Position Z (ft)')
    plt.legend()
    plt.show()

plot_release_point_scatter(df_684007_all_dates)

分割する

import matplotlib.pyplot as plt
import numpy as np

def plot_release_points_individual_and_combined(df):
    pitch_types = df['pitch_type'].unique()
    n_pitches = len(pitch_types)
    
    # サブプロットのグリッドを設定(個別グラフ用 + 全体グラフ用)
    n_rows = (n_pitches + 1) // 2 + 1
    fig, axs = plt.subplots(n_rows, 2, figsize=(20, 6*n_rows))
    fig.suptitle('Release Points by Pitch Type', fontsize=24)
    
    # カラーマップの設定
    colors = plt.cm.rainbow(np.linspace(0, 1, n_pitches))
    
    # x軸とy軸の範囲を計算
    x_min, x_max = df['release_pos_x'].min(), df['release_pos_x'].max()
    y_min, y_max = df['release_pos_z'].min(), df['release_pos_z'].max()
    
    # 軸の範囲に少しマージンを追加
    x_margin = (x_max - x_min) * 0.1
    y_margin = (y_max - y_min) * 0.1
    x_min, x_max = x_min - x_margin, x_max + x_margin
    y_min, y_max = y_min - y_margin, y_max + y_margin
    
    # 個別グラフの作成
    for i, (pitch_type, color) in enumerate(zip(pitch_types, colors)):
        row = i // 2
        col = i % 2
        ax = axs[row, col]
        
        subset = df[df['pitch_type'] == pitch_type]
        ax.scatter(subset['release_pos_x'], subset['release_pos_z'], 
                   alpha=0.7, s=50, c=[color], label=pitch_type)
        
        ax.set_title(f'{pitch_type} Release Points', fontsize=16)
        ax.set_xlabel('Release Position X (ft)', fontsize=12)
        ax.set_ylabel('Release Position Z (ft)', fontsize=12)
        ax.grid(True, linestyle='--', alpha=0.7)
        ax.legend(fontsize=10)
        ax.set_xlim(x_min, x_max)
        ax.set_ylim(y_min, y_max)
    
    # 使用していないサブプロットを削除
    for i in range(n_pitches, n_rows * 2 - 1):
        fig.delaxes(axs.flatten()[i])
    
    # 全体グラフの作成
    ax_combined = axs[-1, -1]
    for pitch_type, color in zip(pitch_types, colors):
        subset = df[df['pitch_type'] == pitch_type]
        ax_combined.scatter(subset['release_pos_x'], subset['release_pos_z'], 
                            alpha=0.7, s=50, c=[color], label=pitch_type)
    
    ax_combined.set_title('All Pitch Types Release Points', fontsize=16)
    ax_combined.set_xlabel('Release Position X (ft)', fontsize=12)
    ax_combined.set_ylabel('Release Position Z (ft)', fontsize=12)
    ax_combined.grid(True, linestyle='--', alpha=0.7)
    ax_combined.legend(fontsize=10, bbox_to_anchor=(1.05, 1), loc='upper left')
    ax_combined.set_xlim(x_min, x_max)
    ax_combined.set_ylim(y_min, y_max)
    
    plt.tight_layout()
    plt.show()

# 関数を呼び出す
plot_release_points_individual_and_combined(df_684007_all_dates)

このグラフから以下のことが分かります:

  1. 今永選手は概ね一定のリリースポイントから投球しています。
  2. FF : x座標は約-2.5 ft付近(投手から見て左側)、z座標は約5.2-5.6 ft付近です。
  3. FS : 変化の仕方を変える、コースの狙いによって、リリースポイントが変わってる可能性がありそうです。

4. リリース特性の時系列変化

最後に、これらのリリース特性がシーズンを通じてどのように変化したかを見てみましょう。例として、4シームファストボールのリリーススピードの推移を見てみます。

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np

def plot_release_speed_evolution_boxplot_with_stats(df, unit='mph'):
    ff_data = df[df['pitch_type'] == 'FF'].copy()
    ff_data['game_date'] = pd.to_datetime(ff_data['game_date'])

    if unit == 'km/h':
        ff_data['release_speed'] = ff_data['release_speed'] * 1.60934  # マイルをキロメートルに変換

    # 日付ごとの統計情報を計算
    stats = ff_data.groupby('game_date')['release_speed'].agg(['count', 'mean', 'std'])
    stats.columns = ['N', 'Average', 'σ']

    # Nは整数、AverageとσはOK小数点第一位まで丸める
    stats['N'] = stats['N'].astype(int)
    stats['Average'] = stats['Average'].round(1)
    stats['σ'] = stats['σ'].round(1)

    fig, ax = plt.subplots(figsize=(22, 14))  # 図のサイズをさらに大きくしました

    # ボックスプロットを描画
    sns.boxplot(x='game_date', y='release_speed', data=ff_data, ax=ax)
    ax.set_title(f'Four-Seam Fastball Release Speed Evolution (Daily) - {unit}', fontsize=20)
    ax.set_xlabel('Date', fontsize=18)
    ax.set_ylabel(f'Release Speed ({unit})', fontsize=18)
    ax.tick_params(axis='both', which='major', labelsize=14)  # 軸の目盛りのフォントサイズを大きく

    # X軸のティックとラベルを調整
    xticks = ax.get_xticks()
    ax.set_xticks(xticks)
    ax.set_xticklabels([])

    # 統計情報のテーブルを作成
    table_data = stats.T.values.tolist()

    table = ax.table(cellText=table_data,
                     rowLabels=stats.columns,
                     colLabels=[d.strftime('%Y-%m-%d') for d in stats.index],
                     loc='bottom',
                     cellLoc='center',
                     bbox=[0, -0.38, 1, 0.28])  # テーブルの位置とサイズを調整

    table.auto_set_font_size(False)
    table.set_fontsize(12)  # テーブルのフォントサイズをさらに大きく
    table.scale(1, 2.0)  # テーブルの高さをさらに大きく

    # テーブルの列幅を調整
    table.auto_set_column_width(col=list(range(len(stats.index) + 1)))

    # グラフの下端を調整してテーブルのスペースを確保
    plt.subplots_adjust(bottom=0.28)

    plt.tight_layout()
    plt.show()

# マイル表示のグラフを作成
plot_release_speed_evolution_boxplot_with_stats(df_684007_all_dates, 'mph')

# キロメートル表示のグラフを作成
plot_release_speed_evolution_boxplot_with_stats(df_684007_all_dates, 'km/h')

このグラフから以下のような傾向が読み取れます: 承知しました。以下に、より簡潔なまとめを提示します:

  1. 速度範囲:Four-Seam Fastballの速度は主に90-93 mph間で推移。
  2. 平均速度:全期間を通じて約91-92 mph前後で安定。
  3. ピーク:2024-06-27と2024-04-13に最高速の93.0 mph平均を記録。
  4. 最低速:2024-06-21に最低の90.1 mph平均。
  5. 変動性:日によって異なるが、多くの日で比較的安定。標準偏差は0.7-1.4の範囲。
  6. サンプル数:1日あたり29-64投の範囲で変動。
  7. 傾向:長期的な明確な上昇・下降傾向はないが、6月下旬から7月にやや速度上昇の兆候。
  8. 外れ値:数日で顕著な外れ値を観察、特に2024-04-20に極端な低速記録。

全体として、投手のFour-Seam Fastballの速度は日々の変動はあるものの、比較的一貫性がある。後半にわずかな改善が見られるが、継続的な観察が必要。

まとめ

全てのデータを総合的に分析すると、以下のようにまとめられます:

  1. 投球レパートリー:

    • Four-Seam Fastball (FF) を主軸とし、Split-Finger (FS) とスイーパー (ST) を効果的に組み合わせています。
    • 左右打者で異なる配球戦略を採用し、特に左打者に対してSTの使用頻度が高くなっています。
  2. 速度特性:

    • FF: 平均91.8 mph、日々90-93 mphの範囲で安定。
    • FS: 平均83.1 mph、FFとの速度差約8-9 mph。
    • ST: 平均81.9 mph、さらに大きな速度差。
  3. リリースポイント:

    • 各球種で微妙に異なるリリースポイントを使い分け、打者の球種識別を困難にしています。
    • FFは最も一貫したリリースポイントを持ち、これが安定した速度と制球に寄与しています。
  4. 投球の一貫性:

    • 日々のFF速度データから、全体的に安定したパフォーマンスを維持していることがわかります。
    • 各球種の速度の標準偏差が小さく、コンスタントな投球ができています。
  5. 戦略的観点:

    • リリースポイントと速度の組み合わせにより、効果的な球種の使い分けを実現しています。
    • 左右打者への異なるアプローチが、投手の適応力と戦略的思考を示しています。

総じて、この投手は優れたFFを軸に、多様な球種を巧みに組み合わせ、リリースポイントの微妙な調整と安定した速度コントロールにより、効果的な投球を行っていると評価できます。日々の微小な変動はありますが、全体として一貫した高いパフォーマンスを維持しています。


次回は、ボールの動き(ムーブメント)について詳しく分析していきます。


コメント
いいね
投げ銭
最新順
人気順
SHOGAKU
3 months ago
コメント
いいね
投げ銭
最新順
人気順
トピック
アプリ

Astar Network

DFINITY / ICP

NFT

DAO

DeFi

L2

メタバース

BCG

仮想通貨 / クリプト

ブロックチェーン別

プロジェクト

目次
Tweet
ログイン