MLB 2024年シーズンデータ分析：正規シーズン期間の正確な区分けとデータ抽出ガイド

概要

MLB（メジャーリーグベースボール）のデータ分析において、統計的な信頼性を確保するためには、「正規シーズン」の期間を正確に定義し、オープン戦（スプリングトレーニング）とポストシーズンを除外することが不可欠です。本ガイドでは、2024年シーズンを例に、公式戦データの適切な抽出方法を、日程構造、データソースの特性、実践的な検証手法、および地域特性まで考慮して詳細に解説します。

MLBシーズン構造

MLBの年間スケジュールは、大きく以下の3つの段階に分けられます。

1. オープン戦（スプリングトレーニング）: 2月下旬から3月下旬にかけて行われる、調整および選手評価を目的とした非公式試合。
2. レギュラーシーズン（正規シーズン）: 3月下旬から9月下旬にかけて行われる、全30球団が各162試合を戦う公式戦。
3. ポストシーズン: 10月から11月上旬にかけて行われる、各リーグの優勝チームおよびワイルドカードチームによるトーナメント戦。

データ分析の対象となるのは、レギュラーシーズン（正規シーズン） のみです。

1. オープン戦（スプリングトレーニング）の除外

• 期間: 2024年は2月22日～3月26日（現地時間）
• 特徴:
  • 公式戦績には反映されない。
  • 若手選手のテスト、主力選手の調整が主な目的。
  • 投手は短いイニングでの登板が一般的（3イニング以下など）。
  • 実験的な打順や守備位置が試されることが多い。
• 除外理由: 選手のパフォーマンスが正規シーズンとは異なるため、データ分析に含めると結果に偏りが生じる可能性がある。

2. レギュラーシーズン（正規シーズン）の日程と注意点

• 期間:

  • 全体: 2024年3月20日～10月1日（現地時間）(ソウルシリーズを含めました)
  • 分析対象期間: 2024年3月20日～10月1日 (分析対象期間を長めに設定しました。)

• 注意点:

  • ダブルヘッダー: 雨天中止などにより、1日に2試合が行われる場合がある。
  • 試合の延期・中止: 天候などにより、試合日程が変更される可能性がある。
  • ソウルシリーズ: 3月20日、21日に韓国で開催される開幕戦。これも正規シーズンに含む。
  • ロンドンシリーズ: 6月8日、9日にイギリスで開催される試合。これも正規シーズンに含む。
  • オールスターゲーム: 7月中旬に開催されるが、これはエキシビションマッチのため、分析対象から除外する。

3. ポストシーズンの除外

• 期間: 2024年は10月上旬～11月上旬（日程はリーグの勝敗状況により変動）
• 構成:
  • ワイルドカードシリーズ（3戦2勝制）
  • ディビジョンシリーズ（5戦3勝制）
  • リーグチャンピオンシップシリーズ（7戦4勝制）
  • ワールドシリーズ（7戦4勝制）
• 除外理由: 短期決戦であり、選手の起用法や戦略が正規シーズンとは大きく異なるため。

データ抽出：技術的詳細

正規シーズンのデータを正確に抽出するためには、以下の点に留意する必要があります。

1. データソースの選択:

   • Baseball Savant (Statcast): MLB公式の詳細データ。game_type フィルターを使用可能。
   • Retrosheet: 過去の試合データを含む。GAME_ID でフィルタリング可能。
   • FanGraphs: 高度な指標を提供。season と gamelevel パラメータを使用。

2. 日付フィルタリング:

   • 基本: 開始日と終了日を指定してデータを抽出。
   • タイムゾーン: 米国東部時間（ET）を基準とするため、日本時間との時差を考慮。
   • Python (pybaseball, pandas) での例:

   from pybaseball import statcast
   import pandas as pd
   from pytz import timezone
   
   # 日本時間で範囲設定
   jst_start = pd.Timestamp('2024-03-20', tz='Asia/Tokyo')
   jst_end = pd.Timestamp('2024-10-01', tz='Asia/Tokyo')
   
   # 米国東部時間に変換
   est_start = jst_start.tz_convert('US/Eastern')
   est_end = jst_end.tz_convert('US/Eastern')
   
   # 文字列フォーマット (YYYY-MM-DD)
   start_dt = est_start.strftime('%Y-%m-%d')
   end_dt = est_end.strftime('%Y-%m-%d')
   
   # Statcastデータ取得
   df = statcast(start_dt=start_dt, end_dt=end_dt)
   
   # game_typeでフィルタリング (R: Regular Season)
   df_regseason = df[df['game_type'] == 'R']
   

3. 例外処理:

   • ダブルヘッダー、試合延期・中止への対応は、データソースごとに異なる。
   • Baseball Savant では game_date と game_pk (試合ID) を組み合わせて重複を除去。

データソース別: 詳細なフィルタリング

• Baseball Savant (Statcast):

  df_clean = df_regseason[
      (df_regseason['game_date'].between(start_dt, end_dt)) &
      (df_regseason['game_type'] == 'R')
  ]
  

  • game_type の有効値:
    • S: スプリングトレーニング
    • R: レギュラーシーズン
    • F: ワイルドカードシリーズ
    • D: ディビジョンシリーズ
    • L: リーグチャンピオンシップシリーズ
    • W: ワールドシリーズ

• Retrosheet:

  # 正規シーズンのGAME_IDパターン: 年月日+チームコード
  df_retro = df_retro[
      df_retro['GAME_ID'].str.match(r'^2024(03|04|05|06|07|08|09|10)\d{5}') #2024年3月から10月まで
      ]
  

• FanGraphs:

  from fangraphs import api
  
  params = {
      'season': 2024,
      'gamelevel': 'Majors',  # マイナーリーグ除外
      'startdate': start_dt,
      'enddate': end_dt
  }
  data = api.get('leaders', params=params)
  

データ検証: 品質チェック

抽出したデータが正確であることを確認するために、以下の検証を行います。

1. 試合数:

   • 理論値: 30球団 × 162試合 ÷ 2 = 2430試合
   • 抽出データの試合数が理論値と一致することを確認。

   total_games = df_regseason['game_pk'].nunique()
   assert total_games == 2430, f"試合数不一致: {total_games}" #ソウルシリーズとロンドンシリーズ含めると2430試合にはならない可能性がある。
   

2. 日付範囲:

   • 月ごとの試合数分布を確認し、オープン戦とポストシーズンの期間に試合が含まれていないことを確認。

3. 投球数 (サンプリング):

   • 3月と4月の平均最大投球数を比較し、オープン戦の影響がないことを確認（4月以降の方が多くなるはず）。

地域特性と注意点

• ドーム球場: 天候の影響を受けにくいが、それ以外の球場では天候による試合延期・中止が発生しやすい。
• 寒冷地: 3-4月は寒冷な地域（例: ミネソタ）では、試合延期のリスクが高い。
• サマータイム: 3月第2日曜日に開始。日本との時差が1時間変わる（14時間→13時間）。

応用分析 (例)

1. 開幕戦:

   df_opening = df_regseason[
       df_regseason['game_date'].between('2024-03-20', '2024-03-24') #ソウルシリーズを含めた開幕
   ]
   

2. 月別成績:

   df_monthly = []
   for month in range(3, 11): #3月から10月まで
       start = f'2024-{month:02d}-01'
       end = f'2024-{month:02d}-{pd.Timestamp(start).days_in_month}' #月末
       df_month = df_regseason[df_regseason['game_date'].between(start, end)]
       df_monthly.append(df_month)
   

3. 特定チームのホームゲーム:

   df_team_home = df_regseason[
       (df_regseason['home_team'] == 'NYY') &  # 例: ニューヨーク・ヤンキース
       (df_regseason['game_type'] == 'R')
   ]
   

結論(改訂)

MLB 2024年シーズンの正規シーズンデータ抽出は、2024年3月20日から10月1日（現地時間）を対象とし、game_type='R' でフィルタリングすることが基本です。日本時間での分析では、データソースのタイムゾーン設定を確認し、必要に応じて変換を行います。データ抽出後は、試合数、日付範囲、投球数などの検証を行い、データの品質を確保することが重要です。さらに、地域特性やサマータイムなども考慮し、より詳細な分析を行うことができます。