メインコンテンツへスキップ
見出し画像

MiLBデータ取得の初歩(Python)

    はじめに

    以前、プログラミング言語の「Python」というものを使ってメジャーリーグ(以下「MLB」)のデータを取得し、簡単な分析をする記事を書きました。

    あれから1年以上が経ち、未だ勤務先では「生成AIで業務変革」「ITパスポート全員取得」とのお達しが出る一方、実際に生成AIを使ったえらい人が事実と異なる回答に「こんなの使えねえ」とキレ始める平和な光景が繰り広げられています。2025年の崖は今年のはずなんですが。

    それはどうでも良いとして、MLBのデータを少しながら触るようになったところで、どうやらマイナーリーグ(以下「MiLB」)にも同じようなデータ、それも回転数や打球速度を含むStatcastのデータがあるらしいことがわかり、俄然これも欲しい!となりました。

    MLBと同様、MiLBのデータも簡単に取れるだろうと軽い気持ちで挑んでみたのですが、これがPythonだとなかなか難儀です。そこで今回は、MiLBのデータをPythonで取得するための自分なりの方法について、備忘録ながら書いていきたいと思います。
    なお今回は、「MiLBのStatcastデータ」を対象とします。

    MiLBデータ取得上の問題

    PythonでMLBのデータを取得したい場合、「pybaseball」というとても便利なライブラリがあります。このライブラリを使用することで、MLBのデータ(Statcastを含むさまざまな種類のデータ)を比較的簡単に取得することが可能です。
    取得の方法の概略については、前掲の記事にまとめてあるので、よろしければ参照ください。

    ただ、この「pybaseball」は、MiLBのデータをサポートしていません。これまで当たり前に使っていたものが突然使えなくなるというこの絶望感・喪失感たるや、筆舌に尽くしがたいものがあります。まるで去年の年末、毎週欠かさず見ていた大河ドラマ「光る君へ」が終わってしまった時のようです。

    では、どうやればMiLBのデータを取ることができるのでしょうか。

    MiLB Statcastデータの取得方法

    ① Baseball Savantから取得

    最も一般的な方法として考えられるのは、MLBが提供し、Statcastデータを分析・可視化している「Baseball Savant(以下「Savant」とします)」からデータを取得することだと思います。

    Savantの上部メニューにある「Search」を押すと「Minor League Search」というメニューがあり、ここにアクセスすると、任意の選手や年度におけるMiLBのStatcastデータを取得することが可能です。なお、データの形式はCSVとなります。

    ただし、この方法には問題が1点あります。それは「取得可能なデータの上限がある」点です。

    MLB公式が提供しているAPI(要はデータを提供してくれるプログラムのようなもの)では、「1回のCSV出力に含めるデータの上限は25,000」という制限が課せられています。ただ、シーズンの年間データともなると、その件数は100万件にも迫る規模となります。これでは毎回毎回ぽちぽちしなければなりません。これはなかなかに手間だと思います。

    ② Savant以外のソースから取得する

    SavantからMiLBのデータ(シーズンの年間データ)を取るのは結構大変なことがわかりました。では、誰かそんなデータを持っているすごい人or組織はいないのか。
    世界というのは広いもので、こちらのGitHubリポジトリでは、2005年からのMiLBにおける各グレードのデータ(チーム、試合結果等も含む)が共有されています。すごい。

    中身を拝見したところ、このリポジトリにある「pbp」というデータがStatcastデータに相当するものと思われます。回転数、変化量などのデータもありました。すごい。

    ただし、この方法にも若干の問題があります。それは「Savantのデータと一致していない」点です。

    MLBではMiLBのデータも含め、試合速報の段階からStatcastのデータを提供しています。これはいわゆる「速報値」のようなもので、おそらく実際の計測機器から取られたデータであると推測されます。
    しかしながら、Savantで提供されているデータは「集計値」のようなもので、一部の項目については先ほどの「速報値」とは異なる値が含まれています。具体的には変化量(pfx_x, pfx_z)や投球時の位置(release_pos_x)などがこれに該当します。

    これは速報値自体に問題があるのではなく、実際に取得された値に対して何やらすごい計算(たぶん物理的な補正や単位の補正等)がなされた結果、集計値としてSavantに格納されているものと思われます。計算である以上何らかのロジックがあると思われますが、それを解析するのは上級者の方にお任せしたいと思います。無理だもん。

    ③ MLB APIから小分けにして取る

    Savantでは1回に取れるデータ量が少なく、かといって先ほどのリポジトリ(データ倉庫)ではSavantと値が合わない。ここでお手上げと言いたいところですが、一度欲しくなってしまったものはどうしても手に入れたくなってしまうのが人の性というもの。あれこれ探した結果、今度はこんなすごい人を見つけました。GitHub、深い。

    詳細はここの内容を見ていただくのが最も良いのですが、処理の概要は以下の2点に集約できるかと思います。

    • MLB APIに直接アクセスする

    • 1日分のデータ取得処理を連続して行う

    確かにこの方法であれば、Savantの画面(GUI)からアクセスする必要はなく、かつ1日あたりのデータ量が25,000件を超えることはない上、取る値もSavantのデータ(前述の「集計値」に該当するもの)となるため、比較的長期間にわたるデータも取得することができます。

    上記のリポジトリにあるコードをもとにして一部AIが修正し、コピペすればGoogle Colabなどで動くようにしたものを以下に記載します。
    以下の「start_date」「end_date」を適宜修正すれば、MiLBにおける該当の日付範囲のStatcastデータを取得できるはずです(一応動作確認はしました)。

    import datetime
    import pandas as pd
    
    ### MiLBのSavantデータ取得 ###
    # 関数の定義
    def milb_request(start_dt,end_dt):
        url = "https://baseballsavant.mlb.com/statcast-search-minors/csv?all=true&player_type=pitcher&game_date_gt={}&game_date_lt={}&type=details&minors=true&".format(start_dt, end_dt)
        s=requests.get(url, timeout=None).content
        data = pd.read_csv(io.StringIO(s.decode('utf-8')))
        return data
    
    # 開始日と終了日をdatetime.date型で設定(適宜変更してください)
    start_date = datetime.date(2024, 3, 20)
    end_date = datetime.date(2024, 3, 31)
    
    # 各日のデータを格納するためのリスト
    df_list = []
    
    current_date = start_date
    while current_date <= end_date:
        # 日付を文字列に変換(例:"2024-03-20")
        date_str = current_date.strftime("%Y-%m-%d")
        
        # 1日のデータを取得(start_dtとend_dtに同じ日付を指定)
        df_day = milb_request(date_str, date_str)
        
        # データが取得できた場合のみリストに追加
        if not df_day.empty:
            df_list.append(df_day)
        
        # 次の日に進む
        current_date += datetime.timedelta(days=1)
    
    # 複数のDataFrameを連結
    if df_list:
        df_total = pd.concat(df_list, ignore_index=True)
    else:
        df_total = pd.DataFrame()
    
    print(df_total.head())

    ただし当然ながら、1シーズンなどの大量のデータを取る場合、取得に時間がかかります。その点ご理解いただいた上で、適宜お使いいただけますと幸いです。

    注意事項

    前述の方法③で概ねデータを取ることができるのですが、気になった点が2点あります。

    • グレードがわからない

      • StatcastにはチームID・試合IDなどはあるのですが、その試合のグレード(例:Triple-A、Double-A)の情報がありません。そのため、例えばTriple-Aの成績に絞りたい場合、試合IDなどをもとにして、どの試合がTriple-Aなのかを洗い出し、そこから抽出する処理が必要となります。

      • しかし幸いなことに、各グレードにおける試合情報については前述の方法②に示したGitHubリポジトリにそのデータがあるため、これを活用して絞り込むのが良いかと思われます。

    • 投手or打者しか選手名が取れない

      • 先ほどのサンプルコードで示したURLで「player_type=pitcher」というパラメータを指定しています。この場合、player_name列には投手名が表示されます。

      • このパラメータを「batter」に置き換えると、player_nameの表示名を打者にすることができます。ただし、結局のところ投手or打者のいずれかしか選手名を表示することができません。これはMLB APIの仕様と思われます。

      • ただしStatcastデータでは、投手・打者のいずれにも、その選手を示すID(MLBAM ID)の情報が含まれています。これを起点にして、表示されていない方の選手名を検索することが可能です。

      • 選手名とStatcastデータにおける選手IDのデータは、これもまた以下のGitHubのリポジトリに一覧が存在します。ご興味のある方は一度ご覧ください。

    結論。GitHub、深い。

     
     
    機械音痴です。 X:@the_backfat

    あなたへのおすすめ