Reformatting Statsbomb Data in Python

For this tutorial, I am going to carry on from where we finished in my first tutorial, which you can find that tutorial here. In that tutorial, we downloaded and installed the statsbombpy library and ran through the basic calls to download the free data released by Statsbomb.

In this tutorial, I am going to start with the basic call to get the match events from a single game, and start to parse out some of the information embeded within the file we receive from the call. It’s important to note, that the basic call in the Statsbomb library parses the JSON file in to a “tidy” dataframe. This means we are working with a Pandas dataframe and not with the raw JSON file. I will parse a raw JSON file in a future tutorial.

So let’s get started, first we need to import the libraries that we need to use.

# Read in appropriate libraries
from statsbombpy import sb # Statsbomb library to obtain data
import pandas as pd # Used to read in and manipulate data
import numpy as np # Used to help manipulate data

Once we have imported the libraries, we need to call the sb.events function to get the events from a single match. Once we do that, we need to have a look at the file, so we can do that by calling the head function on the first so many rows.

To view some of this data, you will need to scroll to the right of the tables presented below. This will apply to all tables in this blog and unfortunately was not something I could adjust.

### Run function to call the events from a single match
## Add match_id here
match = 2275038

## Run the event function using the assigned match from above
match_events = sb.events(match_id = match)
match_events.head(10)
credentials were not supplied. open data access only
50_50 bad_behaviour ball_receipt ball_recovery block carry clearance counterpress dribble duel duration foul_committed foul_won goalkeeper half_start id index injury_stoppage interception location match_id minute miscontrol off_camera out pass period play_pattern player position possession possession_team related_events second shot substitution tactics team timestamp type under_pressure
0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 NaN NaN NaN NaN 9579b6c0-b747-4ab7-9aa4-9aff4b852827 1 NaN NaN NaN 2275038 0 NaN NaN NaN NaN 1 Regular Play NaN NaN 1 Reading WFC NaN 0 NaN NaN {‘formation’: 41212, ‘lineup’: [{‘player’: {’i… Reading WFC 00:00:00.000 Starting XI NaN
1 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 NaN NaN NaN NaN a4a12e95-b01a-4042-879f-45c3d992e969 2 NaN NaN NaN 2275038 0 NaN NaN NaN NaN 1 Regular Play NaN NaN 1 Reading WFC NaN 0 NaN NaN {‘formation’: 4231, ‘lineup’: [{‘player’: {’id… West Ham United LFC 00:00:00.000 Starting XI NaN
2 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.100000 NaN NaN NaN {‘late_video_start’: True} da9c5398-dae9-4a3d-b821-fd600b54a55d 3 NaN NaN NaN 2275038 0 NaN NaN NaN NaN 1 Regular Play NaN NaN 1 Reading WFC [035f18f5-8767-475f-b96b-b1548c2fd642] 0 NaN NaN NaN West Ham United LFC 00:00:00.000 Half Start NaN
3 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.100000 NaN NaN NaN {‘late_video_start’: True} 035f18f5-8767-475f-b96b-b1548c2fd642 4 NaN NaN NaN 2275038 0 NaN NaN NaN NaN 1 Regular Play NaN NaN 1 Reading WFC [da9c5398-dae9-4a3d-b821-fd600b54a55d] 0 NaN NaN NaN Reading WFC 00:00:00.000 Half Start NaN
4 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 NaN NaN NaN NaN 5a4cee02-6737-48e2-918f-724080b37471 1524 NaN NaN NaN 2275038 45 NaN NaN NaN NaN 2 Regular Play NaN NaN 96 Reading WFC [f0bd2ba7-a946-4414-b04f-aeeae0928f31] 0 NaN NaN NaN West Ham United LFC 00:00:00.000 Half Start NaN
5 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 NaN NaN NaN NaN f0bd2ba7-a946-4414-b04f-aeeae0928f31 1525 NaN NaN NaN 2275038 45 NaN NaN NaN NaN 2 Regular Play NaN NaN 96 Reading WFC [5a4cee02-6737-48e2-918f-724080b37471] 0 NaN NaN NaN Reading WFC 00:00:00.000 Half Start NaN
6 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.771676 NaN NaN NaN NaN c0cc1e3b-af5c-448c-82cc-08e546a72f5b 5 NaN NaN [61.0, 40.1] 2275038 0 NaN NaN NaN {‘recipient’: {‘id’: 10251, ‘name’: ’Fara Will… 1 From Kick Off Jade Moore Center Defensive Midfield 2 Reading WFC [99c4a406-f3d4-4bd0-b5b0-3a0598ae54dd] 0 NaN NaN NaN Reading WFC 00:00:00.046 Pass NaN
7 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 2.831446 NaN NaN NaN NaN 7172fc12-eaf2-4e9c-9f82-16950a04cfa7 8 NaN NaN [54.8, 40.5] 2275038 0 NaN NaN NaN {‘recipient’: {‘id’: 15725, ‘name’: ’Natasha H… 1 From Kick Off Fara Williams Center Attacking Midfield 2 Reading WFC [91ca5def-0b84-4d2d-9313-68418f3e1b3a] 0 NaN NaN NaN Reading WFC 00:00:00.897 Pass NaN
8 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 1.307655 NaN NaN NaN NaN 188815ee-705c-4deb-951b-97348bf7838f 16 NaN NaN [33.2, 2.8] 2275038 0 NaN NaN NaN {‘recipient’: {‘id’: 18147, ‘name’: ’Kate Long… 1 From Kick Off Laura Vetterlein Left Back 2 Reading WFC [a0d2f369-a161-424e-85a2-419a4fc693da] 8 NaN NaN NaN West Ham United LFC 00:00:08.899 Pass NaN
9 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 2.176197 NaN NaN NaN NaN 91685ff0-0d95-497a-9a8d-af14a6851ef6 25 NaN NaN [77.4, 74.1] 2275038 0 NaN NaN NaN {‘recipient’: {‘id’: 15725, ‘name’: ’Natasha H… 1 From Kick Off Fara Williams Center Attacking Midfield 2 Reading WFC [dc4d1ac5-1444-438d-8d5b-572b9707048b] 13 NaN NaN NaN Reading WFC 00:00:13.385 Pass NaN

So we have 41 columns of data, but we can’t see them all as Pandas will cut some of the columns out so as to not display too much information on the page. We can however print the column headers and see what we have to work with, or we can change some Pandas options to print the entire 41 columns for us. So lets change some options so we can also see what the data in these columns might look like.

### Change Pandas options to print max columns
pd.set_option('display.max_columns', None)

### Reprint head of data sorting by the minute column
match_events.sort_values('minute').head(10)
50_50 bad_behaviour ball_receipt ball_recovery block carry clearance counterpress dribble duel duration foul_committed foul_won goalkeeper half_start id index injury_stoppage interception location match_id minute miscontrol off_camera out pass period play_pattern player position possession possession_team related_events second shot substitution tactics team timestamp type under_pressure
0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 NaN NaN NaN NaN 9579b6c0-b747-4ab7-9aa4-9aff4b852827 1 NaN NaN NaN 2275038 0 NaN NaN NaN NaN 1 Regular Play NaN NaN 1 Reading WFC NaN 0 NaN NaN {‘formation’: 41212, ‘lineup’: [{‘player’: {’i… Reading WFC 00:00:00.000 Starting XI NaN
764 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN a0d2f369-a161-424e-85a2-419a4fc693da 18 NaN NaN [44.3, 3.7] 2275038 0 NaN NaN NaN NaN 1 From Kick Off Kate Longhurst Left Defensive Midfield 2 Reading WFC [188815ee-705c-4deb-951b-97348bf7838f, 2103761… 10 NaN NaN NaN West Ham United LFC 00:00:10.207 Ball Receipt* True
765 NaN NaN {‘outcome’: {‘id’: 9, ‘name’: ‘Incomplete’}} NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN dc4d1ac5-1444-438d-8d5b-572b9707048b 26 NaN NaN [108.1, 70.0] 2275038 0 NaN NaN NaN NaN 1 From Kick Off Natasha Harding Right Back 2 Reading WFC [91685ff0-0d95-497a-9a8d-af14a6851ef6] 15 NaN NaN NaN Reading WFC 00:00:15.562 Ball Receipt* NaN
766 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 3bcacf01-dbde-4597-8c43-408c6212da68 28 NaN NaN [6.8, 31.6] 2275038 0 NaN NaN NaN NaN 1 From Free Kick Anne Moorhouse Goalkeeper 3 West Ham United LFC [126b174d-4d51-43a5-9952-4a5657dc93b9] 29 NaN NaN NaN West Ham United LFC 00:00:29.562 Ball Receipt* NaN
767 NaN NaN {‘outcome’: {‘id’: 9, ‘name’: ‘Incomplete’}} NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN f559c7a8-cd68-4256-a0ac-96232523949e 32 NaN NaN [43.0, 75.0] 2275038 0 NaN NaN NaN NaN 1 From Free Kick Cecilie Redisch Kvamme Right Back 3 West Ham United LFC [0f00f803-10bc-42dd-bdde-0123bee8b0c5] 33 NaN NaN NaN West Ham United LFC 00:00:33.215 Ball Receipt* NaN
768 NaN NaN {‘outcome’: {‘id’: 9, ‘name’: ‘Incomplete’}} NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 41477a37-41b3-48ef-842b-203dc3da9db6 35 NaN NaN [71.0, 67.8] 2275038 0 NaN NaN NaN NaN 1 From Throw In Leanne Kiernan Center Attacking Midfield 4 West Ham United LFC [e4045b66-f292-48b2-af77-228460807a6f] 58 NaN NaN NaN West Ham United LFC 00:00:58.621 Ball Receipt* NaN
1132 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 1042ba43-e741-4487-b5c5-6977d53e64b9 1521 NaN NaN [35.7, 44.3] 2275038 0 NaN NaN NaN NaN 1 Regular Play Kristine Leine Left Center Back 96 Reading WFC [b43398f4-1953-4e94-83a0-944a3f72cb77] 0 NaN NaN NaN Reading WFC 00:00:00.212 Ball Receipt* NaN
1418 NaN NaN NaN NaN NaN {‘end_location’: [84.6, 72.5]} NaN NaN NaN NaN 0.610300 NaN NaN NaN NaN 901ab741-eee0-4ae2-920f-24e23f4da695 11 NaN NaN [77.7, 75.4] 2275038 0 NaN NaN NaN NaN 1 From Kick Off Natasha Harding Right Back 2 Reading WFC [018f464d-055c-459e-b966-3f3dc6f60b19, 91ca5de… 3 NaN NaN NaN Reading WFC 00:00:03.729 Carry True
1419 NaN NaN NaN NaN NaN {‘end_location’: [33.2, 2.8]} NaN NaN NaN NaN 4.470062 NaN NaN NaN NaN 29dbf328-c64f-4974-a703-14d060348f1d 14 NaN NaN [33.2, 7.6] 2275038 0 NaN NaN NaN NaN 1 From Kick Off Laura Vetterlein Left Back 2 Reading WFC [188815ee-705c-4deb-951b-97348bf7838f, 5b12bc3… 4 NaN NaN NaN West Ham United LFC 00:00:04.429 Carry True
1420 NaN NaN NaN NaN NaN {‘end_location’: [43.1, 4.3]} NaN NaN NaN NaN 0.543583 NaN NaN NaN NaN 4b94b9e0-f80b-44d1-ab38-4bbbdd549c51 19 NaN NaN [44.3, 3.7] 2275038 0 NaN NaN NaN NaN 1 From Kick Off Kate Longhurst Left Defensive Midfield 2 Reading WFC [21037614-fe96-4eaa-af62-6d661507cc37, 3456b6d… 10 NaN NaN NaN West Ham United LFC 00:00:10.207 Carry True

Great, now we can see all 41 columns and the data they contain. This should help us with rearranging and parsing out the data we need. Data for location for example provides an x / y value, as a list within the dataframe. This will need to be separated out before we could save this file, or use it effectively.

To do this, we are going to use a pd.Series. After reading a lot online, this is a slower method than using a Numpy tolist method, but handles NaN values much easier, which is something we are required to deal with in this dataset.

### First rename our dataframe
match_events_split = match_events

### Apply our split renaming columns for when we split the column
match_events_split[['location_x', 'location_y']] = match_events_split['location'].apply(pd.Series)

### Drop our location column as we don't need this anymore
match_events_split = match_events_split.drop('location', axis = 1)

### View the top of our file again to see this worked
match_events_split.head(10)
50_50 bad_behaviour ball_receipt ball_recovery block carry clearance counterpress dribble duel duration foul_committed foul_won goalkeeper half_start id index injury_stoppage interception match_id minute miscontrol off_camera out pass period play_pattern player position possession possession_team related_events second shot substitution tactics team timestamp type under_pressure location_x location_y
0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 NaN NaN NaN NaN 9579b6c0-b747-4ab7-9aa4-9aff4b852827 1 NaN NaN 2275038 0 NaN NaN NaN NaN 1 Regular Play NaN NaN 1 Reading WFC NaN 0 NaN NaN {‘formation’: 41212, ‘lineup’: [{‘player’: {’i… Reading WFC 00:00:00.000 Starting XI NaN NaN NaN
1 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 NaN NaN NaN NaN a4a12e95-b01a-4042-879f-45c3d992e969 2 NaN NaN 2275038 0 NaN NaN NaN NaN 1 Regular Play NaN NaN 1 Reading WFC NaN 0 NaN NaN {‘formation’: 4231, ‘lineup’: [{‘player’: {’id… West Ham United LFC 00:00:00.000 Starting XI NaN NaN NaN
2 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.100000 NaN NaN NaN {‘late_video_start’: True} da9c5398-dae9-4a3d-b821-fd600b54a55d 3 NaN NaN 2275038 0 NaN NaN NaN NaN 1 Regular Play NaN NaN 1 Reading WFC [035f18f5-8767-475f-b96b-b1548c2fd642] 0 NaN NaN NaN West Ham United LFC 00:00:00.000 Half Start NaN NaN NaN
3 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.100000 NaN NaN NaN {‘late_video_start’: True} 035f18f5-8767-475f-b96b-b1548c2fd642 4 NaN NaN 2275038 0 NaN NaN NaN NaN 1 Regular Play NaN NaN 1 Reading WFC [da9c5398-dae9-4a3d-b821-fd600b54a55d] 0 NaN NaN NaN Reading WFC 00:00:00.000 Half Start NaN NaN NaN
4 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 NaN NaN NaN NaN 5a4cee02-6737-48e2-918f-724080b37471 1524 NaN NaN 2275038 45 NaN NaN NaN NaN 2 Regular Play NaN NaN 96 Reading WFC [f0bd2ba7-a946-4414-b04f-aeeae0928f31] 0 NaN NaN NaN West Ham United LFC 00:00:00.000 Half Start NaN NaN NaN
5 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 NaN NaN NaN NaN f0bd2ba7-a946-4414-b04f-aeeae0928f31 1525 NaN NaN 2275038 45 NaN NaN NaN NaN 2 Regular Play NaN NaN 96 Reading WFC [5a4cee02-6737-48e2-918f-724080b37471] 0 NaN NaN NaN Reading WFC 00:00:00.000 Half Start NaN NaN NaN
6 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.771676 NaN NaN NaN NaN c0cc1e3b-af5c-448c-82cc-08e546a72f5b 5 NaN NaN 2275038 0 NaN NaN NaN {‘recipient’: {‘id’: 10251, ‘name’: ’Fara Will… 1 From Kick Off Jade Moore Center Defensive Midfield 2 Reading WFC [99c4a406-f3d4-4bd0-b5b0-3a0598ae54dd] 0 NaN NaN NaN Reading WFC 00:00:00.046 Pass NaN 61.0 40.1
7 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 2.831446 NaN NaN NaN NaN 7172fc12-eaf2-4e9c-9f82-16950a04cfa7 8 NaN NaN 2275038 0 NaN NaN NaN {‘recipient’: {‘id’: 15725, ‘name’: ’Natasha H… 1 From Kick Off Fara Williams Center Attacking Midfield 2 Reading WFC [91ca5def-0b84-4d2d-9313-68418f3e1b3a] 0 NaN NaN NaN Reading WFC 00:00:00.897 Pass NaN 54.8 40.5
8 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 1.307655 NaN NaN NaN NaN 188815ee-705c-4deb-951b-97348bf7838f 16 NaN NaN 2275038 0 NaN NaN NaN {‘recipient’: {‘id’: 18147, ‘name’: ’Kate Long… 1 From Kick Off Laura Vetterlein Left Back 2 Reading WFC [a0d2f369-a161-424e-85a2-419a4fc693da] 8 NaN NaN NaN West Ham United LFC 00:00:08.899 Pass NaN 33.2 2.8
9 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 2.176197 NaN NaN NaN NaN 91685ff0-0d95-497a-9a8d-af14a6851ef6 25 NaN NaN 2275038 0 NaN NaN NaN {‘recipient’: {‘id’: 15725, ‘name’: ’Natasha H… 1 From Kick Off Fara Williams Center Attacking Midfield 2 Reading WFC [dc4d1ac5-1444-438d-8d5b-572b9707048b] 13 NaN NaN NaN Reading WFC 00:00:13.385 Pass NaN 77.4 74.1

Now we have our locations parsed out, each of our event type columns, such as pass or shot, have a variety of information also contained within them. Such as if the pass was an assist, who received the pass and how long the pass was. All of this information is provided as a Numpy array within the dataframe. If we isolate the pass column and drop all NaN values, this is what we get.

### Select the pass column
pass_data_raw = match_events_split['pass']

### Drop NaN values from our selected column
pass_data_raw.dropna().head()
6     {'recipient': {'id': 10251, 'name': 'Fara Will...
7     {'recipient': {'id': 15725, 'name': 'Natasha H...
8     {'recipient': {'id': 18147, 'name': 'Kate Long...
9     {'recipient': {'id': 15725, 'name': 'Natasha H...
10    {'recipient': {'id': 22027, 'name': 'Anne Moor...
Name: pass, dtype: object

As we can see, there are lists within lists here and the information provided might be common across multiple event types within this dataset. Let’s see if we can pull anything further out of here and create a nice little dataframe of the information.

First, we can split the list in to a dataframe of values and rather than having our list of lists.

### Convert our list in to a dataframe
pass_data = pass_data_raw.apply(pd.Series)

### Filter our list to find our pass values
pass_data[pass_data.length >= 0]
0 aerial_won angle assisted_shot_id body_part cross cut_back deflected end_location goal_assist height inswinging length miscommunication no_touch outcome outswinging recipient shot_assist switch technique through_ball type
6 NaN NaN 2.900027 NaN {‘id’: 40, ‘name’: ‘Right Foot’} NaN NaN NaN [54.1, 41.8] NaN {‘id’: 1, ‘name’: ‘Ground Pass’} NaN 7.106335 NaN NaN NaN NaN {‘id’: 10251, ‘name’: ‘Fara Williams’} NaN NaN NaN NaN {‘id’: 65, ‘name’: ‘Kick Off’}
7 NaN NaN 0.990103 NaN {‘id’: 38, ‘name’: ‘Left Foot’} NaN NaN NaN [77.7, 75.4] NaN {‘id’: 3, ‘name’: ‘High Pass’} NaN 41.742306 NaN NaN NaN NaN {‘id’: 15725, ‘name’: ‘Natasha Harding’} NaN NaN NaN NaN NaN
8 NaN NaN 0.080904 NaN {‘id’: 38, ‘name’: ‘Left Foot’} NaN NaN NaN [44.3, 3.7] NaN {‘id’: 1, ‘name’: ‘Ground Pass’} NaN 11.136427 NaN NaN NaN NaN {‘id’: 18147, ‘name’: ‘Kate Longhurst’} NaN NaN NaN NaN NaN
9 NaN NaN -0.132765 NaN {‘id’: 40, ‘name’: ‘Right Foot’} NaN NaN NaN [108.1, 70.0] NaN {‘id’: 3, ‘name’: ‘High Pass’} NaN 30.972569 NaN NaN {‘id’: 76, ‘name’: ‘Pass Offside’} NaN {‘id’: 15725, ‘name’: ‘Natasha Harding’} NaN NaN NaN NaN NaN
10 NaN NaN 2.101826 NaN {‘id’: 38, ‘name’: ‘Left Foot’} NaN NaN NaN [6.8, 31.6] NaN {‘id’: 1, ‘name’: ‘Ground Pass’} NaN 21.918486 NaN NaN NaN NaN {‘id’: 22027, ‘name’: ‘Anne Moorhouse’} NaN NaN NaN NaN {‘id’: 62, ‘name’: ‘Free Kick’}
757 NaN NaN -1.799721 NaN NaN NaN NaN NaN [112.1, 69.7] NaN {‘id’: 3, ‘name’: ‘High Pass’} NaN 10.575916 NaN NaN NaN NaN {‘id’: 26570, ‘name’: ‘Amalie Vevle Eikeland’} NaN NaN NaN NaN {‘id’: 67, ‘name’: ‘Throw-in’}
758 NaN NaN 2.310073 NaN {‘id’: 40, ‘name’: ‘Right Foot’} NaN NaN NaN [110.2, 78.1] NaN {‘id’: 1, ‘name’: ‘Ground Pass’} NaN 4.601087 NaN NaN NaN NaN {‘id’: 15725, ‘name’: ‘Natasha Harding’} NaN NaN NaN NaN NaN
759 NaN NaN -0.851966 NaN {‘id’: 40, ‘name’: ‘Right Foot’} NaN NaN NaN [112.3, 75.9] NaN {‘id’: 1, ‘name’: ‘Ground Pass’} NaN 2.126029 NaN NaN {‘id’: 9, ‘name’: ‘Incomplete’} NaN NaN NaN NaN NaN NaN NaN
760 NaN NaN -1.830611 NaN NaN NaN NaN NaN [109.5, 72.1] NaN {‘id’: 3, ‘name’: ‘High Pass’} NaN 8.174350 NaN NaN NaN NaN {‘id’: 10190, ‘name’: ‘Jade Moore’} NaN NaN NaN NaN {‘id’: 67, ‘name’: ‘Throw-in’}
761 NaN NaN -1.843406 NaN NaN NaN NaN NaN [111.1, 70.7] NaN {‘id’: 3, ‘name’: ‘High Pass’} NaN 9.656604 NaN NaN {‘id’: 77, ‘name’: ‘Unknown’} NaN NaN NaN NaN NaN NaN {‘id’: 67, ‘name’: ‘Throw-in’}

756 rows × 23 columns

Now we can see what our data actually includes, with a few of our columns still including a list of information., with ‘id’ and ‘name’ common within those columns, while we have a list of co-ordinates for our end locations as well. We can convert these columns one by one, but this would be time consuming to do for all individual variables in this dataset. For example, we can split each column like this:

### Split the height column in to separate columns
pass_data[['0', 'pass_height_id', 'pass_height_name']] = pass_data['height'].apply(pd.Series)

### Filter the dataframe to find our data
pass_data[pass_data.length >= 0]
0 aerial_won angle assisted_shot_id body_part cross cut_back deflected end_location goal_assist height inswinging length miscommunication no_touch outcome outswinging recipient shot_assist switch technique through_ball type 0 pass_height_id pass_height_name
6 NaN NaN 2.900027 NaN {‘id’: 40, ‘name’: ‘Right Foot’} NaN NaN NaN [54.1, 41.8] NaN {‘id’: 1, ‘name’: ‘Ground Pass’} NaN 7.106335 NaN NaN NaN NaN {‘id’: 10251, ‘name’: ‘Fara Williams’} NaN NaN NaN NaN {‘id’: 65, ‘name’: ‘Kick Off’} NaN 1.0 Ground Pass
7 NaN NaN 0.990103 NaN {‘id’: 38, ‘name’: ‘Left Foot’} NaN NaN NaN [77.7, 75.4] NaN {‘id’: 3, ‘name’: ‘High Pass’} NaN 41.742306 NaN NaN NaN NaN {‘id’: 15725, ‘name’: ‘Natasha Harding’} NaN NaN NaN NaN NaN NaN 3.0 High Pass
8 NaN NaN 0.080904 NaN {‘id’: 38, ‘name’: ‘Left Foot’} NaN NaN NaN [44.3, 3.7] NaN {‘id’: 1, ‘name’: ‘Ground Pass’} NaN 11.136427 NaN NaN NaN NaN {‘id’: 18147, ‘name’: ‘Kate Longhurst’} NaN NaN NaN NaN NaN NaN 1.0 Ground Pass
9 NaN NaN -0.132765 NaN {‘id’: 40, ‘name’: ‘Right Foot’} NaN NaN NaN [108.1, 70.0] NaN {‘id’: 3, ‘name’: ‘High Pass’} NaN 30.972569 NaN NaN {‘id’: 76, ‘name’: ‘Pass Offside’} NaN {‘id’: 15725, ‘name’: ‘Natasha Harding’} NaN NaN NaN NaN NaN NaN 3.0 High Pass
10 NaN NaN 2.101826 NaN {‘id’: 38, ‘name’: ‘Left Foot’} NaN NaN NaN [6.8, 31.6] NaN {‘id’: 1, ‘name’: ‘Ground Pass’} NaN 21.918486 NaN NaN NaN NaN {‘id’: 22027, ‘name’: ‘Anne Moorhouse’} NaN NaN NaN NaN {‘id’: 62, ‘name’: ‘Free Kick’} NaN 1.0 Ground Pass
757 NaN NaN -1.799721 NaN NaN NaN NaN NaN [112.1, 69.7] NaN {‘id’: 3, ‘name’: ‘High Pass’} NaN 10.575916 NaN NaN NaN NaN {‘id’: 26570, ‘name’: ‘Amalie Vevle Eikeland’} NaN NaN NaN NaN {‘id’: 67, ‘name’: ‘Throw-in’} NaN 3.0 High Pass
758 NaN NaN 2.310073 NaN {‘id’: 40, ‘name’: ‘Right Foot’} NaN NaN NaN [110.2, 78.1] NaN {‘id’: 1, ‘name’: ‘Ground Pass’} NaN 4.601087 NaN NaN NaN NaN {‘id’: 15725, ‘name’: ‘Natasha Harding’} NaN NaN NaN NaN NaN NaN 1.0 Ground Pass
759 NaN NaN -0.851966 NaN {‘id’: 40, ‘name’: ‘Right Foot’} NaN NaN NaN [112.3, 75.9] NaN {‘id’: 1, ‘name’: ‘Ground Pass’} NaN 2.126029 NaN NaN {‘id’: 9, ‘name’: ‘Incomplete’} NaN NaN NaN NaN NaN NaN NaN NaN 1.0 Ground Pass
760 NaN NaN -1.830611 NaN NaN NaN NaN NaN [109.5, 72.1] NaN {‘id’: 3, ‘name’: ‘High Pass’} NaN 8.174350 NaN NaN NaN NaN {‘id’: 10190, ‘name’: ‘Jade Moore’} NaN NaN NaN NaN {‘id’: 67, ‘name’: ‘Throw-in’} NaN 3.0 High Pass
761 NaN NaN -1.843406 NaN NaN NaN NaN NaN [111.1, 70.7] NaN {‘id’: 3, ‘name’: ‘High Pass’} NaN 9.656604 NaN NaN {‘id’: 77, ‘name’: ‘Unknown’} NaN NaN NaN NaN NaN NaN {‘id’: 67, ‘name’: ‘Throw-in’} NaN 3.0 High Pass

756 rows × 26 columns

Now that was relatively simple to do, but having to change the values for each column we want to split like this will take a fair amount of time to do. What we could do is write a function that checks each column of the dataframe and apply a function to it.

### Split pass data in to dataframe
pass_data_split = pass_data_raw.apply(pd.Series)

### Create function to loop through columns
### and apply a function to split the column
### in to id and name columns.
def pass_parse_function(data) -> pd.DataFrame:
    
    df = pd.DataFrame(data)
    dfcolumns = df.columns
    for i in dfcolumns:
        try: 
            df[['0', str(i) + '_id', str(i) + '_name']] = df[i].apply(pd.Series)
            df = df.drop(i, axis = 1)
        except ValueError:
            pass
    
    return df

### Run the function using the split dataframe
pass_df = pass_parse_function(pass_data_split)

### View the data from the function
pass_df[pass_df.length >= 0].head(10)
0 aerial_won angle assisted_shot_id cross cut_back deflected end_location goal_assist inswinging length miscommunication no_touch outswinging shot_assist switch through_ball 0 body_part_id body_part_name height_id height_name outcome_id outcome_name recipient_id recipient_name technique_id technique_name type_id type_name
6 NaN NaN 2.900027 NaN NaN NaN NaN [54.1, 41.8] NaN NaN 7.106335 NaN NaN NaN NaN NaN NaN NaN 40.0 Right Foot 1.0 Ground Pass NaN NaN 10251.0 Fara Williams NaN NaN 65.0 Kick Off
7 NaN NaN 0.990103 NaN NaN NaN NaN [77.7, 75.4] NaN NaN 41.742306 NaN NaN NaN NaN NaN NaN NaN 38.0 Left Foot 3.0 High Pass NaN NaN 15725.0 Natasha Harding NaN NaN NaN NaN
8 NaN NaN 0.080904 NaN NaN NaN NaN [44.3, 3.7] NaN NaN 11.136427 NaN NaN NaN NaN NaN NaN NaN 38.0 Left Foot 1.0 Ground Pass NaN NaN 18147.0 Kate Longhurst NaN NaN NaN NaN
9 NaN NaN -0.132765 NaN NaN NaN NaN [108.1, 70.0] NaN NaN 30.972569 NaN NaN NaN NaN NaN NaN NaN 40.0 Right Foot 3.0 High Pass 76.0 Pass Offside 15725.0 Natasha Harding NaN NaN NaN NaN
10 NaN NaN 2.101826 NaN NaN NaN NaN [6.8, 31.6] NaN NaN 21.918486 NaN NaN NaN NaN NaN NaN NaN 38.0 Left Foot 1.0 Ground Pass NaN NaN 22027.0 Anne Moorhouse NaN NaN 62.0 Free Kick
11 NaN NaN 0.760755 NaN NaN NaN NaN [37.8, 65.3] NaN NaN 40.175865 NaN NaN NaN NaN NaN NaN NaN 40.0 Right Foot 2.0 Low Pass 9.0 Incomplete 31553.0 Cecilie Redisch Kvamme NaN NaN NaN NaN
12 NaN NaN -0.237374 NaN NaN NaN NaN [71.9, 74.0] NaN NaN 25.515486 NaN NaN NaN NaN NaN NaN NaN NaN NaN 3.0 High Pass 9.0 Incomplete 18146.0 Leanne Kiernan NaN NaN 67.0 Throw-in
13 NaN NaN -2.696125 NaN NaN NaN NaN [57.3, 25.3] NaN NaN 12.300406 NaN NaN NaN NaN NaN NaN NaN 40.0 Right Foot 2.0 Low Pass 9.0 Incomplete 31628.0 Kristine Leine NaN NaN NaN NaN
14 NaN NaN 1.010365 NaN NaN NaN NaN [66.6, 75.5] NaN NaN 23.139793 NaN NaN NaN NaN NaN NaN NaN 38.0 Left Foot 1.0 Ground Pass NaN NaN 31553.0 Cecilie Redisch Kvamme NaN NaN 62.0 Free Kick
15 NaN NaN -0.167896 NaN NaN NaN NaN [71.9, 74.5] NaN NaN 5.984146 NaN NaN NaN NaN NaN NaN NaN 40.0 Right Foot 1.0 Ground Pass NaN NaN 18153.0 Alisha Lehmann NaN NaN NaN NaN

So there we have a function that parses out our columns and applies a new name to each colunmn. This is far simpler, and quicker than trying to write out a single line of code for each column we need to pull details from.

I’m not sure if this is the quickest function for doing this, so if anyone who uses Python is reading this, feel free to let me know if there is a better method of doing it.

Hopefully this tutorial provides you with some good information on using Python to look at Statsbomb data. I know there is a few things I can clean up in this process and hopefully I can learn / show you all those in the future.

comments powered by Disqus

Related