Data-analyysi: golfkentät

Abstract

Opinnäytetyön aiheen valinta perustui kiinnostukseen data-analytiikkaa ja golfia kohtaan. Aineistona käytettiin avointa dataa. Työn tavoite oli selvittää, mitkä tilastotieteen menetelmät sopivat melko suppean golf-aiheisen datan analysointiin ja miten tulokset voidaan visualisoida tarkoituksenmukaisesti. Työn tarkoitus oli johtaa datasta tuloksia ja tuottaa tiivistettyä havainnollista tietoa.

Aineisto hankittiin Golfpiste.comin Kenttäoppaasta, golfseurojen kotisivuilta, Golfliiton materiaalipankista ja Tilastokeskuksen sivuilta. Työssä käytettiin SPSS-, Excel- ja Power BI -ohjelmia sekä Python-ohjelmointikieltä. Aineistoon tutustuminen aloitettiin tekemällä jakaumia ja laskemalla tunnuslukuja golfkenttien ominaisuuksista. Golfkenttien väylien ja tiipaikkojen määrät selvitettiin, samoin kuin väylien ja kenttien lyhimmät ja pisimmät mitat. Jakaumia esitettiin taulukkoina, histogrammeina, laatikko-janakaavioina ja ydinestimointikuviona. Eri kenttätyyppejä tarkasteltiin myös erikseen, ja niitä pyrittiin vertailemaan. 18 väylän kenttien par 3 -, par 4 - ja par 5 -väylien erilaisista yhdistelmistä tehtiin viivakaavio. Golfseurojen jäsenten suhteellisia osuuksia eri kunnissa ja maakunnissa tutkittiin.

Tutkittavien ominaisuuksien välisten yhteyksien voimakkuuksia tutkittiin Pearsonin korrelaatiokertoimen avulla. Kun riittävän voimakas yhteys löytyi, voitiin harkita riippuvuuden tutkimista regressioanalyysillä. Regressioanalyysi suoritettiin lyöntipaikkojen määrän ja kentän lyhimmän ja pisimmän pituuden erotuksen välillä sekä kentän pituuden ja kahden kentän vaikeutta kuvaavan arvon välillä. Erikseen ammattilaistason naisille ja miehille määriteltyjä lyöntimääriä kuvaavia vaikeuslukuja vertailtiin t-testillä.

Työn tuloksena todettiin, että golfkenttädatan käsittelyssä hyviä menetelmiä olivat tunnuslukujen käyttö, Pearsonin korrelaatiokerroin, regressioanalyysi ja t-testi. Visualisoinneissa voitiin käyttää monipuolisesti pylväs-, viiva-, sektori-, alue-, kartta-, laatikko-jana-, sironta- ja viulukaavioita sekä histogrammeja ja ydinestimointikuviota.

The objective of the thesis was to determine which statistical methods are suitable for the analysis of rather limited golf data and how the results can be visualized appropriately. The topic was chosen because of interest in both data analytics and golf. Open data were used as research material. The purpose of the work was to derive results from the data and to produce compact and graphical information.

The research material was obtained from Golfpiste.com course guide, the websites of Finnish golf clubs, the Finnish Golf Federation, and Statistics Finland. SPSS, Microsoft Excel and Power BI programs, as well as the Python programming language were used during the work process.

As a result of the work, it was found that the use of statistics, Pearson's correlation coefficient, regression analysis and t-test were good methods for processing golf course data. Bar, line, sector, area, map, box and whisker plot, segment, scatter, and violin diagrams, as well as histograms and a kernel density estimate were used in the visualizations.