Datasets:

Yoav-omer
/

yoav-nba-draft-analysis

@@ -1,99 +1,107 @@
-# 🏀 NBA Draft Data Analysis (1989–2021)
-##  Overview
-In this project, I analyzed NBA draft data from 1989 to 2021.
-The goal was to understand what makes a player a **Top 10 draft pick**.
-This project included:
-- Data Cleaning
-- Outlier Detection
-- Descriptive Statistics
-- Visualizations
-- Research Questions and Insights
-Dataset source: [Kaggle – NBA Draft Basketball Player Data](https://www.kaggle.com/datasets/mattop/nba-draft-basketball-player-data-19892021)
----
-##  Objective
-The main goal was to identify what characteristics separate Top 10 NBA draft picks from other drafted players.
-**Target variable:**
-`top10` → 1 = drafted in Top 10, 0 = otherwise.
 ---
-##  Step 1: Data Cleaning
-- Removed irrelevant columns like `player`, `team`, and `college`.
-- Checked for missing values and replaced numeric NaNs with the column mean.
-- Removed duplicate rows.
- Final dataset is clean and ready for analysis.
 ---
-##  Step 2: Outlier Detection
-- Used the **IQR (Interquartile Range)** method to remove extreme outliers.
-- This helped to remove unrealistic values that could distort averages, like superstars with very high point-per-game stats.
----
-##  Step 3: Descriptive Statistics
-- Calculated mean, median, and standard deviation for all numeric columns.
-- Found positive correlations between:
-  - `points_per_game` and `win_shares`
-  - `assists` and `total_rebounds`
 ---
-##  Step 4: Research Questions and Visualizations
-### **Question 1:**
-Do Top 10 draft picks score more points per game?
-**Answer:**
-Yes — Top 10 picks have a higher median points per game, suggesting that scoring ability is an important factor for early draft selection.
 ---
-### **Question 2:**
-Do Top 10 picks play more games in their career?
-**Answer:**
-Yes — Top 10 picks usually play more total games, showing they tend to have longer and more consistent careers.
----
-### **Question 3:**
-Do Top 10 picks contribute more to team wins?
-**Answer:**
-Yes — Their `win_shares` values are generally higher, meaning they help their teams win more often.
 ---
-##  Key Insights
-- Top 10 players **score more**, **play more games**, and **contribute more** to their teams.
-- These factors show that high draft selections usually reflect player quality and potential.
-- Teams generally make good choices with early draft picks.
 ---
-##  Tools Used
-- Python (Pandas, NumPy)
-- Matplotlib, Seaborn
-- Google Colab / Jupyter Notebook
-- Hugging Face Datasets
 ---
-##  Files Included
-- `nbaplayersdraft.csv` – dataset file
-- `nba_draft_EDA.ipynb` – notebook with analysis and code
-- `README.md` – this summary file
 ---
-##  Video Presentation
-A short 2–3 minute overview of the process and results.
- *(Add your video link here after uploading it)*

+# ניתוח נתוני דראפט ה-NBA (1989–2021)
+## מטרת הפרויקט
+בפרויקט הזה ניתחתי נתונים על הדראפט ה-NBA בין השנים 1989 עד 2021.
+המטרה שלי הייתה להבין מה מאפיין שחקנים שנבחרים בעשירייה הראשונה –
+והאם הם באמת טובים יותר משאר השחקנים.
+---
+## שלב 1 – ניקוי נתונים
+לפני תחילת הניתוח, ניקיתי את הנתונים כך שיהיו ברורים ונכונים:
+- הסרתי עמודות טקסטואליות שלא רלוונטיות (כמו שם השחקן, הקבוצה והמכללה)
+- בדקתי אם יש ערכים חסרים ומילאתי אותם בממוצע של כל עמודה
+- מחקתי שורות כפולות
+לאחר הניקוי הנתונים היו נקיים ומוכנים לניתוח.
+---
+## שלב 2 – טיפול בערכים חריגים
+חלק מהשחקנים היו עם ערכים חריגים מאוד (כמו סופרסטארים עם ממוצעים יוצאי דופן).
+השתמשתי בשיטת IQR כדי להסיר ערכים קיצוניים מדי כדי שלא ישפיעו על התוצאות.
+זה עזר לשמור על אמינות גבוהה יותר בניתוח.
 ---
+## שלב 3 – סטטיסטיקה תיאורית
+בדקתי מדדים שונים כמו:
+- ממוצע נקודות למשחק
+- מספר משחקים כולל בקריירה
+- מדד win shares (כמה השחקן תרם לניצחונות הקבוצה)
+מצאתי קשרים חיוביים – לדוגמה, שחקנים שקולעים יותר גם תורמים יותר לניצחונות של קבוצתם.
 ---
+## שלב 4 – שאלות מחקר וגרפים
+### שאלה 1:
+האם שחקני טופ 10 קולעים יותר נקודות למשחק?
+![גרף נקודות למשחק](https://huggingface.co/datasets/Yoav-omer/yoav-nba-draft-analysis/resolve/main/boxplot_points_per_game.png)
+תשובה:
+כן. בממוצע שחקני הטופ 10 קולעים יותר משאר השחקנים.
+נראה שקבוצות בוחרות מוקדם שחקנים עם יכולת התקפית גבוהה.
 ---
+### שאלה 2:
+האם שחקני טופ 10 משחקים יותר משחקים בקריירה?
+![גרף משחקים בקריירה](https://huggingface.co/datasets/Yoav-omer/yoav-nba-draft-analysis/resolve/main/boxplot_games_played.png)
+תשובה:
+כן. שחקני טופ 10 נוטים לשחק יותר משחקים במהלך הקריירה שלהם,
+מה שמראה שהם לרוב שחקנים יציבים ומצליחים יותר בליגה.
 ---
+### שאלה 3:
+האם שחקני טופ 10 תורמים יותר לניצחונות הקבוצה?
+![גרף תרומה לניצחונות](https://huggingface.co/datasets/Yoav-omer/yoav-nba-draft-analysis/resolve/main/boxplot_win_shares.png)
+תשובה:
+כן. לשחקני טופ 10 יש ערכים גבוהים יותר של win shares,
+מה שמצביע על תרומה משמעותית יותר לניצחונות קבוצתם.
+---
+## מסקנות עיקריות
+- שחקני טופ 10 בדרך כלל קולעים יותר, משחקים יותר ותורמים יותר לקבוצה.
+- התוצאות מראות שבחירות גבוהות בדראפט אכן נוטות להיות מוצלחות.
+- נראה שקבוצות בוחרות היטב את השחקנים שנחשבים מבטיחים ביותר בתחילת הדראפט.
 ---
+## כלים שבהם השתמשתי
+- Python (Pandas, NumPy)
+- Seaborn ו-Matplotlib ליצירת גרפים
+- Google Colab לעבודה על הקוד
+- Hugging Face לפרסום הפרויקט
 ---
+## קבצים בפרויקט
+- `nbaplayersdraft.csv` – קובץ הנתונים
+- `nba_draft_EDA_EDA_&_Dataset.ipynb` – קובץ הקוד והניתוח
+- `README.md` – קובץ זה
+- גרפים:
+  - `boxplot_points_per_game.png`
+  - `boxplot_games_played.png`
+  - `boxplot_win_shares.png`
 ---
+## סרטון סיכום
+הכנתי סרטון קצר (2–3 דקות) שבו אני מסביר את תהליך העבודה והמסקנות.
+*(אוסיף כאן את הקישור לסרטון לאחר שאעלה אותו.)*
 ---
+## סיכום כללי
+שחקני טופ 10 בדראפט ה-NBA מציגים נתונים טובים יותר כמעט בכל תחום –
+הם קולעים יותר, משחקים יותר ותורמים יותר לניצחונות קבוצתם.
+הנתונים מחזקים את התחושה הכללית שקבוצות בוחרות נכון את השחקנים המובילים.