GSP850

개요

BigQuery를 사용하면 더욱 정교한 데이터 분석을 수행할 수 있습니다. 이 실습에서는 축구 경기의 이벤트 데이터를 분석하여 데이터 세트에서 실용적인 인사이트를 도출합니다.

이 실습에서 사용되는 데이터는 다음 소스에서 가져온 것입니다.

• Pappalardo et al., (2019) A public data set of spatio-temporal match events in soccer competitions (축구 대회에서의 시공간적 경기 이벤트 공개 데이터 세트), Nature Scientific Data 6:236, https://www.nature.com/articles/s41597-019-0247-7
• Pappalardo et al. (2019) PlayerRank: Data-driven Performance Evaluation and Player Ranking in Soccer via a Machine Learning Approach (PlayerRank: 머신러닝 접근방식을 통한 축구에서의 데이터 기반 성과 평가 및 플레이어 순위 책정). ACM Transactions on Intelligent Systems and Technologies (TIST) 10, 5, Article 59 (2019년 9월), 27페이지. DOI: https://doi.org/10.1145/3343172

목표

이 실습에서는 다음 작업을 수행하는 방법을 배웁니다.

• 다양한 BigQuery 기능을 사용하여 축구 이벤트 데이터 분석
• BigQuery 테이블의 중첩 데이터를 다루는 쿼리 작성 및 실행

설정 및 요건

실습 시작 버튼을 클릭하기 전에

다음 안내를 확인하세요. 실습에는 시간 제한이 있으며 일시중지할 수 없습니다. 실습 시작을 클릭하면 타이머가 시작됩니다. 이 타이머는 Google Cloud 리소스를 사용할 수 있는 시간이 얼마나 남았는지를 표시합니다.

실무형 실습을 통해 시뮬레이션이나 데모 환경이 아닌 실제 클라우드 환경에서 실습 활동을 진행할 수 있습니다. 실습 시간 동안 Google Cloud에 로그인하고 액세스하는 데 사용할 수 있는 새로운 임시 사용자 인증 정보가 제공됩니다.

이 실습을 완료하려면 다음을 준비해야 합니다.

• 표준 인터넷 브라우저 액세스 권한(Chrome 브라우저 권장)

참고: 이 실습을 실행하려면 시크릿 모드(권장) 또는 시크릿 브라우저 창을 사용하세요. 개인 계정과 학습자 계정 간의 충돌로 개인 계정에 추가 요금이 발생하는 일을 방지해 줍니다.

• 실습을 완료하기에 충분한 시간(실습을 시작하고 나면 일시중지할 수 없음)

참고: 이 실습에는 학습자 계정만 사용하세요. 다른 Google Cloud 계정을 사용하는 경우 해당 계정에 비용이 청구될 수 있습니다.

실습을 시작하고 Google Cloud 콘솔에 로그인하는 방법

1. 실습 시작 버튼을 클릭합니다. 실습 비용을 결제해야 하는 경우 결제 수단을 선택할 수 있는 대화상자가 열립니다. 왼쪽에는 다음과 같은 항목이 포함된 실습 세부정보 창이 있습니다.

   • Google Cloud 콘솔 열기 버튼
   • 남은 시간
   • 이 실습에 사용해야 하는 임시 사용자 인증 정보
   • 필요한 경우 실습 진행을 위한 기타 정보

2. Google Cloud 콘솔 열기를 클릭합니다(Chrome 브라우저를 실행 중인 경우 마우스 오른쪽 버튼으로 클릭하고 시크릿 창에서 링크 열기를 선택합니다).

   실습에서 리소스가 가동되면 다른 탭이 열리고 로그인 페이지가 표시됩니다.

   팁: 두 개의 탭을 각각 별도의 창으로 나란히 정렬하세요.

   참고: 계정 선택 대화상자가 표시되면 다른 계정 사용을 클릭합니다.

3. 필요한 경우 아래의 사용자 이름을 복사하여 로그인 대화상자에 붙여넣습니다.

   {{{user_0.username | "Username"}}}

   실습 세부정보 창에서도 사용자 이름을 확인할 수 있습니다.

4. 다음을 클릭합니다.

5. 아래의 비밀번호를 복사하여 시작하기 대화상자에 붙여넣습니다.

   {{{user_0.password | "Password"}}}

   실습 세부정보 창에서도 비밀번호를 확인할 수 있습니다.

6. 다음을 클릭합니다.

   중요: 실습에서 제공하는 사용자 인증 정보를 사용해야 합니다. Google Cloud 계정 사용자 인증 정보를 사용하지 마세요. 참고: 이 실습에 자신의 Google Cloud 계정을 사용하면 추가 요금이 발생할 수 있습니다.

7. 이후에 표시되는 페이지를 클릭하여 넘깁니다.

   • 이용약관에 동의합니다.
   • 임시 계정이므로 복구 옵션이나 2단계 인증을 추가하지 않습니다.
   • 무료 체험판을 신청하지 않습니다.

잠시 후 Google Cloud 콘솔이 이 탭에서 열립니다.

참고: Google Cloud 제품 및 서비스에 액세스하려면 탐색 메뉴를 클릭하거나 검색창에 제품 또는 서비스 이름을 입력합니다.

작업 1. BigQuery 열기

BigQuery 콘솔은 BigQuery에서 제공하는 공개 데이터 세트를 포함해 테이블을 쿼리할 수 있는 인터페이스를 제공합니다.

1. Cloud 콘솔의 탐색 메뉴에서 BigQuery를 선택합니다.

Cloud 콘솔의 BigQuery에 오신 것을 환영합니다라는 메시지 상자가 열립니다. 이 메시지 상자에서는 빠른 시작 가이드 및 출시 노트로 연결되는 링크가 제공됩니다.

2. 완료를 클릭합니다.

BigQuery 콘솔이 열립니다.

참고: 데이터 세트와 테이블을 만드는 과정은 BigQuery 축구 데이터 수집 실습에서 다룹니다. 이 실습에서는 정보를 쿼리하는 방법을 배우는 데 중점을 둡니다.

테이블이 생성되면 아래와 비슷한 화면이 표시됩니다.

이 섹션에서는 BigQuery 인터페이스를 사용하여 콘솔에 액세스했습니다. 콘솔을 이용하면 편리하게 데이터 세트에 정보를 추가할 수 있습니다. BigQuery는 테이블을 사용하여 데이터를 구조화된 방식으로 표현합니다.

다음 섹션에서는 더 복잡한 쿼리를 만드는 방법을 자세히 알아봅니다.

작업 2. 중첩된 축구 이벤트 데이터 분석

이 섹션에서는 JOIN을 BigQuery의 배열 기능과 함께 사용하는 쿼리를 실행하여 축구 경기 데이터를 더 효과적으로 활용할 수 있도록 합니다.

1. 쿼리 편집기에서 SQL 쿼리 만들기를 클릭합니다.
2. 다음 쿼리를 복사하여 쿼리 편집기에 붙여넣습니다.

SELECT Events.playerId, (Players.firstName || ' ' || Players.lastName) AS playerName, SUM(IF(Tags2Name.Label = 'assist', 1, 0)) AS numAssists FROM `soccer.events` Events, Events.tags Tags LEFT JOIN `soccer.tags2name` Tags2Name ON Tags.id = Tags2Name.Tag LEFT JOIN `soccer.players` Players ON Events.playerId = Players.wyId GROUP BY playerId, playerName ORDER BY numAssists DESC

어시스트는 events 테이블에 별도의 스칼라 필드로 표시되지 않으므로 tags 필드 '내부'를 살펴봐야 합니다.

이를 위해 events 테이블과 tags 필드 사이에 상관 교차 조인을 사용합니다(FROM 절에 ','를 사용하여 암시적 조인을 나타냄). 이렇게 하면 이벤트당 하나의 행이 아닌 태그당 하나의 행이 생성됩니다. 어시스트에 해당하는 태그 ID는 tags2name 테이블에서 찾고, 해당 태그의 발생 횟수는 플레이어별로 계산하며, players 테이블은 ID에서 플레이어 이름을 가져옵니다.

3. 실행을 클릭합니다. 쿼리 창 아래에 결과가 표시됩니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

쿼리가 실행되었는지 확인

이 섹션에서는 BigQuery에서 더 복잡한 쿼리를 만들었습니다. BigQuery에서 조인을 수행하고 배열을 활용하면 데이터를 강력하게 집계할 수 있습니다.

다음 섹션에서는 BigQuery에서 중첩 및 배열을 사용하는 방법을 알아봅니다.

작업 3. 팀별 평균 패스 거리 계산

이 섹션에서는 축구 이벤트 데이터의 중첩 필드와 BigQuery의 배열 기능 및 STRUCT 데이터 유형을 사용하는 몇 가지 쿼리를 실행하여 몇 가지 흥미로운 질문에 답해 봅니다.

여러 클럽 팀이 평균 패스 거리에서 어떤 차이를 보이나요(모든 패스와 정확한 패스를 각기 분석)?

이 질문에 답하려면 events 테이블의 positions 필드를 살펴봅니다. 이 데이터를 관찰하면 이벤트당 1개 이상의 (x, y) 순서쌍을 포함하는 반복 필드임을 알 수 있습니다. 이 데이터를 제공한 선도적인 축구 데이터 기업인 Wyscout에 따르면, 이 순서쌍은 공격팀이 바라보는 방향에서 그라운드의 두 변을 0~100으로 구분하여 이벤트에 해당하는 시작 위치와 (해당하는 경우) 도착 위치를 나타냅니다.

아래 스크린샷은 몇 가지 예시 이벤트를 통해 여러 이벤트 유형에 해당하는 위치를 보여줍니다.

데이터를 보면 패스에는 시작 위치와 끝 위치를 나타내는 2개의 속성 (x, y) 쌍이 있음을 알 수 있습니다. 따라서 패스 거리는 x 및 y 좌표 차이를 계산한 다음 축구장의 평균 크기(Wikipedia에 따르면 105 x 68, 경기장 크기 규정은 없음)와 2차원 거리 공식을 사용하여 미터 단위 추정치로 변환하여 계산할 수 있습니다.

1. 쿼리 편집기에서 SQL 쿼리 만들기를 클릭합니다.
2. 다음 쿼리를 쿼리 편집기에 추가합니다.

WITH Passes AS ( SELECT *, /* 1801 is known Tag for 'accurate' from tags2name table */ (1801 IN UNNEST(tags.id)) AS accuratePass, (CASE WHEN ARRAY_LENGTH(positions) != 2 THEN NULL ELSE /* Translate 0-100 (x,y) coordinate-based distances to absolute positions using "average" field dimensions of 105x68 before combining in 2D dist calc */ SQRT( POW( (positions[ORDINAL(2)].x - positions[ORDINAL(1)].x) * 105/100, 2) + POW( (positions[ORDINAL(2)].y - positions[ORDINAL(1)].y) * 68/100, 2) ) END) AS passDistance FROM `soccer.events` WHERE eventName = 'Pass' ) SELECT Passes.teamId, Teams.name AS team, Teams.area.name AS teamArea, COUNT(Passes.Id) AS numPasses, AVG(Passes.passDistance) AS avgPassDistance, SAFE_DIVIDE( SUM(IF(Passes.accuratePass, Passes.passDistance, 0)), SUM(IF(Passes.accuratePass, 1, 0)) ) AS avgAccuratePassDistance FROM Passes LEFT JOIN `soccer.teams` Teams ON Passes.teamId = Teams.wyId WHERE Teams.type = 'club' GROUP BY teamId, team, teamArea ORDER BY avgPassDistance

첫 WITH 절의 코드는 events 테이블을 필터링하여 패스만 남기고 tags 필드 '내부'를 살펴서 accuratePass 필드를 추가합니다.

ORDINAL을 사용하여 시작과 끝 (x, y) 좌표를 추출하고 위에 언급된 개념과 공식을 적용하여 패스 거리를 계산합니다. 마지막 SELECT 문은 모든 패스 및 정확한 패스에 대한 평균 패스 거리를 포함하여 팀 수준의 패스 데이터를 집계합니다(클럽 팀만 포함하도록 필터링).

3. 실행을 클릭합니다. 쿼리 창 아래에 결과가 표시됩니다.

참고: 여러 팀의 패스 데이터 수천 건을 분석한 결과, 평균 패스 거리는 팀마다 차이가 있었습니다. 평균 패스 거리가 가장 짧은 경우는 18미터 미만이었고(나폴리와 PSG), 가장 긴 경우는 23미터 초과였습니다(에이바르).

정확한 패스의 평균 거리도 비슷한 분포를 보이지만, 팀 간에 비교할 경우 약간 더 몰려 있습니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

쿼리가 실행되었는지 확인

이 섹션에서는 BigQuery를 사용하여 팀별 패스 수와 평균 패스 거리를 파악했습니다. 이를 위해 배열 처리 기능을 사용하여 단일 필드에서 반복되는 값을 추출한 다음 각 패스의 시작점과 끝점 사이의 거리를 계산했습니다.

다음 섹션에서는 다른 좌표 데이터를 중첩 해제하여 슛 거리에 대한 정보를 생성하는 방법을 알아봅니다.

작업 4. 슛 거리 분석

이 섹션에서는 슛 거리를 분석하기 위한 새 쿼리를 만듭니다.

슛의 거리는 골이 들어갈 가능성에 어떤 영향을 미치나요?

이 질문에 답하려면 이전 섹션과 유사한 과정을 거칩니다. 슛의 경우 events 테이블의 positions 필드에 담긴 (x, y) 값을 사용합니다.

참고: 이전 쿼리와 마찬가지로 축구장의 대략적인 크기가 x좌표와 y좌표 거리와 함께 거리 공식의 입력으로 사용됩니다.

1. 쿼리 편집기에서 SQL 쿼리 만들기를 클릭합니다.
2. 다음 쿼리를 복사하여 쿼리 편집기에 붙여넣습니다.

WITH Shots AS ( SELECT *, /* 101 is known Tag for 'goals' from goals table */ (101 IN UNNEST(tags.id)) AS isGoal, /* Translate 0-100 (x,y) coordinate-based distances to absolute positions using "average" field dimensions of 105x68 before combining in 2D dist calc */ SQRT( POW( (100 - positions[ORDINAL(1)].x) * 105/100, 2) + POW( (50 - positions[ORDINAL(1)].y) * 68/100, 2) ) AS shotDistance FROM `soccer.events` WHERE /* Includes both "open play" & free kick shots (including penalties) */ eventName = 'Shot' OR (eventName = 'Free Kick' AND subEventName IN ('Free kick shot', 'Penalty')) ) SELECT ROUND(shotDistance, 0) AS ShotDistRound0, COUNT(*) AS numShots, SUM(IF(isGoal, 1, 0)) AS numGoals, AVG(IF(isGoal, 1, 0)) AS goalPct FROM Shots WHERE shotDistance <= 50 GROUP BY ShotDistRound0 ORDER BY ShotDistRound0

첫 WITH 절은 events 테이블을 슛만 포함하도록 필터링하고, tags 필드 '내부'를 살펴서 isGoal 필드를 추가하며, 이전 섹션에서 패스 거리를 처리한 것과 동일한 방식으로 슛 거리를 계산하는데, 이때 골대 중앙(100, 50)을 끝 위치로 사용합니다.

마지막 SELECT 문은 슛 횟수와 골 수, 미터 단위로 반올림한 거리에 따른 슛 대비 골 비율을 집계합니다.

3. 실행을 클릭합니다. 쿼리 창 아래에 결과가 표시됩니다.

예상대로 가까운 거리에서 슛을 쏘면 골 성공률이 훨씬 높습니다. 2~3미터 거리에서는 70%에 가까운 성공률을 보이지만 8미터 거리에서는 25% 미만으로 떨어지고 거리 25미터 이상까지 일관성 있게 감소합니다.

결과 시각화하기

데이터를 시각화하면 이해하기 쉽고 추세를 파악하기에도 좋습니다.

1. 쿼리 결과 섹션에서 차트를 클릭합니다.
2. 차트 유형으로 분산형을 선택합니다.
3. Sheets의 분산형 차트 생성 기능을 사용하여 아래와 같은 차트를 만듭니다.

11~12미터에서 성공률이 약간 상승하지만, 이는 페널티킥(근본적으로 대부분의 다른 슛보다 훨씬 성공률이 높음)이 해당 거리에서 시도되는 슛에서 차지하는 비중이 크기 때문일 가능성이 높습니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

쿼리가 실행되었는지 확인

이 섹션에서는 BigQuery를 사용하여 슛 거리와 골 성공률 간의 관계를 파악했습니다. 이 분석을 통해 슛 거리와 득점 가능성 간의 관계를 더 잘 이해할 수 있습니다.

다음 섹션에서는 비슷한 분석을 수행하여 슛 각도가 슛 성공에 미치는 영향을 살펴봅니다.

작업 5. 슛 각도 분석

이 섹션에서는 이전 쿼리를 수정하여 각도가 슛에 미치는 영향을 살펴봅니다.

이 경우 계산되는 각도는 아래와 같이 슛의 위치와 골라인이 이루는 각도입니다(이미지 출처: Ian Dragulet).

골에 가까이 있고 중앙에 위치할수록 각도가 커지므로 이는 위에서 수행한 거리 계산과 어느 정도 상관관계가 있습니다. 슛 각도 계산에는 (x, y) 데이터에 BigQuery의 삼각함수를 적용하는 작업이 포함됩니다.

1. 쿼리 편집기에서 SQL 쿼리 만들기를 클릭합니다.
2. 다음 쿼리를 쿼리 편집기에 추가합니다.

WITH Shots AS ( SELECT *, /* 101 is known Tag for 'goals' from goals table */ (101 IN UNNEST(tags.id)) AS isGoal, /* Translate 0-100 (x,y) coordinates to absolute positions using "average" field dimensions of 105x68 before using in various distance calcs; LEAST used to cap shot locations to on-field (x, y) (i.e. no exact 100s) */ LEAST(positions[ORDINAL(1)].x, 99.99999) * 105/100 AS shotXAbs, LEAST(positions[ORDINAL(1)].y, 99.99999) * 68/100 AS shotYAbs FROM `soccer.events` WHERE /* Includes both "open play" & free kick shots (including penalties) */ eventName = 'Shot' OR (eventName = 'Free Kick' AND subEventName IN ('Free kick shot', 'Penalty')) ), ShotsWithAngle AS ( SELECT Shots.*, /* Law of cosines to get 'open' angle from shot location to goal, given that goal opening is 7.32m, placed midway up at field end of (105, 34) */ SAFE.ACOS( SAFE_DIVIDE( ( /* Squared distance between shot and 1 post, in meters */ (POW(105 - shotXAbs, 2) + POW(34 + (7.32/2) - shotYAbs, 2)) + /* Squared distance between shot and other post, in meters */ (POW(105 - shotXAbs, 2) + POW(34 - (7.32/2) - shotYAbs, 2)) - /* Squared length of goal opening, in meters */ POW(7.32, 2) ), (2 * /* Distance between shot and 1 post, in meters */ SQRT(POW(105 - shotXAbs, 2) + POW(34 + 7.32/2 - shotYAbs, 2)) * /* Distance between shot and other post, in meters */ SQRT(POW(105 - shotXAbs, 2) + POW(34 - 7.32/2 - shotYAbs, 2)) ) ) /* Translate radians to degrees */ ) * 180 / ACOS(-1) AS shotAngle FROM Shots ) SELECT ROUND(shotAngle, 0) AS ShotAngleRound0, COUNT(*) AS numShots, SUM(IF(isGoal, 1, 0)) AS numGoals, AVG(IF(isGoal, 1, 0)) AS goalPct FROM ShotsWithAngle GROUP BY ShotAngleRound0 ORDER BY ShotAngleRound0

이 쿼리는 위의 슛 거리 쿼리와 유사하지만, 각도 계산 시 좌표가 여러 번 필요하므로 이를 간소화하기 위해 슛 위치 좌표를 추출하는 첫 번째 WITH 절과 코사인 법칙을 사용하여 슛 각도를 구하기 위해 더 자세한 삼각법 계산을 수행하는 두 번째 WITH 절이 다릅니다.

마지막 SELECT 문은 데이터를 가장 가까운 정수(도)로 반올림한 슛 각도별로 집계합니다.

3. 실행을 클릭합니다. 쿼리 창 아래에 결과가 표시됩니다.

슛 각도는 일반적으로 골 성공률과 양의 상관관계를 보이는 것으로 보입니다. 20도 미만의 각도에서는 한 자릿수의 성공률을 보이지만, 각도가 넓어질수록 성공률이 훨씬 높아집니다(60도를 넘어서면 표본 크기가 상대적으로 작아집니다).

쿼리 결과 섹션에서 차트를 클릭하고 차트 유형으로 분산형을 선택하면 아래와 같이 전체 추세를 시각화할 수 있습니다.

이 그래프를 보면 슛 각도와 성공률 사이의 관계가 약 100도까지는 비교적 선형임을 알 수 있습니다. 또한 가장 넓은 각도는 골대 가까이에서 슛을 할 때만 가능하므로, 이 중 일부는 위에 표시된 거리 효과와 상관관계가 있습니다. 35도와 38도에서 성공률이 약간 상승하는데, 이는 페널티킥에서 가장 흔한 슛 각도(다른 슛보다 훨씬 더 성공률이 높음)이며 페널티킥이 해당 각도 슛에서 상당 비중을 차지하기 때문입니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

쿼리가 실행되었는지 확인

다음 섹션에서는 이 실습에서 배운 내용을 이해했는지 확인해 보겠습니다.

작업 6. 깜짝 퀴즈

이 실습에서 다룬 주제에 관한 짧은 퀴즈를 풀면서 BigQuery에 대한 이해도를 테스트해 보세요.

수고하셨습니다.

스포츠 데이터 과학을 이해하는 데 한 걸음 더 다가섰습니다. BigQuery를 사용하여 평균 패스 거리와 슈팅 시 거리 및 각도와 득점 성공률의 관계를 성공적으로 분석했습니다. 오늘 활용한 쿼리로는 상관 교차 조인과 BigQuery의 배열 및 삼각 함수를 사용하여 중첩 데이터를 살펴보고 요청사항대로 데이터를 분석하는 데 필요한 거리 및 각도 계산을 수행했습니다.

Google Cloud 교육 및 자격증

Google Cloud 기술을 최대한 활용하는 데 도움이 됩니다. Google 강의에는 빠른 습득과 지속적인 학습을 지원하는 기술적인 지식과 권장사항이 포함되어 있습니다. 기초에서 고급까지 수준별 학습을 제공하며 바쁜 일정에 알맞은 주문형, 실시간, 가상 옵션이 포함되어 있습니다. 인증은 Google Cloud 기술에 대한 역량과 전문성을 검증하고 입증하는 데 도움이 됩니다.

설명서 최종 업데이트: 2024년 1월 25일

실습 최종 테스트: 2024년 1월 25일

Copyright 2025 Google LLC. All rights reserved. Google 및 Google 로고는 Google LLC의 상표입니다. 기타 모든 회사명 및 제품명은 해당 업체의 상표일 수 있습니다.