原文 http://tecdat.cn/?p=4167

数据集

fooball 球员在场上的地位

数据来自国际足联 15 岁的视频游戏。游戏的特点是在游戏的各个方面评估每个玩家的能力。原本，等级是量化变量（介于 0 和 100 之间），但咱们将它们转换为分类变量（咱们将探讨为什么咱们稍后抉择这样做）。所有能力都被编码在 4 个地位：1. 低 / 2. 均匀 / 3. 高 / 4. 十分高。

加载和筹备数据

首先将数据集加载到 data.frame 中。重要的是要留神的是 FactoMineR 须要的因素。

第二行也将整数列转换为因子。

数据分析

咱们的数据集蕴含分类变量。适当的数据分析办法是多重对应剖析。

这产生了三个图：类别和玩家的阶乘轴上的投影，以及变量的图形。让咱们来看看这些图中的第二个：

在试图进一步剖析之前，有些事件应该揭示咱们。这里显然有两个玩家群！

解释

显然，咱们必须先将剖析缩小到肯定数量的阶乘轴。我最喜爱的办法来抉择轴的数量是肘法。咱们绘制特征值的图形：

> barplot（mca_no_gk $ eig $ eigenvalue）

特征值图

围绕第三或第四个特征值，咱们察看到一个值的降落（这是 MCA 解释的方差的百分比）。这意味着咱们剖析中保留一个轴的边际收益在第三或第四个之后较低。因而，咱们抉择将咱们的剖析缩小到前三个因子轴（咱们也能够证实抉择 4 个轴）。当初让咱们持续解释，从前两个轴开始：

> plot.MCA（mca_no_gk）

在前两个因子轴上投射 

咱们能够通过在图表上读取仿佛最有代表性的变量和模态的名称来开始剖析。

第一轴的最有代表性的能力是在轴的右侧，攻击能力 的能力较弱，右边的能力十分强。因而，咱们的解释是，轴心 1 依据他们的防御能力 （左侧更好的攻击能力，右侧更弱） 来拆散玩家 。咱们对第 2 轴 进行同样的剖析，并得出结论：依据他们的防守能力来辨别玩家：在图形顶部会发现更好的防守者，而在图形底部会发现弱防守者。

补充变量也能够帮忙确认咱们的解释，特地是地位变量：

> plot.MCA（mca_no_gk，invisible = c（“ind”，“var”））

在前两个阶乘轴上投影补充变量

实际上，咱们在图的右边局部发现了攻打地位（LW，ST，RW），并在图的顶部看到了防守地位（CB，LB，RB）。

如果咱们的解释是正确的，那么图表中第二个二元曲线上的投影就能够代表球员的整体程度。最右边的球员将会在左上角找到，而较弱的将会在右下角找到。有很多办法能够查看这个问题，例如查看“整体”变量的模式的预测。正如所料，“overall_4”位于左上角，“overall_1”位于右下角。此外，在补充变量的图表中，咱们察看到“法甲联赛第一”（Ligue 1）位于左上方，而“Ligue 2”（第二联）位于右下方。

> plot.MCA（mca_no_gk，invisible = c（“ind”，“var”），axes = c（2,3））

在第二和第三阶乘轴上投影变量

最具代表性的第三轴的模式是技术上的弱点：技术能力较低的球员（运球，控球等）位于轴线的末端，而这些能力中问题最高的球员往往被发现在轴的核心：

在第二和第三阶乘轴上投影补充变量

咱们留神到在补充变量的帮忙下，中场均匀领有最高的技术能力，而前锋（ST）和后卫（CB，LB，RB）仿佛个别都不以球控技术着称。

最初两行应用 Mathieu Valbuena 在坐标轴 1 和坐标轴 2 上生成图形，而后是 2 和 3：

1 号和 2 号轴与 Mathieu Valbuena 作为补充 

2 号和 3 号轴与 Mathieu Valbuena 作为补充 

所以，马蒂厄·瓦尔布纳仿佛有很好的防御技巧（左图），但他也有很好的整体程度（他在第二个二分线上的投射比拟高）。他也位于 3 号轴的核心，这示意他具备良好的技术能力。因而，咱们不应该感到诧异的是，最适宜他的地位（统计上当然是！）是中场地位（CAM，LM，RM）。再加上几行代码，咱们也能够找到法国联赛中最类似的球员：

咱们失去：Ladislas Douniama，FrédéricSammaritano，Florian Thauvin，N’GoloKanté和 Wissam Ben Yedder。