はじめに
pybaseballのspraychart()は便利ですが、ヒートマップ（密度表示）を重ねられないという制約があります。
「大谷の打球はどのゾーンに集中しているのか？」を可視化したいなら、matplotlibで野球場を手動描画してseabornのkdeplotを重ねる方法が適しています。
この記事では、Statcast座標の変換方法と、matplotlibでの野球場描画を解説します。
この記事は「Statcastデータで打球分布を可視化する」シリーズの2本目です。
- 方法1: pybaseball spraychart()（最もシンプル）
- 方法2: matplotlib手動描画 ← この記事
環境構築（Google Colab）
!pip install pybaseball duckdb seaborn -q
Statcast座標系を理解する
matplotlibで描画するには、まずStatcastの座標系を理解する必要があります。
Statcast座標系の特徴：
- ホームプレート位置:
(125.42, 198.27) - Y軸は画面座標系（上がゼロ、下が大きい）→ 通常の数学座標系とは逆
そのままでは扱いにくいので、「ホームプレートを原点に、Y軸を外野方向に」変換します：
# 変換式
x = 2.5 * (hc_x - 125.42) # ホームプレートを原点に
y = 2.5 * (198.27 - hc_y) # Y軸を反転（外野方向が+）
-
125.42, 198.27= Statcast座標でのホームプレート位置 - 係数
2.5= おおよそフィート単位に変換
データ取得 & 座標変換
from pybaseball import statcast
import duckdb
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
# ====== 設定 ======
BATTER_ID = 660271 # 大谷翔平 MLBAM ID
SEASON_YEAR = 2025
GAME_TYPE = "R" # "R"=レギュラーシーズン, "P"=ポストシーズン, None=全試合
# ==================
# データ取得
df_raw = statcast(start_dt=f'{SEASON_YEAR}-03-01', end_dt=f'{SEASON_YEAR}-12-31')
# game_typeでフィルタ（オープン戦除外）
con = duckdb.connect()
if GAME_TYPE:
df = con.execute(f"""
SELECT * FROM df_raw WHERE game_type = '{GAME_TYPE}'
""").df()
else:
df = df_raw.copy()
注意:
GAME_TYPEを指定しないとオープン戦のデータも混入します。
# DuckDBでデータ抽出
df_hits = con.execute("""
SELECT * FROM df
WHERE batter = 660271
AND events IN ('home_run', 'double', 'triple', 'single')
AND hc_x IS NOT NULL AND hc_y IS NOT NULL
""").df()
df_outs = con.execute("""
SELECT * FROM df
WHERE batter = 660271
AND events NOT IN ('home_run', 'double', 'triple', 'single')
AND hc_x IS NOT NULL AND hc_y IS NOT NULL
""").df()
print(f"Hits: {len(df_hits)}, Outs: {len(df_outs)}")
座標変換
def transform_statcast_coords(df):
"""Statcast座標を野球場座標に変換（ホームプレート原点、Y外野方向）"""
df = df.copy()
df['x'] = 2.5 * (df['hc_x'] - 125.42)
df['y'] = 2.5 * (198.27 - df['hc_y'])
return df
df_hits_t = transform_statcast_coords(df_hits)
df_outs_t = transform_statcast_coords(df_outs)
フィールド描画関数
描画する要素：ファールライン、外野フェンス、内野アーク、ダイヤモンド、ベース、ピッチャーマウンド
def draw_baseball_field(ax, foul_distance=330, outfield_distance=340):
"""野球場を描画（ホームプレートが原点）"""
# ファールライン（45度の角度で外野へ）
ax.plot([0, -foul_distance * 0.707], [0, foul_distance * 0.707],
'k-', lw=2, label='Foul Line')
ax.plot([0, foul_distance * 0.707], [0, foul_distance * 0.707], 'k-', lw=2)
# 内野アーク（約95フィート）
theta = np.linspace(-np.pi/4, np.pi/4, 100)
infield_dist = 95
ax.plot(infield_dist * np.sin(theta), infield_dist * np.cos(theta),
'green', lw=2, alpha=0.7)
# 外野フェンス
ax.plot(outfield_distance * np.sin(theta), outfield_distance * np.cos(theta),
'saddlebrown', lw=3, alpha=0.7)
# ベースパス（90フィート四方のダイヤモンド）
bases_x = [0, 63.64, 0, -63.64, 0]
bases_y = [0, 63.64, 127.28, 63.64, 0]
ax.plot(bases_x, bases_y, 'k-', lw=1.5)
# ベースのマーカー
ax.scatter([0], [0], color='white', edgecolors='black', s=150, marker='p', zorder=5)
ax.scatter([63.64, 0, -63.64], [63.64, 127.28, 63.64],
color='white', edgecolors='black', s=100, marker='s', zorder=5)
# ピッチャーマウンド（60.5フィート）
ax.scatter([0], [60.5], color='brown', s=80, zorder=5)
ax.set_aspect('equal')
ax.set_facecolor('lightgreen')
return ax
ファールラインが45度なのは、野球場のダイヤモンドが正方形で一塁線・三塁線がそれぞれ45度の角度で外野に伸びるためです。0.707はcos(45°)です。
散布図
fig, ax = plt.subplots(figsize=(10, 10))
draw_baseball_field(ax)
ax.scatter(df_outs_t['x'], df_outs_t['y'], c='blue', alpha=0.5, s=30, label='Outs')
ax.scatter(df_hits_t['x'], df_hits_t['y'], c='red', alpha=0.7, s=50, label='Hits')
ax.set_xlim(-350, 350)
ax.set_ylim(-50, 420)
ax.set_xlabel('X (feet)')
ax.set_ylabel('Y (feet)')
ax.set_title('Ohtani 2025 - Batted Ball Distribution')
ax.legend(loc='upper right')
plt.tight_layout()
plt.show()
ヒートマップ（kdeplot）
この方法の最大のメリットがこれです。seabornのkdeplotを重ねて、打球の密度分布を可視化できます。
fig, axs = plt.subplots(1, 2, figsize=(16, 8))
# アウト ヒートマップ
draw_baseball_field(axs[0])
sns.kdeplot(data=df_outs_t, x='x', y='y', ax=axs[0],
cmap='Blues', fill=True, alpha=0.6, levels=10)
axs[0].set_xlim(-350, 350)
axs[0].set_ylim(-50, 400)
axs[0].set_title('Ohtani 2025 - Outs Heatmap')
# ヒット ヒートマップ
draw_baseball_field(axs[1])
sns.kdeplot(data=df_hits_t, x='x', y='y', ax=axs[1],
cmap='Reds', fill=True, alpha=0.6, levels=10)
axs[1].set_xlim(-350, 350)
axs[1].set_ylim(-50, 400)
axs[1].set_title('Ohtani 2025 - Hits Heatmap')
plt.tight_layout()
plt.show()
ヒストグラム（histplot）
格子状のビンで密度を表示する方法もあります。
fig, axs = plt.subplots(1, 2, figsize=(16, 8))
draw_baseball_field(axs[0])
sns.histplot(data=df_outs_t, x='x', y='y', ax=axs[0],
cmap='Blues', cbar=True, binwidth=20)
axs[0].set_xlim(-350, 350)
axs[0].set_ylim(-50, 400)
axs[0].set_title('Ohtani 2025 - Outs (Histogram)')
draw_baseball_field(axs[1])
sns.histplot(data=df_hits_t, x='x', y='y', ax=axs[1],
cmap='Reds', cbar=True, binwidth=20)
axs[1].set_xlim(-350, 350)
axs[1].set_ylim(-50, 400)
axs[1].set_title('Ohtani 2025 - Hits (Histogram)')
plt.tight_layout()
plt.show()
イベント別カラーマップ
シングル・ダブル・トリプル・ホームランを色分けして表示：
colors = {
'single': 'green',
'double': 'blue',
'triple': 'orange',
'home_run': 'red'
}
fig, ax = plt.subplots(figsize=(12, 12))
draw_baseball_field(ax)
for event, color in colors.items():
subset = df_hits_t[df_hits_t['events'] == event]
ax.scatter(subset['x'], subset['y'], c=color, alpha=0.7,
s=80, label=f"{event} ({len(subset)})")
ax.set_xlim(-350, 350)
ax.set_ylim(-50, 420)
ax.set_title('Ohtani 2025 - Hits by Type')
ax.legend(loc='upper right', fontsize=12)
plt.tight_layout()
plt.show()
メリット・デメリット
| メリット | デメリット |
|---|---|
| ヒートマップ（kdeplot/histplot）を自由に重ねられる | コードが多い |
| 色・スタイル・レイアウトを完全にカスタマイズできる | 座標変換の理解が必要 |
| 複数グラフの横並び比較が容易 | 球場の形は自分で描く |
まとめ
matplotlibで野球場を手動描画する場合のポイント：
-
座標変換:
x = 2.5 * (hc_x - 125.42),y = 2.5 * (198.27 - hc_y) - フィールド描画: ファールライン(45度直線) + 外野フェンス(arc) + ダイヤモンド
-
ヒートマップ:
draw_baseball_field(ax)→sns.kdeplot(...)の順で重ねる
spraychart()では難しいヒートマップ表示が必要なときに最適な方法です。
Google Colabで試す
この記事のコードはGoogle Colabで実行できます。
