# 競馬EDA
2023年のデータを用いてEDAを行う

## 1. 馬の個体特性
### 1.1 年齢
#### (仮説)高齢の馬は、長距離レースで若い馬よりも良い成績を示す。
年齢別着順の箱ひげ図をプロットした
左がオープン以上、右が条件戦でのレース
<img src="https://hackmd.io/_uploads/HkB8Mt9O6.png" alt="オープン以上の年齢と性別の箱ひげ図" style="width: 50%;"/><img src="https://hackmd.io/_uploads/BkLizt9uT.png" alt="条件戦の年齢と性別の箱ひげ図" style="width: 50%;"/>

* 基本的に高齢馬の方が成績が悪い
* 2400はあまり年齢差が大きく見られない
* 1800~2000付近が年齢の影響が大きい
* オープン以上の方が年齢の影響が出ている

#### (仮説)瞬発力はある年齢以降減退する
年齢別上がり3Fタイムの箱ひげ図をプロットした
上がオープン以上、下が条件戦でのレース
<img src="https://hackmd.io/_uploads/By3FPFqu6.png" alt="オープン以上の年齢と性別の箱ひげ図" style="width: 1000%;"/>
<img src="https://hackmd.io/_uploads/Hy9aPY5up.png" alt="条件戦の年齢と性別の箱ひげ図" style="width: 100%;"/>
* オープン以上では4歳前後で上がり3Fにピークがあるように思える
* 2200を超えると若いほど上がり3Fが速い
* 条件戦では年齢が上がるにつれ、平均タイムが下がっているように見える
* オープン以上は振れ幅が少ない。2400mの3歳の振れ幅が大きい。初めての距離延長で適正不足やペース配分ミスがあったのだろうか
* オープン以上の1800の振れ幅が大きいのはG1がなく、比較的レベルの低いレースがあるからと思われる
* 条件戦の若い奴らブレすぎだろ

### 1.2 性別
#### (仮説)牡馬は雨下で優れたパフォーマンスを示す。
<img src="https://hackmd.io/_uploads/rJo-z25uT.png" alt="条件戦の年齢と性別の箱ひげ図" style="width: 100%;"/>
* あんま関係なさそう

#### (仮説)牝馬牡馬混合レースだと牡馬の方が成績が良い
<img src="https://hackmd.io/_uploads/HkxTNnqd6.png" alt="条件戦の年齢と性別の箱ひげ図" style="width: 100%;"/>

* あんま関係なさそう

### 1.3 血統情報
#### (仮説)血統と適正距離に関係がある
血統ベクトルと平均連対距離をプロットした

* 関係が見えない
### 1.4 年齢とキャリア段階
#### (仮説)キャリア初期の馬は、経験豊富な馬に比べて天候の変化に敏感である。
良馬場以外、晴れ以外の着順と通算試合数の関係をプロットした

* 0,1戦の馬は若干平均順位が低いが、若干
* 全体的に大きな傾向は見られない
* データ上91戦している馬もいた。魔境

## 2. 環境・コンディション

## 3. レース関連
### 3.1 競馬場
#### (仮説)特定の競馬場の経験がある馬は、　経験がない馬に比べて良い結果を残す
#### (仮説)各競馬場・各距離に枠順による有利不利が存在する

* いくつか枠順が有利不利に関係ありそうなクソコースが存在
* 京都2000
* 新潟2000
* 中京2000
* 中山1600
* 東京2000
* 坂、最終直線の距離、コーナーの数が影響している可能性
* 現在データにないためこれを加える必要はありそう
#### (仮説)勝利馬の第４コーナー通過順位は競馬場・距離に関係がある
* 関係ある
#### (仮説)2,3着馬の第４コーナー通過順位は競馬場・距離に関係がある
* 関係ある
### 3.2 レースのグレード
#### (仮説)高グレードレースの経験が豊富な馬は、G3レベルのレースで良好なパフォーマンスを発揮する。
G1複勝数別のG3の着順分布をプロットした

* 傾向のようなものは見られない

#### (仮説)高グレードレースの経験が豊富な馬は、G1レベルのレースで良好なパフォーマンスを発揮する。
G1複勝数別のG1の着順分布をプロットした

* 流石に0回の馬は成績が良くないが、1着も75%タイルには乗っている

## 4. ジョッキー関連
### 4.1 ジョッキー
#### (仮説)経験豊富なジョッキーは、不利な天候条件下で優れた戦略を取る。
#### (仮説)ジョッキーと競馬場には愛称が存在する
### 4.2 ジョッキーレーティング
#### (仮説)高レーティングのジョッキーは、経験の少ない馬のパフォーマンスを向上させる。
ジョッキーレーティングと着順の関係は以下


それぞれ決定係数は下記のようになった
|グレード|決定係数|
|-|-|
|新馬|0.101|
|未勝利|0.077|
|1勝クラス|0.046|
|2勝クラス|0.064|
|3勝クラス|0.042|
|オープン|0.054|
|G3|0.039|
|G2|0.098|
|G1|0.099|

* 新馬の決定係数が最も高く、レーティングが高いと新馬戦の成績が良いことがわかる
* 良い馬を選んでいるのかどんな馬でも戦えるのか
* 1勝2勝だと変わらなくなり、グレードレースだとレーティングと差が出る
* やはり良い馬が回ってくるのが大きい?
### 4.3 主戦騎手の有無
#### (仮説)主戦騎手がいる馬は、他の騎手よりも優れたパフォーマンスを発揮することがある。

1が主戦騎手が騎乗したレース

* 一応差はある

## 5. トレーニング・準備
### 5.2 休養期間
#### (仮説)適切な休養期間を経た馬は、長期間休養していない馬に比べて良好なパフォーマンスを示す。

出走間隔と着順の関係をプロットした。
出走間隔の単位は月

* 半月~1月の馬が多く、その付近の成績が良いように見える
* 出走間隔と着順の相関は見られない

G3以上だと傾向がかわる

## 6. 過去のレースデータ

## 7. タイム関連

### 競馬場とタイム
#### (仮説)競馬場とタイムは関係がある


* ある
### タイムと上がり3F
#### (仮説)上がり3Fとタイムは関係がある
1200m,1600m,2000m,2400mの掲示板内の馬の上がり3Fとタイムをプロットした


* 早いタイムだと上がり3Fも早い
* 逆だと思っていた
* 途中経過タイムと比べるべきか

2000mに限定した時


## 8. 特徴量抽出
### 競馬場特徴抽出
競馬場のデータをPCAを用いて低次元化することで特徴を抽出する

スタートからゴールまでを50mごと区分して、その区間に坂が何mあるのか、坂の度数は幾つなのか、第何Cなのかという情報をベクトルの形で表した。
そのベクトルをPCAを用いて6次元に圧縮した。(データの特徴を95%以上保持できる最小の次元が6だった)

結果は以下のようになった。


それぞれ、各軸は元の特徴量と下記のような関係があった
* PCA0
* 1400-2400m付近の坂距離と正の相関
* 1700-1800,1900-2000mの坂距離、坂度数、コーナー有無と正の相関
* PCA1
* 坂度数と全体的に負の相関
* 1200-1400mの坂距離、坂度数、コーナー有無と負の相関
* 1300-1500mの坂距離、コーナー有無と負の相関
* 2400-3000mの坂距離、コーナー有無と負の相関
* PCA2
* 1000mまでの坂度数と正の相関
* 1000mまでのコーナー有無と負の相関
* PCA3
* 100-200mの坂度数と正の相関
* 200-500mの坂度数と負の相関
* 1000-1200mの坂度数と負の相関
* PCA4
* 1700-2000mのコーナー有無と正の相関
* 2600m以降のコーナー有無と坂距離と負の相関