本场比赛前7分钟火箭发挥还不错，最高取得了10分的领先（11-21），但受上一场力拼森林狼三个加时影响，火箭诸将体能逐渐不支，慢慢失去优势。虽然巴丁格整场替补发挥出色，无奈，随着阿里扎上篮不进，比分定格在了115-106。

相比热火发烫的53.6%投篮命中率，火箭发挥比较正常，48.7%。火箭唯一问题出现在了失误方面，8-15，如果火箭失误控制的好，也许结果可能是另外一个结果。

比赛过程中，杨毅提到（大致意思）：由于没有超级球星，火箭必须比其他球队付出更多的努力才能获得胜利，也就是说其他球队会从容地为季后赛调整状态。火箭没有这个资本，为了常规赛的成绩，火箭进入疲劳期的时间要更早。要保证后面的球队成绩，要么莫雷尽最大能力交易，补充火箭；要么阿德尔曼通过更加合理细致的轮转，让每个核心球员得到充分休息。

问题来了：在不改变现有火箭球员结构的前提下，火箭的战术轮转体系中，球员的位置如何？

引子：

本场比赛火箭一共20个助攻，Brooks 和 Battier 分别助攻了最高的5个和4个。每次助攻都会涉及两位球员，那么本场比赛所有助攻结果综合在一起，即我们将助攻者和被助攻者之间的关系使用社会网络关系表现出来，会有一些有趣的现象：

注释：

箭头方向是助攻方向，比如最下面的是 Shane Battier 给 Chuck Hayes 的助攻。

整理几个重要的关键点来评论一下：

1. Brooks 无疑是比赛的发起者，我们发现他的助攻几乎包括了中锋、前锋位置的所有人（但不包括阿里扎，好像我记得有个镜头阿里扎要球，Brooks 没有理会）。
2. Battier 既是助攻的受益者，又是助攻的发起者。个人一直比较喜欢的球员，篮球智商非常高。
3. Budinger 这场比赛发挥出色，同队友给予其的帮助分不开。我们看到很多个球员对其都有直接帮助。
4. Andersen 从助攻网络关系角度看，属于一个策应型中锋，而且是由里向外策应的那类。从比赛中观察，似乎球风有些偏软（本赛季我第一次看直播比赛 ^_^）
5. Ariza 接受的助攻并不多，只有 Battier 的一次，其他都是给别人的助攻，和 Brooks 一样，属于个人能力比较强，擅于自己创造得分机会的球员。

假如：

我是教练组成员，我提议（单从本场比赛结果看）：

1. Brooks、Battier、Ariza、Andersen 在火箭进攻体系中位置比较重要，轮转的时候尽量保证其中的两人或三人同时在场。
2. Budinger 属于绝好的替补球员，但似乎不适合同 Battier、Hayes 同时在场。
3. Lowry 在组织进攻方面能力欠佳，使用上须谨慎。

更新分割:

---

40场比赛助攻数据同时考虑，结果有些凌乱：

注：这个赛季火箭队有一些球员实际上并没有真正的进入轮转，比如”Tracy McGrady”,”Mike Harris”,”Jermaine Taylor”,”Pops Mensah-Bonsu”,”Brian Cook”。虽然有些球员（比如麦蒂）的确对球队的（被）助攻仍有帮助，但贡献非常有限。出于结果整洁性的考虑，上图已将这些球员因素剔除。

由于绘图算法使用的是 Force-based_algorithms，也就是说这种算法做出的图，边（edges）会尽可能的少。解释为，对球员关系的影响就是：

同其他球员关系比较多的球员将绘制的比较靠近中心，而关系较少的球员会绘制在相对靠外的位置。

重新观察火箭队助攻网络图，发现：

1月16日对热火比赛中，Kyle Lowry 和 Trevor Ariza 发挥的确出了问题，尤其是 Lowry 这点上。

如果我们求解这个网络中各个球员的 page rank 值，可以认为是每个球员同其他球员助攻的关键程度。

	Name	PageRank
1	Aaron Brooks	0.1690
2	Trevor Ariza	0.1496
5	Luis Scola	0.1334
3	Kyle Lowry	0.1268
7	Shane Battier	0.1099
8	Carl Landry	0.0966
9	Chase Budinger	0.0741
4	Chuck Hayes	0.0724
6	David Andersen	0.0681

Brooks、Ariza、Scola、Lowry、Battier 在助攻重要性角度上，占据球队的前五位。如何使用“田忌赛马”的策略制胜，则是教练组的问题。

让我欣慰的是 Hayes 的重要程度要比 Andersen 要好，单单从上一场比赛上看，Andersen 发挥的有些超常。

P.S. 维基百科上没有区别 “有向网络”和“无向网络”的 page rank ，上个表中的 page rank 值属于“无向网络”值，同上面的图略有区别（有向网络中，Lowry 的关键性仅比 Hayes 高，有些无奈）。

R 各个镜像中的 Contributed Packages 越来越多，截至今日，已经达到1950个，单单拉动鼠标把所有的 包名 从 A 到 Z 过一遍也得 10 几秒。随便考你一道：最后一个 R 包是啥？

zoo？

呵呵，我的印象里一直是它，仔细瞧了瞧发现是个叫 zyp 的包。

又一次领略了 R 强大的扩展能力撒？这个特点给我们带来了一些烦恼，因为人类的大脑能够理解的概念是有限的，对于没有任何关联的概念，我们的识别能力一般不超过 7，而且 R 的涵盖范围实在太广。从我们的有限性（7个概念）和 R 的无限性这一角度讲，逐一认识这些包几乎是不可能的！不过还好，至少我们可以可以参考 CRAN 上的 Task Views，大致了解 R 包的使用方向。

我们换个思路，不是从 R 的使用方向上，而是从 R 包的依赖关系上？

这些 R 包并不是相互独立的。比如说，MASS 包依赖于 R (>= 2.5.0), grDevices, graphics, stats, utils 这些基础包；而又会有包依赖于 MASS 包，比如 yihui 的 animation ，当然还有可能有包依赖于 animation ……

遍历所有的包，我们就看到了一个网络，一个 R 包的网络。

为了简化起见，这里忽略了同其他包没有关系的包（当然并不是完全没有关系，所有的包都和 R 或 R 的基础包有关，如果这样计量的话，会导致所有的包都会指向 R）。

首先抽取了这个庞大网络的一部分：

从上图我们可以看到，标记点为215、271的两个包是我们研究的包网络中的两个关键点，这两个包分别是lattice、mvtnorm。

关于这两个包：

1. lattice：网格绘图的基础包。很多包基于它扩展并不惊讶吧；
2. mvtnorm：多元正态分布和t分布的概率密度函数、累计分布函数、分位数函数、分布随机数。多元分布的基础。

从 271（mvtnorm）向左上，又会有一个小的聚集。那个小的聚集中心（110），是 fBasics 包，如果各位对金融领域关注的话，应该知道它在其中的地位吧。

当然，由于抽取的是一个子网络，很多的连接都被生硬地隔断，因此出现了大量的孤立点。

如果我们把 CRAN 上的1950个包都放到我们的网络中会是这样：

---

1、第一张图的 包 id 换成 包名称 会导致 演示的视觉效果很差，网页又不支持 pdf 直接显示，只好把带包名的图放这（pdf）。

2、带包名的 ，1950 个包的全图就算了吧，单绘图就得 2 分钟，更别提调整参数了 ……

事情是这样的：

周迅的前男友宋宁是高原的表弟，高原是窦唯的现任老婆，窦唯是王菲的前老公。
周迅的前男友李亚鹏是王菲的现任老公。
周迅的前男友朴树的音乐制作人是张亚东
张亚东是王菲的前老公窦唯的妹妹窦颖的前老公，也是王菲的音乐制作人。
张亚东是李亚鹏前女友瞿颖的现男友

确实很复杂，尤其是对我这种不怎么关心娱乐圈的。但……更让我惊讶的是——

我对面的同事居然全知道！随便考，汗~~

——————————————分割线————————————————-

这类问题使用社会网络分析最合适不过了。更新一下这些明星们的关系图：