読売ジャイアンツの打者を機械学習で分析

読売ジャイアンツには、長打力を持つ打者や高い打率を残す打者、選球眼に優れた打者など、さまざまな特徴を持つ選手がいます。

今回は、2026年シーズンの打撃データを機械学習で分析し、選手ごとの打撃特性を調べてみました。

分析の結果、対象とした16名の打者は、4つのグループに分類されました。グループごとに比較すると、長打力や選球眼、打率などに異なる傾向が見られました。

普段の成績表とは少し違った視点から、巨人の打者の特徴を見ていきましょう。

目次

  1. 今回の分析で分かったこと
  2. 分析について
  3. 分析結果
  4. 考察
  5. まとめ

1. 今回の分析で分かったこと

今回の分析では、読売ジャイアンツの打者16名が、機械学習によって4つのグループに分類されました。

各グループの人数と主な特徴は次のとおりです。

  • Cluster 0(7名):長打力が比較的高い一方、ボールゾーンの球をスイングする割合も高いグループ
  • Cluster 1(2名):出塁能力や四球と三振の比率に特徴があり、ボール球へのスイングが少ないグループ
  • Cluster 2(4名):今回の対象の中では、打率や長打力が比較的低い傾向にあるグループ
  • Cluster 3(3名):打率やBABIPが比較的高く、長打力は控えめなグループ

特に興味深いのは、打率が高い選手と長打力に優れた選手が、必ずしも同じグループに分類されなかったことです。

2. 分析について

今回の分析では、2026年シーズンの打撃データを使用し、100打席以上の打者16名を対象としました。

打率や長打力、選球眼など、以下の7つの指標を使用しています。

  • 打率
  • IsoP(純粋な長打力を表す指標)
  • IsoD(四球などによる出塁能力を表す指標)
  • BB/K(四球と三振の比率)
  • O-Swing%(ボールゾーンの球をスイングした割合)
  • Z-Swing%(ストライクゾーンの球をスイングした割合)
  • BABIP(インプレー打球が安打になった割合)

分析には、以下の手法を使用しました。

  • 標準化:異なる尺度のデータを比較しやすくする処理
  • K-means法:特徴が似ているデータをグループに分類する手法
  • 主成分分析(PCA):複数の指標を少数の軸にまとめ、データの特徴を可視化する手法

K-means法では、クラスタ数を変えながら評価を行い、今回は4つのグループに分類しました。

3. 分析結果

3.1 打者のクラスタリング結果

以下は、主成分分析によって各選手の特徴を2次元に可視化したものです。

読売ジャイアンツの打者クラスタリング分析

<図1 読売ジャイアンツの打者のクラスタリング結果>

今回の分析では、16名の打者が4つのグループに分類されました。

  • Cluster 0:7名
  • Cluster 1:2名
  • Cluster 2:4名
  • Cluster 3:3名

横軸のPC1は49.0%、縦軸のPC2は26.5%の情報を表しています。2つを合わせると約75.5%となり、今回使用した7つの指標の特徴をある程度捉えています。

散布図を見ると、選手の特徴に応じて4つのグループが異なる位置に分布していることが分かります。

3.2 グループごとの打撃特性

各グループの打撃指標の平均値を比較すると、それぞれ異なる特徴が見られました。

Cluster 0:長打力に特徴のあるグループ

ダルベック、佐々木俊輔、キャベッジ、岸田行倫、増田陸、平山功太、笹原操希の7名が分類されました。

このグループはIsoPが0.147と、4グループの中で最も高い値でした。一方、O-Swing%も35.0%と高く、ボールゾーンの球をスイングする割合が比較的高い傾向にあります。

Cluster 1:選球面に特徴のあるグループ

泉口友汰、丸佳浩の2名が分類されました。

IsoDは0.100、BB/Kは0.852で、いずれも4グループの中で最も高い値でした。また、O-Swing%は21.3%と最も低く、ボール球へのスイングが少ない傾向が見られました。

Cluster 2:打率・長打力が比較的低いグループ

吉川尚輝、坂本勇人、中山礼都、石塚裕惺の4名が分類されました。

打率は.203、IsoPは0.080で、いずれも4グループの中で最も低い値でした。今回の指標では、打率や長打力が比較的低い傾向を示しています。

Cluster 3:打率に特徴のあるグループ

浦田俊輔、松本剛、大城卓三の3名が分類されました。

打率は.267、BABIPは.324で、どちらも4グループの中で最も高い値でした。一方、IsoPは0.089と比較的低く、長打力よりも安打に関する指標に特徴が見られました。

4. 考察

今回の分析で興味深いのは、打率や長打力、選球眼といった異なる要素が、グループごとに異なる形で表れたことです。

例えば、Cluster 0は長打力を示すIsoPが高い一方、ボールゾーンへのスイング率も高い傾向にありました。

一方、Cluster 1はIsoDやBB/Kが高く、O-Swing%が低いという特徴を示しました。長打力だけでなく、ボール球を見極める傾向や四球と三振の比率にも違いが見られています。

また、Cluster 3は打率とBABIPが高い一方、IsoPは低い結果となりました。打率が高いことと長打力が高いことは、必ずしも同じではないことが分かります。

このように、打率や本塁打数などの単一の成績だけでは捉えにくい打者の特徴も、複数の指標を組み合わせることで見えてきます。

ただし、今回の分析は16名を対象とした探索的なものであり、各グループが選手の能力や役割を直接示すものではありません。特に人数の少ないグループもあるため、結果は今回のデータにおける特徴として捉える必要があります。

5. まとめ

今回は、読売ジャイアンツの2026年シーズンの打撃データを機械学習で分析し、16名の打者を4つのグループに分類しました。

その結果、長打力に特徴のあるグループ、選球面に特徴のあるグループ、打率に特徴のあるグループなど、それぞれ異なる傾向が見られました。

同じチームの打者であっても、打撃特性は一様ではありません。複数の指標を組み合わせることで、普段の成績表だけでは気づきにくい選手の個性を発見できる可能性があります。

これからもデータと機械学習を通じて、プロ野球の新しい楽しみ方を探っていきます。