エイシンフラッシュは渋った馬場が得意？！

エイシンフラッシュ産駒にどんなイメージをお持ちでしょうか？

個人的には、体が小さくて、ストライドが伸びず、ちょこちょこ走る産駒が多いイメージを持っています。

そしてキレ味に欠けるものの、重い馬場ではちょくちょく穴を開ける点で馬券的には面白い種牡馬かと思います。

馬場状態別の成績を調べてみます。
私がよく使っているヒートマップですが、全体像をつかむのには便利ですよね。

以下は芝コース限定 エイシンフラッシュ産駒成績（〜2020/07/12)

色が濃いほど複勝率が高く、下に行くほど馬場が悪いです。

馬場状態別データはどうしたってサンプル数に大きな差が出るので、重や不良は少ないサンプルゆえに極端に高い数値が出やすい点は要注意です。

とはいえ、やはりキレ味に乏しい産駒イメージ通り、馬場悪化により複勝率は上がります。

あとは渋った馬場×小回りが１番の狙い所だと思っているのですが、この点については近いうちに検証します。

07/14追記：エイシンフラッシュの小回り適性を調べてみました。
小回りとかの定義がないので、コースごとの直線距離別に複勝率などを示せばイメージをつかめると思います。

一応小回りが得意そう？！ちょっと直線の短いエリアがばらつきが大きいので要注意です。

というのもコースデータをAコース、Bコースなどコース区分ごとに直線距離を取得しているので、出走回数の極端に少ないデータがあるためです。

しかし正確に直線距離を扱うためには必要でしょう。

例えばエイシンフラッシュ産駒の平均勝利直線距離は３８４.３mということがわかります。これはだいたい京都の芝外回りの直線距離です。

そう考えるとそこまで小回り巧者とはいえないかも！？

平均勝利直線距離なんかを種牡馬どうしで比較して小回り巧者な種牡馬をあぶり出すなんてことは近いうちにやります。

以下ではいつも通り簡単ですがデータ取得のコードを残しておきます。
馬場状態とエイシンフラッシュ産駒の成績について

まずエイシンフラッシュ産駒の成績データをTargetよりCSV出力したのち、以下のPythonコードでデータを整えます。

ef = pd.read_csv('eishin_frush_data20200712.csv')
​# 着順の修正
ef = ef[~( (ef['着順'].str.contains('外')) | (ef['着順'].str.contains('消')) | (ef['着順'].str.contains('止')))]
ef['着順'] = ef['着順'].astype(int)
#複勝率計算のため
place_ratio = ((eft['着順']==1) | (eft['着順']==2) | (eft['着順']==3)).values.sum() / len(eft)​

こんな感じでデータの整形はできます。

あとは例によって作図です。

import matplotlib.pyplot as plt
import seaborn as sns

ef_pivot = pd.pivot_table(eft, index='馬場状態', columns='場所', values='place')

ef_pivot.index = pd.CategoricalIndex(ef_pivot.index, categories= ["良", "稍", "重","不"])
ef_pivot.sort_index(level=0, inplace=True)

plt.figure(figsize=(12.0, 12.0))
plt.title('エイシンフラッシュ産駒 馬場状態と競馬場 複勝率', fontsize=20)
plt.xlabel("xlabel", fontsize=18)
plt.ylabel("ylabel", fontsize=18)
plt.tick_params(labelsize=15)
sns.heatmap(ef_pivot, annot=True, fmt='.2f', cmap='Blues')

これで完了です。

毎日投稿を目指すあまり、投稿の質が落ちているので、気合いを入れ直して頑張ります。
またこうした種牡馬についての記事はどんどん今後も内容を更新していきます。

急に冷える日もあるので皆様も体温調節にはお気をつけください。吉田しげるでした。