MLB データ収集方法の調査まとめ

01概要: MLB データの3系統

2025〜2026年時点の MLB データ収集は、次の3系統に分けると整理しやすい。

1. Statcast / Baseball Savant 系
   投球1球単位のトラッキングデータ（球速・回転数・打球速度・打球角度・xwOBA・スイング速度など約118項目）。MLB 公式の Baseball Savant から CSV 取得でき、Python/R ライブラリも主にここを利用する。MLB 公式用語集では Statcast を「大量の野球データを収集・分析する追跡技術」と説明している（https://www.mlb.com/glossary/statcast ）。データは2008年以降（打球トラッキングの充実は2015年以降）。
2. MLB Stats API 系
   試合日程・ロースター・選手情報・ライブゲームフィード・ボックススコア・プレイ単位データなど。API キー不要の公開 JSON API で、コミュニティ製ラッパー（MLB-StatsAPI 等）経由で使われることが多い。公式に長期安定保証された研究用 API とは言いにくい点に注意。
3. 集計済み・歴史データ系
   FanGraphs・Baseball-Reference・Retrosheet・Lahman Database など。WAR・wRC+・FIP、過去シーズン成績、プレイバイプレイ、歴史的データの分析に向く。Retrosheet は2025年時点で1910〜2025年の AL/NL プレイバイプレイを収録している。

大学生向けコンペでは、初心者には Baseball Savant CSV または pybaseball / baseballr、発展課題には MLB Stats API、歴史分析には Lahman・Retrosheet という切り分けが実用的である。

02Python でのデータ収集方法

2.1 pybaseball（定番・最有力）

• 公式ドキュメント:
  • GitHub: https://github.com/jldbc/pybaseball
  • docs ディレクトリ（Statcast 解説）: https://github.com/jldbc/pybaseball/blob/master/docs/statcast.md
• Baseball Savant（Statcast）・Baseball Reference・FanGraphs をまとめてスクレイピングしてくれるパッケージで、MLB データ収集の事実上の標準。Statcast、投手・打者成績、順位、表彰データなどを取得でき、投球単位からシーズン集計まで扱える。
• 投球1球単位の Statcast データを pandas DataFrame で取得できる。
• Baseball Savant 側に1クエリ30,000行の制限があるが、pybaseball が自動で分割リクエストして結合してくれる。

向いている用途: Statcast の投球単位データ取得／FanGraphs の打者・投手成績取得／Baseball-Reference 系データ取得／初心者向けのデータ取得演習

注意点

• 内部的には Web サイトや CSV エンドポイントへのアクセスに依存するため、サイト仕様変更で動かなくなることがある。
• Statcast は行数が多く、長期間を一度に取得すると時間がかかる。

コード例

# pip install pybaseball pandas

from pybaseball import statcast, statcast_batter, playerid_lookup
from pybaseball import batting_stats, pitching_stats

# 期間指定で全球データ取得（team 指定も可）
data = statcast('2025-08-01', '2025-08-07')
sc_lad = statcast("2025-04-01", "2025-04-07", team="LAD")

# 選手IDを調べて特定打者のデータ取得（例: 大谷翔平）
pid = playerid_lookup('ohtani', 'shohei')  # key_mlbam を確認
ohtani = statcast_batter('2025-04-01', '2025-09-30', player_id=660271)

# シーズン打撃・投手成績（FanGraphs 由来）
bat = batting_stats(2025, qual=100)
print(bat[["Name", "Team", "PA", "HR", "AVG", "OBP", "SLG", "WAR"]].head())

pit = pitching_stats(2025, qual=50)
print(pit[["Name", "Team", "IP", "ERA", "FIP", "WAR"]].head())

2.2 MLB-StatsAPI（公式 Stats API のラッパー）

• 公式ドキュメント:
  • GitHub: https://github.com/toddrob99/MLB-StatsAPI
  • Wiki（エンドポイント一覧）: https://github.com/toddrob99/MLB-StatsAPI/wiki/Endpoints
  • PyPI: https://pypi.org/project/MLB-StatsAPI/
• MLB 公式の Stats API（statsapi.mlb.com）の Python ラッパー。API キー不要・無料（pip install MLB-StatsAPI）。2025年4月に 1.9.0 がリリースされており、メンテが続いている。
• 試合スケジュール・スコア・ボックススコア・ラインスコア・選手成績・順位表・ロースター・ライブゲームデータの取得に強い。試合 ID gamePk を使った詳細取得ができる。

注意点

• pybaseball よりも「公式試合情報・ライブデータ」に強い。Statcast の詳細な打球・投球トラッキング分析は pybaseball や Baseball Savant の方が使いやすい。
• PyPI ページにも、MLB や球団とは非提携であり、データ利用は MLB 側の notice に従う旨が書かれている。

コード例

# pip install MLB-StatsAPI

import statsapi

# 試合日程・順位表
sched = statsapi.schedule(start_date='2025-07-01', end_date='2025-07-07')
standings = statsapi.standings(season=2025)

# 2026年4月1日のMLB試合日程 → gamePk でボックススコア
games = statsapi.schedule(start_date="2026-04-01", end_date="2026-04-01", sportId=1)
for g in games[:5]:
    print(g["game_id"], g["away_name"], "vs", g["home_name"], g["status"])

game_pk = games[0]["game_id"]
box = statsapi.boxscore_data(game_pk)
print(box["teamInfo"])

2.3 python-mlb-statsapi（新しめの公式 API ラッパー）

• 公式ドキュメント:
  • GitHub: https://github.com/zero-sum-seattle/python-mlb-statsapi
• Pydantic モデルでデータ検証されており、snake_case の Python らしい API。チーム・選手・スタッツを型安全に扱える。

2.4 その他の Python パッケージ

• baseball_scraper — pybaseball 系の派生
  • 公式ドキュメント: https://github.com/spilchen/baseball_scraper
• baseball-stats-python — 比較的新しい軽量パッケージ
  • 公式ドキュメント: https://pypi.org/project/baseball-stats-python/

03R でのデータ収集方法

3.1 baseballr（定番・最有力）

• 公式ドキュメント:
  • pkgdown サイト: https://billpetti.github.io/baseballr/
  • CRAN: https://cran.r-project.org/web/packages/baseballr/index.html
  • 関数リファレンス例: statcast_search ／ fg_batter_leaders ／ mlb_schedule ／ retrosheet_data
• Bill Petti 作。R で MLB データを取得する中心的パッケージ。MLB Stats API・Baseball Savant（Statcast）・FanGraphs・Baseball Reference・Retrosheet・Chadwick 登録簿（選手 ID 変換）・NCAA（大学野球）・ESPN など広範なソースに対応。
• wOBA・FIP などセイバーメトリクス指標の計算関数も同梱。CRAN 版は 2026-05 にも更新されており、現在もメンテが続いている。
• statcast_search() は日付・選手 ID・打者/投手指定ができ、返り値には投球種・球速・打球速度・xwOBA・スイング速度など多数の列が含まれる。mlb_schedule() は MLB およびマイナー等の game_pk を取得できる（MLB は sport_id = 1）。

コード例

# install.packages("baseballr")
library(baseballr)
library(dplyr)

# Statcast: 期間指定の全球データ
sc <- statcast_search(start_date = "2025-04-01", end_date = "2025-04-07")
sc %>%
  select(game_date, player_name, pitch_type, release_speed, events) %>%
  head()

# Statcast: 特定打者の期間データ（例: 大谷翔平）
ohtani <- statcast_search_batter(
  start_date = "2025-04-01", end_date = "2025-09-30",
  batterid = 660271
)

# MLB Stats API: 1試合の全投球データ (play-by-play)
pbp <- mlb_pbp(game_pk = 745340)

# MLB Stats API: 日程・game_pk 取得
schedule <- mlb_schedule(season = 2026, level_ids = "1")  # MLB

# FanGraphs: シーズン打撃リーダー
bat <- fg_batter_leaders(startseason = 2025, endseason = 2025)
bat %>%
  select(Season, PlayerName, team_name, PA, HR, AVG, OBP, SLG, WAR) %>%
  head()

3.2 sabRmetrics（新興・研究者発）

• 公式ドキュメント:
  • pkgdown サイト: https://saberpowers.github.io/sabRmetrics/
  • GitHub: https://github.com/saberpowers/sabRmetrics
• 元 Dodgers アナリストの Scott Powers 作（2024年公開）。Baseball Savant と MLB Stats API からのダウンロードに特化し、正規化された複数テーブルで返す設計。
• 投手のアームアングルなど最新の公開項目にも追随。塁・アウト状況ごとの得点期待値やカウント価値の推定、投球軌道の復元など研究向け機能あり。
• インストール: devtools::install_github("saberpowers/sabRmetrics")

data <- sabRmetrics::download_baseballsavant(
  start_date = "2025-07-01", end_date = "2025-07-07"
)

3.3 Lahman パッケージ（歴史データ）

• 公式ドキュメント:
  • CRAN: https://cran.r-project.org/package=Lahman
  • CRAN リファレンスマニュアル: https://cloud.r-project.org/web/packages/Lahman/Lahman.pdf
  • 生データ配布元（SABR）: https://sabr.org/lahman-database/
• 1871年以降の打撃・投手・守備・順位・チーム成績を収録した Lahman Database の R パッケージ版。インストールするだけで data.frame として使えるため、初学者の演習素材として最適。SQL/データベース教育や正規化されたテーブル構造の学習、長期トレンド分析にも向く。
• 収録年に関する注記（両調査の食い違いの整理）: CRAN パッケージ版 Lahman 14.0-0 は「1871〜2024年」を収録する一方、SABR で配布される生データの2025年版（2026-01-02 リリース）は「1871〜2025年」を収録する。パッケージ版への最新シーズン反映はリリースサイクルの都合で遅れるため、両方の記述は矛盾せず両立する。最新シーズンが必要な場合は SABR 配布の生データ（CSV/SQLite）を使う。
• Statcast のような1球単位・打球速度・回転数データは含まない。

コード例

# install.packages("Lahman")
library(Lahman)
library(dplyr)

# 2024年の打者本塁打ランキング
Batting %>%
  filter(yearID == 2024) %>%
  group_by(playerID) %>%
  summarise(HR = sum(HR), AB = sum(AB), .groups = "drop") %>%
  arrange(desc(HR)) %>%
  left_join(People, by = "playerID") %>%
  select(playerID, nameFirst, nameLast, AB, HR) %>%
  head(10)

3.4 baseballr + Retrosheet（プレイ単位の歴史分析）

• 公式ドキュメント:
  • Retrosheet 本体: https://www.retrosheet.org/
  • baseballr の関数: https://billpetti.github.io/baseballr/reference/retrosheet_data.html
• Retrosheet は長期のプレイバイプレイ・ボックススコアデータを提供する重要ソース。baseballr::retrosheet_data() で取得・整形できるが、Chadwick CLI の cwevent が事前に必要（公式ドキュメントに明記）。
• 打席・プレイ単位の歴史分析、得点期待値・勝率期待値・走塁・守備イベント分析、Statcast 以前の時代を含む分析に向く。

Chadwick CLI のインストール方法

• Chadwick は Retrosheet のイベントファイルを CSV に展開するコマンドラインツール群（cwevent・cwgame・cwbox など）。T. L. Turocy 氏（Chadwick Baseball Bureau）作。
• 公式ドキュメント:
  • GitHub: https://github.com/chadwickbureau/chadwick
  • マニュアル: https://chadwick.readthedocs.io/
• Windows: GitHub の Releases ページ（https://github.com/chadwickbureau/chadwick/releases）にビルド済みバイナリ（zip）が配布されている。展開して cwevent.exe 等のあるフォルダを PATH に通す。
• Mac / Linux: ソースからビルドする（autotools 標準の手順: ./configure → make → sudo make install）。
• インストール確認は R から baseballr::chadwick_path() が使える（https://billpetti.github.io/baseballr/reference/chadwick_path.html）。cwevent が見つかる状態になっていれば retrosheet_data() が動く。

library(baseballr)

# Chadwick CLI を事前にインストールしておく（上記参照）
chadwick_path()  # インストール確認

retro <- retrosheet_data(years_to_acquire = 2024)
events_2024 <- retro$events
head(events_2024)

3.5 参考ブログ

• Exploring Baseball Data with R: https://baseballwithr.wordpress.com/ — baseballr / sabRmetrics / Retrosheet の実践記事が豊富（『Analyzing Baseball Data with R』著者陣）。

04その他の手法（API 直叩き・CSV ダウンロード・スクレイピング）

4.1 MLB Stats API を直接叩く

• 公式ドキュメント:
  • API ドキュメント: https://docs.statsapi.mlb.com/
  • エンドポイントベース: https://statsapi.mlb.com/
  • エンドポイント整理（MLB-StatsAPI Wiki）: https://github.com/toddrob99/MLB-StatsAPI/wiki/Endpoints
• API キー不要の JSON API。requests（Python）や httr2（R）で直接取得可能。ラッパーに無い項目もこれで取れる。meta エンドポイントでは awards・eventTypes・gameStatus・pitchTypes・positions などの値を取得できる。
• ライブラリに依存しない直叩きは、「API とは何か」を教える教材、必要な項目だけの抽出、ライブラリ不具合時の代替、再現性の高い取得スクリプト作成に有用。
• 利用は個人・非商用の分析用途に限る点に注意（MLB の利用規約）。

代表的なエンドポイント例

https://statsapi.mlb.com/api/v1/schedule?sportId=1&startDate=2026-04-01&endDate=2026-04-01
https://statsapi.mlb.com/api/v1/teams?sportId=1
https://statsapi.mlb.com/api/v1/people/{personId}
https://statsapi.mlb.com/api/v1.1/game/{gamePk}/feed/live
https://statsapi.mlb.com/api/v1/game/{gamePk}/boxscore

コード例: 日程取得（requests + pandas）

# pip install requests pandas

import requests
import pandas as pd

url = "https://statsapi.mlb.com/api/v1/schedule"
params = {
    "sportId": 1,
    "startDate": "2026-04-01",
    "endDate": "2026-04-01",
    "hydrate": "team,linescore"
}

res = requests.get(url, params=params, timeout=30)
res.raise_for_status()
data = res.json()

rows = []
for date_block in data.get("dates", []):
    for game in date_block.get("games", []):
        rows.append({
            "gamePk": game["gamePk"],
            "date": game["gameDate"],
            "away": game["teams"]["away"]["team"]["name"],
            "home": game["teams"]["home"]["team"]["name"],
            "status": game["status"]["detailedState"],
        })

df = pd.DataFrame(rows)
print(df.head())

コード例: ライブゲームフィード取得

import requests

game_pk = 746001  # 実際のgamePkに置き換える
url = f"https://statsapi.mlb.com/api/v1.1/game/{game_pk}/feed/live"

data = requests.get(url, timeout=30).json()

print(data["gameData"]["datetime"]["officialDate"])
print(data["gameData"]["teams"]["away"]["name"])
print(data["gameData"]["teams"]["home"]["name"])

運営者向け注意

• API キー不要で取得できるエンドポイントが多い一方、公式に長期安定保証された研究用 API とは言いにくい。コンペ資料では「エンドポイント仕様は変わる可能性がある」と明記するのが安全。
• 大量アクセスは避け、キャッシュ済み CSV を配布する方が参加者に優しい。

4.2 Baseball Savant の CSV ダウンロード

• 公式ドキュメント:
  • Statcast Search: https://baseballsavant.mlb.com/statcast_search
  • CSV 仕様書（列説明）: https://baseballsavant.mlb.com/csv-docs
• Statcast Search で投球単位・試合単位・選手単位・チーム単位・シーズン単位の条件検索をし、画面から CSV を直接ダウンロードできる。プログラミング不要なので、コンペ初心者への導入として使いやすい。
• CSV 仕様書には pitch_type・game_date・release_speed などの列説明がある。

メリット: ブラウザだけで取得できる／初心者向け／CSV をそのまま Excel・R・Python で読める／コンペ配布用データを作りやすい

デメリット: 1クエリ30,000行の制限があり大量データは期間分割が必要／クエリ条件を記録しないと再現性が落ちる／手作業ダウンロードは更新に弱い

CSV を読む例

import pandas as pd
df = pd.read_csv("statcast_2025_april.csv")
print(df[["game_date", "player_name", "pitch_type", "release_speed", "launch_speed"]].head())

library(readr)
library(dplyr)
df <- read_csv("statcast_2025_april.csv")
df %>%
  select(game_date, player_name, pitch_type, release_speed, launch_speed) %>%
  head()

4.3 Retrosheet の CSV 一括ダウンロード

• 公式ドキュメント: https://www.retrosheet.org/
• ほぼ全史の試合の play-by-play をボランティアが復元した無料データ（1910〜2025年の AL/NL プレイバイプレイを収録）。
• 近年は CSV 形式での配布が始まり、専用ツール（Chadwick）なしで全シーズン一括ファイル（約1,585万レコード・約20万試合）が入手可能になった。

4.4 静的データベース（一括 DL 系）

• Lahman Database: https://sabr.org/lahman-database/ — 1871年以降のシーズン集計。CSV/SQLite 配布。ニグロリーグのデータも収録。
• Baseball Databank（Chadwick Baseball Bureau）: https://github.com/chadwickbureau/baseballdatabank — Lahman 系データの Git リポジトリ版。
• Kaggle: https://www.kaggle.com/datasets/dalyas/lahman-baseball-database など、加工済みデータセット多数。

4.5 Web スクレイピング

FanGraphs・Baseball-Reference・Spotrac などの Web ページから表を読む方法。

import pandas as pd

url = "https://www.baseball-reference.com/leagues/majors/2025-standard-batting.shtml"
tables = pd.read_html(url)

batting = tables[0]
print(batting.head())

注意点

• robots.txt・利用規約・アクセス頻度（待機時間）に注意。
• ページ構造変更に弱い。JavaScript 描画や Cloudflare 等で取得できない場合がある。
• 有料・会員限定データをスクレイピングして再配布するのは避けるべき。
• コンペ運営では、参加者に直接スクレイピングさせるより、運営側がライセンス確認済みデータを配布する方が安全。

05よく使われている MLB データサイト一覧

5.1 英語サイト

5.2 日本語サイト・情報源

※日本語圏のデータベースサイトは NPB 中心のものが多く、MLB の生データ取得は英語サイト（Baseball Savant 等）+ 日本語解説記事の組み合わせが実用的。

06けが・手術データ（トミー・ジョン手術・IL）

6.1 トミー・ジョン手術リスト

• URL: https://docs.google.com/spreadsheets/d/1gQujXQQGOVNaiuwSN680Hq-FDVsCwvN-3AazykOBON0/edit
• 選手名・所属レベル (MLB/MiLB/大学/高校)・手術日・復帰日・執刀医・MLBAM 選手 ID を収録した包括リスト。報道ベースで確認された症例を収録し、現在も更新中 (2025年シーズン分まで反映。「2025年に登板した MLB 投手の39.1%が TJ 経験者」という集計も本人が公表)。無料。
• MLBAM ID が入っているため、Statcast データ (pybaseball / baseballr) とそのまま結合できる。手術前後の球速・回転数比較など、コンペのお題に向く素材。
• 背景解説（SABR）: https://sabr.org/latest/roegele-an-analysis-of-available-tommy-john-surgery-data/

import pandas as pd
url = "https://docs.google.com/spreadsheets/d/1gQujXQQGOVNaiuwSN680Hq-FDVsCwvN-3AazykOBON0/export?format=csv&gid=0"
tj = pd.read_csv(url)

6.2 IL (故障者リスト) 入りのデータ

※DL (Disabled List) は2019年に IL (Injured List) へ改称。

プログラムでの取得例 (公式 API 経由・全 IL 移動を期間指定で):

import statsapi  # MLB-StatsAPI
tx = statsapi.get('transactions', {'startDate': '2025-03-01', 'endDate': '2025-10-01'})
il_moves = [t for t in tx['transactions'] if 'Injured List' in t.get('description', '')]

使い分けの目安: 過去の網羅データ分析なら「Roegele リスト + MLB Stats API transactions (または robotallie の CSV)」、欠場日数・金額のインパクトを見せたいなら Spotrac。

07コンペ運営向け推奨

7.1 初心者向けに最も扱いやすい構成

1. 運営側が Baseball Savant から CSV を取得
2. 列名説明を日本語で付ける（Lean Baseball の CSV 項目日本語解説が参考になる）
3. 参加者には CSV を配布
4. Python/R の読み込みテンプレートを用意
5. 発展課題として pybaseball / baseballr による追加取得を紹介

この形が、環境構築トラブル・API 仕様変更・過剰アクセスを避けやすい。

7.2 参加者に直接取得させる場合の推奨順

1. Python: pybaseball
2. R: baseballr
3. API 学習: requests / httr2 で MLB Stats API 直叩き
4. 歴史分析: Lahman
5. 発展分析: Retrosheet + Chadwick CLI

導入順の目安: Baseball Savant の画面操作で CSV 取得 → pybaseball / baseballr でコード取得、の2段階が挫折しにくい。

7.3 R と Python の対応関係

baseballr::statcast_search_* ⇔ pybaseball.statcast_* は、両言語とも同じ Baseball Savant を叩くため、部門としてどちらの言語でも同じ分析が可能。

7.4 利用上の注意

• MLB 公式データ（Stats API・Statcast）は非商用・個人分析用途での利用が前提。
• 有料サイトのデータを無断で再配布しない。
• スクレイピング系関数は利用規約・robots.txt・アクセス頻度（連続リクエストの待機時間）を確認する。FanGraphs 等は利用規約を確認。
• API キーや個人アカウント情報を資料・GitHub に含めない。
• コンペでは、データの取得日・取得元 URL・クエリ条件・ライセンス注意を明記する。
• 大量アクセスを避けるため、同じデータを全員が API から取得する設計ではなく、運営側の配布 CSV を基本にする。
• Statcast の打球データは2015年以降が充実。年をまたぐ指標比較では計測仕様の変更（例: 2023年のボール・ストライクゾーン関連項目追加、2024年のアームアングル公開）に留意。

7.5 まとめ

2025〜2026年時点では、MLB データ分析の実務的な入口は Baseball Savant / Statcast + pybaseball / baseballr。試合日程やライブデータは MLB Stats API、歴史的なシーズン成績は Lahman、プレイバイプレイの長期分析は Retrosheet が有力。大学生向けコンペ資料では、まず CSV 配布で分析に集中させ、発展課題として Python・R・API 直叩きを紹介する構成が最も安全で教育効果も高い。

＋付録: ライブラリ・データベース別 公式ドキュメント早見表

§主な情報源

• github.com/jldbc/pybaseball
• pybaseball/blob/master/docs/statcast.md
• pypi.org/project/MLB-StatsAPI
• github.com/toddrob99/MLB-StatsAPI
• toddrob99/MLB-StatsAPI/wiki/Endpoints
• github.com/zero-sum-seattle/python-mlb-statsapi
• billpetti.github.io/baseballr
• cran.r-project.org/web/packages/baseballr/index.html
• baseballr/reference/statcast_search.html
• baseballr/reference/fg_batter_leaders.html
• baseballr/reference/mlb_schedule.html
• baseballr/reference/retrosheet_data.html
• saberpowers.github.io/sabRmetrics
• cran.r-project.org/package=Lahman
• cloud.r-project.org/web/packages/Lahman/Lahman.pdf
• sabr.org/lahman-database
• sabr.org/sabermetrics/data
• retrosheet.org
• baseballsavant.mlb.com/statcast_search
• baseballsavant.mlb.com/csv-docs
• mlb.com/glossary/statcast
• docs.statsapi.mlb.com
• baseballwithr.wordpress.com/2025/01/06/csv-downloads-of-retrosheet-data…
• plus.fangraphs.com/product/fangraphs-membership
• sports-reference.com/stathead
• faq.sports-reference.com/…/how-to-download-data
• baseballprospectus.com/pecota-projections
• developer.sportradar.com/baseball/reference/overview
• sportsdata.io/developers/api-documentation/mlb
• note.com/nana_metrics/n/nc74cd3d95f16
• note.com/baseball_felix/n/n15f9ba110dcb
• shinyorke.hatenablog.com/entry/statcast-csv-docs-ja
• zenn.dev/genki_morph/articles/485bc82ffe975b
• qiita.com/RWKiryu/items/d8de38004d369edaa53b
• qiita.com/RWKiryu/items/8337b3eee0983458ce9b
• wlbaseball.com/4421
• docs.google.com/spreadsheets/d/1gQujXQQ…/edit
• sabr.org/latest/roegele-an-analysis-of-available-tommy-john-surgery-data
• spotrac.com/mlb/injured
• github.com/robotallie/baseball-injuries
• baseballheatmaps.com/disabled-list-data