本文目录导读：
板凳深度”（Bench Depth，即阵容替补实力）的评级打分，在Python数据分析中通常是一个多因子加权模型，核心逻辑是：不仅要看替补球员的数量，更要看替补球员的质量、位置覆盖度以及对主力阵容的替代能力。
以下是一个基于Python的实战案例逻辑拆解,分为数据准备、指标计算和打分模型三个部分。
第一步：定义核心指标（维度）
我们需要从5个维度去量化板凳深度,每个维度设置权重（总和为100分）：
- 替补得分/篮板/助攻贡献度（权重 30%）：替补场均数据与主力场均数据的比值。
- 位置覆盖度（权重 25%）：替补是否在每个位置都有可靠人选（没有短板）。
- 效率值（PER）差值（权重 20%）：替补整体效率值与联盟平均水平（通常设定为15）的对比。
- 比赛末节关键得分（权重 15%）：衡量替补在“垃圾时间”或主力休息时的抢分能力。
- 伤病/轮换冗余度（权重 10%）：当主力缺席时，替补是否具备“即插即用”的同位置顶替能力。
第二步：Python代码实现核心逻辑
import pandas as pd
import numpy as np
# 示例数据：假设这是某支球队的球员数据
data = {
'player': ['SGA', 'Chet', 'J-Dub', 'Giddey', 'Lugo', # 首发
'Wallace', 'Wiggins', 'Dieng', 'Mann', 'Poku'], # 替补
'position': ['PG', 'C', 'SF', 'SG', 'PF', # 首发
'PG', 'SF', 'SG', 'PG', 'PF'], # 替补
'starter': [1, 1, 1, 1, 1, 0, 0, 0, 0, 0], # 1=首发, 0=替补
'points': [30.1, 18.5, 22.0, 12.8, 14.2, # 首发
8.5, 9.1, 6.3, 5.9, 4.2], # 替补
'PER': [29.5, 24.8, 23.1, 17.3, 19.9, # 效率值
16.5, 15.8, 14.2, 13.1, 11.5],
'minutes': [35, 32, 34, 30, 28,
22, 20, 18, 15, 12]
}
df = pd.DataFrame(data)
# ---- 核心评级函数 ----
def bench_depth_score(df):
starters = df[df['starter'] == 1]
bench = df[df['starter'] == 0]
# 1. 得分贡献度（替补/主力）
score_contrib = bench['points'].sum() / starters['points'].sum()
score_contrib_score = min(score_contrib / 0.5, 1.0) * 30 # 替补得分达到主力50%为满分
# 2. 位置覆盖度（检查每个位置是否有替补）
starter_positions = set(starters['position'])
bench_positions = set(bench['position'])
coverage_ratio = len(starter_positions & bench_positions) / len(starter_positions)
coverage_score = coverage_ratio * 25
# 3. 替补效率值（PER）达标率
# 设定联盟平均PER=15，替补PER高于15视为优质替补
bench_per_mean = bench['PER'].mean()
per_efficiency = max(min(bench_per_mean / 15.0, 1.0), 0)
per_score = per_efficiency * 20
# 4. 得分效率（每分钟得分，衡量“微波炉”属性）
bench_pts_per_min = bench['points'].sum() / bench['minutes'].sum()
# 设定一个标准值，比如每分钟0.4分算合格
efficiency_score = min(bench_pts_per_min / 0.5, 1.0) * 15
# 5. 冗余度（同位置替补人数）
redundancy_score = min(len(bench) / len(starters), 1.0) * 10
# 总分
total_score = score_contrib_score + coverage_score + per_score + efficiency_score + redundancy_score
return {
'score': round(total_score, 1),
'details': {
'得分贡献(30分)': round(score_contrib_score, 1),
'位置覆盖(25分)': round(coverage_score, 1),
'PER效率(20分)': round(per_score, 1),
'得分效率(15分)': round(efficiency_score, 1),
'冗余度(10分)': round(redundancy_score, 1)
}
}
# 执行评级
result = bench_depth_score(df)
print(f"总得分: {result['score']} / 100")
print("明细：", result['details'])
# ---- 自动评级（S/A/B/C/D）----
def get_grade(score):
if score >= 85: return 'S级（顶级板凳）'
elif score >= 75: return 'A级（优秀板凳）'
elif score >= 65: return 'B级（合格板凳）'
elif score >= 50: return 'C级（薄弱板凳）'
else: return 'D级（极差板凳）'
grade = get_grade(result['score'])
print(f"评级结果: {grade}")
第三步：实战进阶——考虑“攻防两端”和“化学反应”
在真实的体育分析中,上述代码只是基础版，更科学的模型会引入：
- 净效率值（Net Rating）：替补在场时球队的攻防效率差（使用
on/offcourt数据）。 - “死亡五小”/“超级第六人”：单独识别替补中PER>20的球员，给予额外加成。
- 伤病模拟（蒙特卡洛）：跑10000次模拟，随机缺阵1-2名主力，看替补能否维持球队胜率。
代码示例（模拟伤病冗余）：
# 简单模拟：随机抽掉一名首发，看替补顶上去后得分下降率
import random
def simulate_injury_safety(df, trials=1000):
starters = df[df['starter'] == 1].index.tolist()
safe_count = 0
for _ in range(trials):
injured = random.choice(starters)
injured_player = df.loc[injured]
# 找一个位置匹配的替补顶上
candidates = df[(df['starter'] == 0) & (df['position'] == injured_player['position'])]
if len(candidates) > 0:
# 计算原首发得分 vs 替补得分
drop_rate = 1 - (candidates['points'].max() / injured_player['points'])
if drop_rate < 0.3: # 得分下降不超过30%视为能顶住
safe_count += 1
safety_ratio = safe_count / trials
# 该比例直接作为“冗余度”修正因子
return safety_ratio
第四步：如何应用到实际项目？
在给出一份评级报告时，建议直接输出一个雷达图（使用matplotlib），直观展示五个维度的得分情况。
打分逻辑总结：
| 维度 | 权重 | 计算逻辑 |
|---|---|---|
| 得分贡献 | 30% | 替补总得分 / 主力总得分，达到50%为满分 |
| 位置覆盖 | 25% | 替补能覆盖的主力位置比例 |
| 效率值 | 20% | 替补平均PER / 15（联盟均值） |
| 得分效率 | 15% | 替补每分钟得分 / 0.5（基准值） |
| 冗余度 | 10% | 替补人数 / 主力人数 |
最终评级标准：
- S级（85+）：如2023-24赛季的凯尔特人，拥有5名以上PER>15的替补。
- A级（75-84）：如掘金，替补有稳定第六人。
- B级（65-74）：替补有一定厚度但有明显短板。
- C级（50-64）：主力缺阵后胜率会大幅下降。
- D级（<50）：典型的“5巨头+边缘人”阵容。
这个模型的核心思想是：数字不会说谎，但权重要根据球队风格调整（例如进攻型球队提高得分权重，防守型球队则要提高防守效率权重），在实际操作中，您可以直接替换上面代码里的data字典为真实的球员场均数据，即可快速得到该球队的板凳深度评级。
