python案例认为核心缺阵影响能量化吗？

wen python案例 2026-08-13 3

本文目录导读：

核心方法论
Python实战案例
结论与深入思考

这是一个非常好的问题,而且答案是肯定的，可以量化。

在体育数据分析（Sports Analytics）中，核心球员缺阵的影响不仅可以用数据说话，而且有非常成熟的方法论，在NBA、英超、NFL等职业联赛中，这是数据分析团队的核心工作之一。

下面我为你拆解如何用Python量化这种影响,并提供具体的代码案例。

核心方法论

量化核心缺阵,通常从球队产出和球员角色两个维度入手：

胜负差（Wins/Losses）：最直观，但受对手强弱影响大，需要归一化。
净效率值（Net Rating）：球队在场与不在场的百回合净胜分差（On/Off Court）。
攻防效率（Offensive/Defensive Rating）：核心缺阵后，球队进攻端和防守端的“火力”变化。
使用率（Usage Rate）：核心缺阵后，其他人的球权增加多少，效率是否下降（效率下降通常意味着“消化不了球权”）。

Python实战案例

假设我们有2022-2023赛季某支球队的数据，我们要分析“球队大当家缺阵”对球队的影响。

数据准备

我们模拟一份包含球员出场情况、球队得分、失分的数据。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# 设置中文显示（如果画图需要）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用于显示中文
plt.rcParams['axes.unicode_minus'] = False
# 模拟82场常规赛数据
np.random.seed(42)
# 假设球队核心是球员ID为 'Star' 的球员
games = np.arange(1, 83)  # 82场比赛
# 随机生成核心球员是否出场 (0=缺阵, 1=出场)，缺阵概率设为20%
star_played = np.random.choice([0, 1], size=82, p=[0.2, 0.8])
# 生成球队得分和失分
# 逻辑：核心在场时，得分更高，失分更低
base_offense = 110  # 基础进攻效率
base_defense = 108  # 基础防守效率
# 生成实际得分（加入噪音）
team_score = np.where(star_played == 1, 
                      base_offense + np.random.normal(0, 8, 82),  # 在场场均得分
                      base_offense - 8 + np.random.normal(0, 8, 82))  # 缺阵时得分下降8分
team_allow = np.where(star_played == 1, 
                      base_defense + np.random.normal(0, 8, 82),  # 在场场均失分
                      base_defense + 5 + np.random.normal(0, 8, 82))  # 缺阵时失分增加5分
df = pd.DataFrame({
    'game': games,
    'star_played': star_played,
    'points_for': np.round(team_score, 1),
    'points_against': np.round(team_allow, 1)
})
# 计算净胜分 (Margin of Victory)
df['margin'] = df['points_for'] - df['points_against']
# 根据规则计算胜负 (赢=1, 输=0)
df['win'] = np.where(df['margin'] > 0, 1, 0)
# 取出有核心和无核心的数据
with_star = df[df['star_played'] == 1]
without_star = df[df['star_played'] == 0]
print("--- 数据预览 ---")
print(df.head())

基础量化指标（描述性统计）

# 计算胜率差异
win_rate_with = with_star['win'].mean()
win_rate_without = without_star['win'].mean()
print(f"核心在场胜率: {win_rate_with:.2%}")
print(f"核心缺阵胜率: {win_rate_without:.2%}")
# 计算场均净胜分差异
net_rating_with = with_star['margin'].mean()
net_rating_without = without_star['margin'].mean()
print(f"\n核心在场场均净胜分: {net_rating_with:.2f}")
print(f"核心缺阵场均净胜分: {net_rating_without:.2f}")
print(f"核心缺阵导致场均净胜分下滑: {net_rating_without - net_rating_with:.2f} 分")

输出示例：

核心在场胜率: 68.75%
核心缺阵胜率: 35.29%
核心在场场均净胜分: 2.45
核心缺阵场均净胜分: -10.77
核心缺阵导致场均净胜分下滑: -13.22 分

这说明核心缺阵时，球队从赢球球队变成输球球队，净效率下降约13分。

更科学的方法：Control for Competition（控制对手强弱）

单纯的胜负受对手影响大,我们改用百回合攻防效率（Offensive/Defensive Rating）。

# 模拟每场比赛的回合数 (Pace)
# 假设联盟平均100回合，球队节奏在97-103之间波动
df['possessions'] = np.random.randint(95, 105, size=82)
# 计算每场百回合进攻效率
df['ortg'] = (df['points_for'] / df['possessions']) * 100
df['drtg'] = (df['points_against'] / df['possessions']) * 100
df['net_rtg'] = df['ortg'] - df['drtg']
# 分组聚合
summary = df.groupby('star_played').agg(
    avg_ortg=('ortg', 'mean'),
    avg_drtg=('drtg', 'mean'),
    avg_net_rtg=('net_rtg', 'mean'),
    games=('game', 'count')
).reset_index()
summary['star_played'] = summary['star_played'].map({1: '核心在场', 0: '核心缺阵'})
print(summary.to_string(index=False))

输出示例：

   avg_ortg  avg_drtg  avg_net_rtg  games  star_played
       111.2     109.8         1.4     65   核心在场
       102.5     113.2       -10.7     17   核心缺阵

结果解读：

进攻端：核心缺阵，百回合得分从 111.2 降到 102.5（下降 8.7 分）。
防守端：核心缺阵，百回合失分从 109.8 升到 113.2（上升 3.4 分）。
总影响：核心缺阵导致百回合净效率从 +1.4 暴跌到 -10.7（总共下滑 12.1 分）。

进阶分析：对队友的影响（Efficiency + Usage）

核心缺阵,通常意味着角色球员吃掉更多球权，但效率会下降，我们用使用率（USG%）和真实命中率（TS%）来分析。

假设我们有一份队友数据：

# 队友A的表现：核心在场 vs 缺阵
teammate_data = pd.DataFrame({
    'game': df['game'],
    'star_played': df['star_played'],
    # 模拟队友使用率，核心缺阵时，使用率大幅上升
    'usg_pct': np.where(df['star_played'] == 1, 
                        np.random.normal(20, 3, 82),  # 平时20%
                        np.random.normal(30, 4, 82)), # 核心缺阵暴涨30%
    # 模拟真实命中率
    'ts_pct': np.where(df['star_played'] == 1, 
                       np.random.normal(0.58, 0.05, 82),  # 平时效率高
                       np.random.normal(0.49, 0.05, 82))   # 缺阵时效率暴跌
})
print("队友A在核心缺阵时的表现：")
print(teammate_data[teammate_data['star_played'] == 0][['usg_pct', 'ts_pct']].mean())
print("\n队友A在核心在场时的表现：")
print(teammate_data[teammate_data['star_played'] == 1][['usg_pct', 'ts_pct']].mean())

输出示例：

队友A在核心缺阵时的表现：
usg_pct    29.8
ts_pct      0.49
队友A在核心在场时的表现：
usg_pct    20.1
ts_pct      0.58

量化解读：核心缺阵，队友A的球权占有率从 20% 提升到 30%（+10%），但他的真实命中率从 58% 跌落到 49%（-9%），这量化了“产量提升但效率暴跌”的现象——这就是核心缺阵带来的“消化不良”效应。

可视化呈现（直观对比）

# 绘制箱线图对比
fig, axes = plt.subplots(1, 2, figsize=(12, 5))
# 净效率对比
sns.boxplot(x='star_played', y='net_rtg', data=df, ax=axes[0])
axes[0].set_xticklabels(['核心缺阵', '核心在场'])
axes[0].set_title('核心球员缺阵对球队百回合净效率的影响')
axes[0].set_ylabel('Net Rating（净效率）')
# 胜率对比（条形图）
win_pct = df.groupby('star_played')['win'].mean().reset_index()
sns.barplot(x='star_played', y='win', data=win_pct, ax=axes[1])
axes[1].set_xticklabels(['核心缺阵', '核心在场'])
axes[1].set_title('核心球员缺阵对胜率的影响')
axes[1].set_ylabel('胜率')
plt.tight_layout()
plt.show()