python案例复盘称换人时机是否太晚？

wen python案例 2026-08-20 2

本文目录导读：

核心复盘逻辑（先于代码）
Python 案例复盘代码（模拟场景）
如何评判“是否太晚”（基于代码输出）
怎么用这个案例复盘现实比赛？

在篮球（或其他团队运动）中，“换人时机太晚”是一个经典且主观的复盘话题。要判断是否太晚，不能只看“被换下的人是否累了”，而是要对比“场上阵容的净效率”和“板凳深度的储备”。

这里我给你提供一个Python 数据复盘框架，用代码逻辑来拆解这个问题，而不是纯感性讨论，你可以用它来分析比赛录像时间轴或现场统计。

核心复盘逻辑（先于代码）

判断换人是否太晚,通常看三个维度：

体能拐点：主力球员的效率（如跑动速度、命中率）在某个时间段开始断崖式下跌。
场面失控点：对手在此期间打出了X:0的攻击波（比如8:0），且教练没有叫暂停或换人。
替补热区：板凳末端球员是否处在“手感正热”但被按在板凳上的状态。

Python 案例复盘代码（模拟场景）

假设我们有一组比赛数据（按分钟计时），我们通过代码量化“换人时机”。

模拟数据准备（场上的“疲劳度”与“比分差”）

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 模拟比赛数据：第一节到第三节的某个时间段（0-24分钟）
# 字段：时间点(分钟)，主力球员跑动距离(米)，场上得分差(正为领先)
np.random.seed(42)
time = np.arange(0, 24, 1)  # 24个时间点
# 主力球员体能：假设前10分钟稳定，之后指数下滑
fatigue = np.where(time < 10, 85, 85 - (time - 10) ** 1.5 * 2)
# 比分差：假设对手在14分钟后开始爆发，我方开始丢分
score_diff = np.concatenate([np.linspace(5, 3, 14), np.linspace(2, -8, 10)])
data = pd.DataFrame({
    'minute': time,
    'fatigue_index': fatigue,      # 体能指数（越高越好）
    'score_diff': score_diff       # 比分差（正数领先，负数落后）
})
print(data.head())

定义“换人触发规则”（业务逻辑）

我们设定一个原则：如果比分差连续，且主力体能跌到阈值以下，就应该换人。

# 定义换人触发条件（业务专家规则）
def detect_late_substitution(df, fatigue_threshold=75, lead_loss_limit=-4):
    """
    检查换人是否太晚
    条件：
    1. 主力体能指数低于阈值（疲劳）。
    2. 比分差从正转负，且劣势持续超过N分钟。
    3. 期间没有进行轮换（假设我们没有换人信息，只看数据）。
    """
    # 体能跌破阈值的时间点
    fatigue_break = df[df['fatigue_index'] < fatigue_threshold]['minute'].min()
    # 比分开始失控的时间点（从领先转负后的第3分钟）
    negative_start = df[df['score_diff'] < 0]['minute'].min()
    # 如果体能崩了 且 比分崩了，说明该换人
    if fatigue_break < negative_start:
        # 我们找到真正该换人的时间应该是疲劳点前2分钟（教练应该预判）
        optimal_sub_time = fatigue_break - 2
    else:
        optimal_sub_time = negative_start - 3
    # 假设实际换人发生在数据末尾（因为数据里没有换人标记）
    actual_sub_time = df['minute'].max() + 1
    delay = actual_sub_time - optimal_sub_time
    return {
        '体能崩溃时间': fatigue_break,
        '比分失控时间': negative_start,
        '建议换人时机（分钟）': max(optimal_sub_time, 0),
        '实际换人时机（分钟）': actual_sub_time,
        '是否太晚': delay > 5,  # 如果晚了超过5分钟，判定太晚
        '延误时长（分钟）': delay
    }
# 运行诊断
result = detect_late_substitution(data)
for k, v in result.items():
    print(f"{k}: {v}")

可视化呈现（复盘图表）

# 绘制双轴图：体能曲线 vs 比分曲线
fig, ax1 = plt.subplots(figsize=(10, 5))
color = 'tab:red'
ax1.set_xlabel('比赛时间 (分钟)')
ax1.set_ylabel('体能指数', color=color)
ax1.plot(data['minute'], data['fatigue_index'], color=color, label='主力体能')
ax1.taxhline(y=75, color='red', linestyle='--', linewidth=1, alpha=0.7)
ax1.tick_params(axis='y', labelcolor=color)
ax2 = ax1.twinx()  # 第二个y轴
color = 'tab:blue'
ax2.set_ylabel('比分差', color=color)
ax2.plot(data['minute'], data['score_diff'], color=color, label='比分差')
ax2.axhline(y=0, color='black', linestyle='--', linewidth=0.8)
ax2.tick_params(axis='y', labelcolor=color)
# 标注换人时机
optimal_time = result['建议换人时机（分钟）']
actual_time = result['实际换人时机（分钟）']
plt.axvline(x=optimal_time, color='green', linestyle='--', label='建议换人点')
plt.axvline(x=actual_time, color='purple', linestyle='--', label='实际换人点（假设）')
'换人时机诊断：体能 vs 比分走势')
fig.tight_layout()
plt.legend(loc='upper right')
plt.show()