本文目录导读：
在足球数据分析中，评估教练的“换人得分能力”是一个比较精细的课题，最简单的定义是：通过换人，教练是否改变了球队的进攻效率或直接带来了进球/助攻。
这里给出一个从简单到复杂的Python案例实现思路，假设你已经拥有包含球员进出场时间和进球时间的比赛数据。
基于“直接参与”的简单统计（入门级）
核心逻辑：统计替补球员在上场后，球队的总进球数以及替补球员的直接参与数（进球+助攻）。
示例数据：假设我们有一场模拟比赛（用字典模拟）：
# 模拟一场比赛的事件流
events = [
{"minute": 10, "type": "goal", "team": "A", "player": "首发前锋"},
{"minute": 25, "type": "sub_in", "team": "A", "player": "替补奇兵", "out": "中场核心"},
{"minute": 30, "type": "goal", "team": "A", "player": "替补奇兵"}, # 替补进球了
{"minute": 45, "type": "sub_in", "team": "A", "player": "新任边锋", "out": "边后卫"},
{"minute": 55, "type": "goal", "team": "A", "player": "首发前锋"}, # 这个进球与换人无关（或者说是新边锋拉开空间？这里先不算）
{"minute": 70, "type": "sub_in", "team": "A", "player": "秘密武器", "out": "另一中场"},
{"minute": 85, "type": "goal", "team": "A", "player": "秘密武器"} # 又是替补进球
]
# 计算教练换人的“得分贡献”
goals_after_sub = 0
sub_goal_assist = 0
# 记录最后一名替补上场的时间
last_sub_time = 0
for event in events:
if event["type"] == "sub_in":
last_sub_time = event["minute"]
if event["type"] == "goal" and event["minute"] > last_sub_time:
goals_after_sub += 1
if event["player"] in ["替补奇兵", "新任边锋", "秘密武器"]:
sub_goal_assist += 1
print(f"换人后球队总进球数: {goals_after_sub}")
print(f"替补直接参与进球数: {sub_goal_assist}")
print(f"换人有效率: {sub_goal_assist / goals_after_sub:.2f}" if goals_after_sub > 0 else "无进球")
引入“预期进球(xG)”和“时间切片”（进阶版）
单纯算进球太依赖于运气，更科学的评估是看换人前后，球队进攻质量的提升。
核心逻辑：将比赛按时间切片，计算每个时间段的 射门次数、射正率 和 xG（预期进球值），然后对比“换人前30分钟”和“换人后30分钟”的进攻数据。
步骤：
- 数据准备：拥有每场比赛的射门事件（包含时间、xG值）和换人事件。
- 逻辑：找到每次换人时间点，计算该换人事件前后（比如前后10分钟）球队的xG差值。
- 归因：把xG的正向变化归功于教练的这次换人（值越大，说明换人越有效）。
import pandas as pd
# 构造数据：一场比赛的射门数据
shot_data = {
'minute': [12, 25, 40, 55, 70, 82, 88],
'xG': [0.1, 0.3, 0.05, 0.6, 0.2, 0.8, 0.4],
'team': ['A'] * 7
}
shots = pd.DataFrame(shot_data)
# 构造换人数据（假设第60分钟换人）
sub_minute = 60
# 计算换人前后的 xG 对比
before_sub = shots[shots['minute'] < sub_minute]['xG'].sum()
after_sub = shots[shots['minute'] > sub_minute]['xG'].sum()
# 归一化：按每分钟平均xG计算（因为换人后的时间更长）
minutes_before = sub_minute # 假设从0分钟开始
minutes_after = 90 - sub_minute
xg_per_min_before = before_sub / minutes_before
xg_per_min_after = after_sub / minutes_after
print(f"换人前平均每分钟xG: {xg_per_min_before:.3f}")
print(f"换人后平均每分钟xG: {xg_per_min_after:.3f}")
impact_score = xg_per_min_after - xg_per_min_before
print(f"教练换人带来的进攻效率提升: {impact_score:.3f} xG/分钟")
引入“机器学习模型”和“反事实推理”（高级版）
这是目前足球分析公司（如Opta、StatsBomb）使用的黄金标准方法论。
核心逻辑：试着回答“如果不换这个人，比赛会怎样？” 方法：构建一个进球预测模型（基于场上控球率、跑动距离、球员体力值等），然后计算在同一场比赛中，实际上的进球数与模型预测的进球数（如果没人被换下）之间的差值，这个差值就是教练“换人”的因果效应。
简化伪代码示例：
# 假设我们有一个训练好的模型: predict_goals(team_stats) -> 返回进球概率
# 在比赛第60分钟，教练换人了。
# 1. 计算实际上场球员的最终比分
actual_score = 2
# 2. 提取换人后的真实比赛数据切片 (如第60-90分钟)
real_stats_after_sub = {"possession": 65, "shots": 8, "pass_accuracy": 88}
# 3. 提取换人前的数据，用来预测如果不换人（用同样的首发继续踢）会怎样？
# 关键：用“未换人”的替补球员的历史表现数据来填充模型
# 这里用之前的平均表现代替
counterfactual_stats = {"possession": 55, "shots": 5, "pass_accuracy": 82}
# 4. 预测两个值
predicted_actual = predict_goals(real_stats_after_sub) # 0.8 个期望进球
predicted_no_change = predict_goals(counterfactual_stats) # 0.3 个期望进球
# 5. 差值就是教练换人的“得分贡献”
coach_impact = predicted_actual - predicted_no_change
print(f"教练的换人贡献了约 {coach_impact:.1f} 个期望进球")
总结与实用建议
| 方案 | 适用人群 | 优缺点 |
|---|---|---|
| 方案一（计数统计） | 业余爱好者、简单复盘 | 优点：容易实现，直观懂。缺点：受运气影响大，无法排除球员个人能力因素。 |
| 方案二（时间切片） | 进阶分析师 | 优点：剔除了比赛时间长度的影响，比单纯看进球更专业。缺点：忽略了对手防守变化和红黄牌影响。 |
| 方案三（机器学习） | 专业数据团队 | 优点：真正的“因果推断”，能定量评估。缺点：需要大量数据（球员跑动、体能），建模难度高，容易过拟合。 |
实战建议：对于普通Python数据分析师，推荐方案二，因为它只需要 pandas 和基础的shooting数据就能完成,而且逻辑自洽。
如果你有现成的CSV或Excel数据（包含射门时间、xG值、换人时间），可以把代码改成读取文件即可使用,需要我帮你写一个读取真实数据文件的版本吗？
