python案例认为一周双赛影响有多大？

wen python案例 2026-08-26 1

本文目录导读：

案例核心逻辑
案例步骤（Python实现）
核心结论与业务启示
如果使用真实数据该怎么做？
进阶思考

“一周双赛”在足球（以及篮球等）赛事中，通常指球队在7天内进行2场或以上的正式比赛，这在Python数据分析中是一个很有意思的课题。

要量化“一周双赛”的影响，通常需要结合比赛数据（如比分、射门次数）、赛程数据（比赛日期）和体能模型。

下面我将提供一个完整的Python案例分析框架，涵盖从数据模拟到可视化、再到统计检验的全过程，这里以英超或欧冠级别的足球比赛为例。

案例核心逻辑

假设：一周内比赛间隔小于等于4天（即双赛），会导致球员疲劳，从而影响球队的进球数、失球数和胜率。

案例步骤（Python实现）

环境准备与数据模拟

由于真实数据（如StatsBomb或Kaggle数据集）体积较大，这里模拟一份包含“比赛日ID”、“两场比赛间隔天数”和“比赛结果”的数据集。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
# 设置随机种子保证可复现
np.random.seed(42)
# 模拟 1000 场比赛数据（假设是某联赛连续几个赛季）
n_games = 1000
# 生成比赛日期（连续时间戳）
dates = pd.date_range(start='2023-01-01', periods=n_games, freq='2D')  # 大约2天一场（密集赛程）
# 计算“距上一场比赛间隔天数”
df = pd.DataFrame({'date': dates})
df['days_since_last_game'] = df['date'].diff().dt.days.fillna(7)  # 第一场假设休整了7天
# 定义是否双赛：间隔 <= 4天 视为双赛（体能受限）
df['is_double_game_week'] = np.where(df['days_since_last_game'] <= 4, 1, 0)
# 模拟进球数（泊松分布）：假设非双赛时场均进球1.5，双赛时下降15%
# 使用逻辑回归或线性模型思路：双赛会带来负效应
base_goals = 1.5
effect = -0.15  # 负向影响系数
# 生成进球数（泊松分布，均值随是否双赛变化）
df['goals_scored'] = np.random.poisson(lam=base_goals * (1 + effect * df['is_double_game_week']))
df['goals_conceded'] = np.random.poisson(lam=1.2 * (1 + 0.1 * df['is_double_game_week']))  # 防守也会下降
# 生成比赛结果（胜平负）
df['goal_diff'] = df['goals_scored'] - df['goals_conceded']
df['result'] = np.where(df['goal_diff'] > 0, 'Win', np.where(df['goal_diff'] == 0, 'Draw', 'Loss'))
# 查看数据概览
print(df.head())
print("\n双赛占比情况：")
print(df['is_double_game_week'].value_counts(normalize=True))

探索性数据分析（EDA）

看看双赛与非双赛在关键指标上的分布差异。

# 绘制进球数的分布对比
plt.figure(figsize=(12, 5))
plt.subplot(1, 2, 1)
sns.kdeplot(df[df['is_double_game_week'] == 0]['goals_scored'], label='非双赛', shade=True)
sns.kdeplot(df[df['is_double_game_week'] == 1]['goals_scored'], label='一周双赛', shade=True)'进球数密度分布对比')
plt.legend()
plt.subplot(1, 2, 2)
# 胜率对比
win_rate = df.groupby('is_double_game_week')['result'].apply(lambda x: (x == 'Win').mean()).reset_index()
win_rate['is_double_game_week'] = win_rate['is_double_game_week'].map({0: '非双赛', 1: '一周双赛'})
sns.barplot(data=win_rate, x='is_double_game_week', y='result')'胜率对比')
plt.ylabel('胜率')
plt.tight_layout()
plt.show()

统计检验（T检验）

为了严谨地说明差异是否显著,用独立样本T检验来比较进球数。

# 提取两组数据
normal_rest_goals = df[df['is_double_game_week'] == 0]['goals_scored']
double_game_goals = df[df['is_double_game_week'] == 1]['goals_scored']
# 独立样本t检验
t_stat, p_value = stats.ttest_ind(normal_rest_goals, double_game_goals, equal_var=False)  # Welch's t-test
print(f"非双赛平均进球: {normal_rest_goals.mean():.2f}")
print(f"双赛平均进球: {double_game_goals.mean():.2f}")
print(f"T统计量: {t_stat:.2f}, P值: {p_value:.4f}")
if p_value < 0.05:
    print("差异显著，一周双赛对进球数有显著负面影响。")
else:
    print("差异不显著，当前数据下无法证明一周双赛影响进球数。")

建立回归模型（量化影响系数）

用线性回归或泊松回归来量化“双赛”这一变量的具体影响大小（即系数）。

import statsmodels.api as sm
# 设计矩阵：加入是否为双赛（以及可能的控制变量，如主客场）
df['is_home'] = np.random.choice([0, 1], size=len(df))  # 模拟主客场
# 使用广义线性模型（泊松回归）建模进球数
X = df[['is_double_game_week', 'is_home']]
X = sm.add_constant(X)  # 添加截距
y = df['goals_scored']
model = sm.GLM(y, X, family=sm.families.Poisson()).fit()
print(model.summary())
# 输出关键系数
print("\n--- 双赛影响系数 ---")
coef = model.params['is_double_game_week']
print(f"双赛系数为: {coef:.3f}")
print(f"解释：在保持其他变量不变的情况下，双赛平均会降低进球数的 {np.exp(coef)-1:.1%}")

扩展分析：疲劳累积效应（轮换深度）

如果队伍在双赛周进行了大轮换（大量更换替补），可以分析轮换幅度是否抵消了负面影响。

# 模拟轮换人数（0~5人）
df['rotation'] = np.random.randint(0, 6, size=len(df))
# 分析：双赛+大量轮换 vs 双赛+不轮换
df['condition'] = '正常'
df.loc[(df['is_double_game_week'] == 1) & (df['rotation'] >= 3), 'condition'] = '双赛+大轮换'
df.loc[(df['is_double_game_week'] == 1) & (df['rotation'] < 3), 'condition'] = '双赛+小轮换'
# 分组聚合
result = df.groupby('condition').agg(
    场均进球=('goals_scored', 'mean'),
    胜率=('result', lambda x: (x == 'Win').mean())
).reset_index()
print("\n不同战术安排下的表现：")
print(result)

可视化总结（雷达图或条形图）

绘制一个综合对比图,展示各项指标的下降比例。

# 计算下降比例
metrics = ['goals_scored', 'goals_conceded', 'win_rate']
normal_data = [df[df['is_double_game_week']==0]['goals_scored'].mean(),
               df[df['is_double_game_week']==0]['goals_conceded'].mean(),
               (df[df['is_double_game_week']==0]['result']=='Win').mean()]
double_data = [df[df['is_double_game_week']==1]['goals_scored'].mean(),
               df[df['is_double_game_week']==1]['goals_conceded'].mean(),
               (df[df['is_double_game_week']==1]['result']=='Win').mean()]
x = np.arange(len(metrics))
width = 0.35
fig, ax = plt.subplots(figsize=(8, 5))
bars1 = ax.bar(x - width/2, normal_data, width, label='非双赛', alpha=0.7)
bars2 = ax.bar(x + width/2, double_data, width, label='一周双赛', alpha=0.7)
ax.set_ylabel('数值')
ax.set_title('一周双赛对球队关键指标的影响')
ax.set_xticks(x)
ax.set_xticklabels(['场均进球', '场均失球', '胜率'])
ax.legend()
plt.show()