本文目录导读：
要分析赛季末的斗志差异,可以从数据采集、指标构建、统计检验三个层面来设计脚本，下面给出一套可落地的方案。
问题定义
赛季末斗志差异通常指：不同球队/球员在赛季尾声阶段（如最后5-10轮）的表现，相比赛季前中期的变化幅度，核心是量化"战意"这个隐性变量。
可量化的代理指标
| 维度 | 具体指标 | 说明 |
|---|---|---|
| 跑动 | 场均跑动距离、高强度跑 | 斗志最直观的体现 |
| 对抗 | 抢断、争顶成功率、犯规数 | 拼抢积极性 |
| 进攻 | 射门数、禁区内触球、角球 | 进攻欲望 |
| 防守 | 拦截、解围、封堵 | 防守投入度 |
| 纪律 | 黄牌/红牌、越位 | 双刃剑，需结合语境 |
| 结果 | 胜率、净胜球、积分 | 最终产出 |
脚本框架（Python 示例）
import pandas as pd
import numpy as np
from scipy import stats
# 1. 读取数据（假设含 match_id, team, round, distance, sprints, tackles...）
df = pd.read_csv("season_stats.csv")
# 2. 划分阶段
def stage(r):
if r <= 10: return "early"
elif r <= 25: return "mid"
else: return "late"
df["stage"] = df["round"].apply(stage)
# 3. 计算每队在晚期的指标变化
metrics = ["distance", "sprints", "tackles", "shots", "interceptions"]
late = df[df.stage=="late"].groupby("team")[metrics].mean()
mid = df[df.stage=="mid"].groupby("team")[metrics].mean()
delta = (late - mid) / mid # 相对变化率
delta["motivation_score"] = delta.mean(axis=1) # 综合斗志分
print(delta.sort_values("motivation_score", ascending=False))
按"处境"分组的关键分析
斗志差异往往取决于赛季末的处境，所以分组对比才有意义：
# 给每队标记赛季末处境
final_points = df.groupby("team")["points"].sum()
rank = final_points.rank(ascending=False)
def context(team):
r = rank[team]
if r <= 4: return "争冠/欧战"
elif r <= 14: return "中游"
else: return "保级"
delta["context"] = [context(t) for t in delta.index]
print(delta.groupby("context")["motivation_score"].agg(["mean","std","count"]))
预期规律：
- 保级队晚期斗志显著上升（跑动、犯规↑）
- 无欲无求的中游队下降
- 争冠队保持高位但可能因压力出现波动
统计显著性检验
# 配对检验：晚期 vs 中期的跑动
from scipy.stats import wilcoxon
for m in metrics:
stat, p = wilcoxon(late[m], mid[m])
print(f"{m}: p={p:.4f}")
样本小（<20队）时用 Wilcoxon 符号秩检验比 t 检验更稳健。
进阶：控制混杂变量
直接比较会受赛程强度、伤病、对手实力干扰，可做：
- 对手强度归一化：用对手平均积分做回归残差
- 固定效应模型：
import statsmodels.formula.api as smf model = smf.ols("distance ~ late_flag + opponent_strength + home + C(team)", data=df).fit() print(model.summary()) - 球员级分析：合同年球员、自由身传闻球员的斗志变化（需合同数据）
可视化输出
import matplotlib.pyplot as plt
delta.boxplot(column="motivation_score", by="context")"赛季末斗志变化 by 处境")
plt.savefig("motivation.png")
实用建议
- 样本量要求：至少 3-5 个赛季数据，否则单赛季噪声太大
- 指标正交化：跑动距离和冲刺次数高度相关，做 PCA 降维后再合成
- 时间窗口：5 轮 vs 10 轮结果可能不同，建议都跑
- 足球 vs 篮球：篮球可用回合数、罚球数；足球重视跑动和无球数据
- 公开数据源：FBref、Understat（足球）；NBA Stats、PBPStats（篮球）
如果你说明具体运动项目、已有数据字段和分析目标（预测比赛？评估球员？），我可以给出更贴合的脚本。
